Reconnaissance d’activité humaine en natation : apports du <i>deep learning</i> pour le monitoring de l’entraînement basé centrale inertielle - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Accéder directement au contenu
Mémoires Année : 2021

Reconnaissance d’activité humaine en natation : apports du deep learning pour le monitoring de l’entraînement basé centrale inertielle

Résumé

Objectives : The aim of this study was to develop an Inertial Measurement Unit (IMU) and deep learning based swim activity recognition system. It must be (1) to collect and labeled a large databse with intra et inter-subject variability, (2) to train a generalizable swim activity recognition model, (3) to use it for training monitoring, especially by computation of spatio-temporal performance and swimming efficiency metrics. Method : 35 recreational to national swimmers or triathletes were asked to perform a filmed and sacrum IMU equippped protocol including all swim styles, turn type and intensities. After manual labelling of recorded video in 8 activity class (rest, wallpush, underwater, turn and the fourth swim styles) a neural network based on bi-long short term memory is train on training set and evaluate on validation and testing set with a leave-one-subject-out method. A home-made post processing algorithm was also developped to extract from activity model prediction performance variables. Validation is achieve by video comparison. Results : Post-training accuracy was respectively 95,14, 94,36 and 93,65% on training, validation and testing set. Macro average F1-score by classe was 0,86 and weighted average 0,96. Activity prediction is faithful by real activity and many load and performance metrics could be computed, in particular lap time with a mean absolute error of 0,42s (n=952). Discussion and conclusion : Classification activity model show good generalization on unknow initial training data and with a larger number of activity class than in previous litterature. It enables, in compliance with high performance requirements, a non-invasive and automatic data collection in ecological conditions. This greatly facilitate swim monitoring for coaches. Validation of all the computed metrics is a futur way of work. As well as application and enrichment of the system with athletes and trainers.
Objectif : Cette étude vise le développement d’un outil de reconnaissance d’activité natatoire basé centrale inertielle (IMU) et deep learning. Il s’agit, (1) de collecter et labelliser une base de données avec variabilité intra et inter-sujet, (2) d’entraîner un modèle de reconnaissance d’activité généralisable, (3) de l’exploiter pour du monitoring d’entraînement via le calcul de métriques de performances spatio-temporelles et d’efficience natatoire. Méthode : 35 nageurs et triathlètes de niveau récréationnel à national, équipés d’une IMU au sacrum, ont réalisé un protocole filmé incluant toutes les nages et intensités. Après labelling manuel des vidéos en 8 classes (repos, poussée au mur, coulée, virage et les quatre nages) un réseau de neurones artificiels basé long short term memory bidirectionnel est entrainé sur training set et évalué sur validation et testing set via un leave-one-subject-out. Un algorithme de post processing est développé pour en extraire des variables de performance à partir de la prédiction d’activité du modèle. Leur validation s’effectue par comparaison au gold standard vidéo. Résultats : L’ accuracy post-entraînement est de 95,14, 94,36 et 93,65% sur training, validation, et testing set. Le F1-score moyenné par classe est de 0,86 et le pondéré de 0,96. La prédiction d’activité est conforme avec la réalité et permet d’en extraire de nombreux indicateurs de charge et de performance notamment les temps intermédiaires avec une précision de +-0,42s. Discussion et conclusion : Le modèle de classification d’activité présente une bonne généralisation sur des données étrangères à son apprentissage initial et sur un nombre de classes plus important que la littérature disponible. Il permet, en accord avec les exigences de la haute performance et pour la première fois dans la littérature, une collecte de données non invasive, automatique et en condition écologique, ce qui facilite grandement le monitoring pour les entraîneurs. La validation de toutes les métriques extraites du modèle constitue une piste future de travail. Tout comme l’application et l’enrichissement de l’outil auprès d’athlètes et d’entraîneurs.
Fichier principal
Vignette du fichier
BOUVET_M2EOPS(3).pdf (4.71 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

dumas-03279856 , version 1 (06-07-2021)

Licence

Paternité - Pas d'utilisation commerciale - Pas de modification

Identifiants

  • HAL Id : dumas-03279856 , version 1

Citer

Antoine Bouvet. Reconnaissance d’activité humaine en natation : apports du deep learning pour le monitoring de l’entraînement basé centrale inertielle. Sciences du Vivant [q-bio]. 2021. ⟨dumas-03279856⟩
189 Consultations
507 Téléchargements

Partager

Gmail Facebook X LinkedIn More