Construire un modèle de reconnaissance d'activité utilisant un signal d'accéléromètre

Client

Une entreprise internationale d'IoT qui offre de nouveaux types d'expériences aux publics lors de concerts et événements sportifs.

Défi : prédire les moments de tension lors des matchs de basket-ball

DataSqueeze : le client avait besoin d'un modèle capable de prédire ce que faisait le joueur de basket-ball à un moment donné : debout, marcher, courir, ou actions mixtes (par exemple des moments de saut, de lutte pour le ballon, d'attaque ou de défense face aux adversaires). Le client prévoyait d'intégrer ce modèle dans sa solution pour prédire moments de tension lors des matchs.

Solution : Construction d'un modèle de reconnaissance d'activité humaine basé sur des données de capteurs

DataSqueeze À l'équipe de data science, on a fourni le jeu de données enregistré lors d'un vrai match de basket-ball. Les joueurs portaient des maillots équipés de capteurs accéléromètres intégrés. L'objectif était de classer les activités à partir de ces signaux.

L'équipe de data science a commencé par tracer des échantillons de données de signal et les examiner, pour se rendre compte que l'étiquetage des échantillons était de mauvaise qualité. Étiqueter les mouvements des athlètes avec une précision d'une seconde est très difficile. De plus, le capteur de l'un des joueurs était désynchronisé avec la mesure du temps du jeu. C'est pourquoi le premier modèle a été construit pour synchroniser tous les capteurs des athlètes avec l'heure réelle du jeu.

Après synchronisation des capteurs, DataSqueeze L'équipe a créé un outil qui permettait de corriger facilement les erreurs d'étiquetage. L'outil visualisait les signaux des capteurs, la vidéo et les étiquettes initiales sur un seul écran, ce qui facilitait la détection et la correction des erreurs. La correction des erreurs améliorerait significativement la performance du modèle à l'avenir.

DataSqueeze : les experts en data science sont passés ensuite à l’extraction de caractéristiques et à la modélisation. Après avoir expérimenté différentes approches, les meilleurs résultats ont été obtenus en utilisant l’algorithme de régression logistique. L’équipe a réussi à construire un modèle entraîné sur un ensemble donné de joueurs et pouvant être appliqué à d’autres joueurs à l’avenir.

Résultat : Modèle performant avec précision

DataSqueeze L'équipe a livré un modèle de reconnaissance d'activité précis, prêt à être intégré au système du client pour prédire les moments de tension lors des matchs.