Koneoppimisen hyödyntäminen pituushyppysuorituksen analysoinnissa

Abstract

Tämän pro gradu -tutkielman tavoitteena oli selvittää, onko mahdollista luoda koneoppimista hyödyntävä järjestelmä, jonka avulla olisi mahdollista määrittää edullisella laitteistolla kuvatuilta pituushyppyvideoilta erilaisia hyppysuoritukseen liittyviä suureita. Ihmiskehon avainpisteiden (esimerkiksi jalkojen nivelten) xy-koordinaatit määritettiin hyppyvideoiden kuvaruuduista koneoppimista hyödyntävän ihmiskehon asennontunnistusalgoritmin avulla. Xy-koordinaattien sijaintien perusteella älypuhelimella kuvatuista kahdeksasta hyppyvideosta määritettiin hyppysuorituksen ponnistusvaiheeseen ja sitä edeltävään vauhdinottoaskeleeseen liittyviä suureita kuten kontakti-/lentoaikoja, erilaisia kulmia/nopeuksia ja viimeisen askeleen pituus. Työssä tehdyllä järjestelmällä hypyistä määritettyjen arvojen suuruuksia pystyttiin arvioimaan myös avoimeen lähdekoodiin perustuvalla Kinovea-sovelluksella, jota käytetään liikeanalysointiin. Työssä määritettyjen arvojen suuruudet olivat samassa suuruusluokassa Kinovea-sovelluksen avulla määritettyjen arvojen kanssa seuraavilla suureilla: kontakti- ja lentoaika, osa ponnistusvaiheen kulmista ja viimeisen askeleen pituus. Kansainvälisiin pituushyppääjien arvoihin verrattuna työssä määritetyt: kontakti- ja lentoajat, kulmat (ponnistavan/heilahtavan jalan kulmat, kehon kaltevuuskulmat ja hyppykulma), viimeisen askeleen pituudet, ponnistavan jalan polvikulman muutosnopeudet ja heilahtavan jalan keskimääräiset kulmanopeudet, olivat keskenään samassa suuruusluokassa. Työn tuloksena syntyi koneoppimista hyödyntävä järjestelmä, jolla voidaan määrittää pituushyppysuorituksen ponnistusvaiheeseen ja sitä edeltävään askeleeseen liittyviä suureita älykameralla kuvatuilta hyppyvideoilta. Työn tuloksena syntynyttä järjestelmää voitaisiin käyttää apuna pituushyppääjien valmennuksessa esimerkiksi vuosittain tapahtuvassa hyppytekniikan kehityksen seuraamisessa.