CLASSIFICADORES DA INTELIGÊNCIA ARTIFICIAL NA ESTIMAÇÃO DA POTÊNCIA DE MEMBROS INFERIORES NO FUTEBOL

Guanis de Barros Vilela Junior, Bráulio Nascimento Lima, Marcelo Francisco Rodrigues, Carlos Henrique Prevital Fileni, José Ricardo Lourenço de Oliveira, Alexandre Freitas de Carvalho, Gustavo Celestino Martins, Adriano de Almeida Pereira, Anderson dos Santos Carvalho, Luís Felipe Silio, Ricardo Pablo Passos

Resumo


Introdução: A utilização de algoritmos inteligentes nos esportes se encontra em pleno desenvolvimento; tanto na identificação dos movimentos e sua eficiência técnica, quanto no rastreamento de estruturas táticas nos esportes coletivos. No futebol sua utilização ainda é incipiente, mas tem mostrado potencial significativo no treinamento das habilidades, na prevenção de lesões e nos determinantes táticos intrínsecos à dinâmica do jogo. Dos vários classificadores utilizados no aprendizado de máquina, três são bastante utilizados: K-Nearst Neigbors (KNN), Regressão Linear (RL) e Random Forest (RF). Objetivo: comparar estes classificadores em relação à sua capacidade de estimar a potência de membros inferiores (MMII) de jogadores de futebol de uma equipe sub-17, a partir de testes de campo de simples execução. Métodos: Pesquisa descritiva, com amostra intencional de dez jogadores de futebol da categoria sub-17 com média de idade de 16,1 (± 0,3) anos de uma cidade do interior do estado de São Paulo, aprovada pelo Comitê de Ética em Pesquisa da UNIMEP (protocolo 3.094.097). O banco de dados utilizado nos algoritmos dos classificadores foi consolidado a partir dos testes de velocidade (sprint de 20m); o teste de salto horizontal a partir da posição ortostática para inferência acerca da potência dos membros inferiores; o teste do quadrado para estimar a agilidade dos atletas e, finalmente, o teste yoyo para estimar a capacidade cardiorrespiratória. A partir dos dados coletados com estes atletas foi realizada a interpolação para uma melhor representação teórica dos fenômenos empíricos, ou seja, os testes de campo. Foi utilizada a biblioteca machine learning disponível no software JASP. A significância adotada foi de p<0,05. Resultados: os três classificadores (KNN, RL, RF) utilizaram 192 dados na fase de treinamento, 48 na fase de validação e 60 na fase de teste, totalizando 300 dados para cada classe; foi utilizada, quando necessário, a distância euclidiana. O classificador KNN apresentou acurácia na fase de validação de 0,917 e de 1,00 na fase de teste, com erro padrão médio de 3,30%. O classificador RL atingiu acurácias de 1,00 nas fases de validação e de teste. O classificador RF atingiu acurácias nas fases de validação e de teste de 1,00. Conclusão: os três classificadores utilizados apresentaram elevada acurácia atingindo acurácias de 100% de acertos para classificar a estimativa da potência de MMII dos jogadores de futebol categoria sub-17.

DOI: 10.36692/v13n3-22


Palavras-chave


KNN, Random Forest, Inteligência Artificial, Futebol.

Referências


Passos RP, Vilela Junior GdB. Inteligência artificial nas ciências da saúde. Centro de Pesquisas Avançadas em Qualidade de Vida. 2018(2).

Peggy C, Kurt D. Machine Learning and Knowledge Discovery in Databases. 2019.

Alobaid O, Ramaswamy L, Rasheed K. A Machine Learning Approach for Identifying Soccer Moves Using an Accelerometer Sensor. 2018 International Conference on Computational Science and Computational Intelligence (CSCI)2018. p. 1168-74.

Reilly B, Morgan O, Czanner G, Robinson MA. Automated Classification of Changes of Direction in Soccer Using Inertial Measurement Units. Sensors (Basel). 2021;21(14).

Balamurugan R, Narayanan Prasanth N, Amutha Prabakar M, Vimala Devi K. Sports activity recognition using classification techniques. Materials Today: Proceedings. 2021.

Bansal M, Kumar M, Sachdeva M, Mittal A. Transfer learning for image classification using VGG19: Caltech-101 image data set. J Ambient Intell Humaniz Comput. 2021:1-12.

Bez CL, Souza Filho JBO, de Vasconcelos LGLBM, Frensch T, da Silva EAB, Netto SL. Multimodal soccer highlight identification using a sparse subset of frames integrating long-term sliding windows. Information Sciences. 2021;578:702-24.

Cust EE, Sweeting AJ, Ball K, Robertson S. Classification of Australian football kick types in-situation via ankle-mounted inertial measurement units. J Sports Sci. 2021;39(12):1330-8.

Goes FR, Kempe M, van Norel J, Lemmink KAPM. Modelling team performance in soccer using tactical features derived from position tracking data. IMA Journal of Management Mathematics. 2021;32(4):519-33.

Bogaert M, Ballings M, Hosten M, Van den Poel D. Identifying Soccer Players on Facebook Through Predictive Analytics. Decision Analysis. 2017;14(4):274-97.

Groll A, Ley C, Schauberger G, Van Eetvelde H. A hybrid random forest to predict soccer matches in international tournaments. Journal of Quantitative Analysis in Sports. 2019;15(4):271-87.

Jain PK, Quamer W, Pamula R. Sports result prediction using data mining techniques in comparison with base line model. Opsearch. 2020;58(1):54-70.

Maurizio C, Enrico C, Pasca P. Exploring and modelling team performances of the Kaggle European Soccer database. 2019.

Pugsee P, Pattawong P. Football Match Result Prediction Using the Random Forest Classifier. Proceedings of the 2nd International Conference on Big Data Technologies - ICBDT20192019. p. 154-8.

Tanizaka Filho MO, Cordeiro Marujo E, Calasans dos Santos T. Identification of Features for Profit Forecasting of Soccer Matches. 2019 8th Brazilian Conference on Intelligent Systems (BRACIS)2019. p. 18-23.

Xu H. Prediction on Bundesliga Games Based on Decision Tree Algorithm. 2021 IEEE 2nd International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering (ICBAIE)2021. p. 234-8.

Denny Asarias P. PREDICTING SOCCER OUTCOME WITH MACHINE LEARNING BASED ON WEATHER CONDITION. 2019.

OBSERVAÇÃO: Os autores declaram não existir conflitos de interesse de qualquer natureza.


Texto completo: PDF

Apontamentos

  • Não há apontamentos.