Design of a wearable system for the detection of relevant gestures performed by basketball players

Activity recognition represents a continuously evolving research topic, which finds a lot of application in sports. This work presents the design of a wearable system that allows the real time identification of relevant gestures performed by basketball players. The device is composed by two separate units, positioned on the wrists of the user, connected to a PC via Bluetooth. Each unit comprises also a MPU-6050 sensor, which combines a tri-axis accelerometer and gyroscope, a microcontroller, installed on a TinyDuino platform, and a battery. The concept of activity recognition chain is investigated and used as a reference for the gesture recognition process. A sliding window allows to extract relevant features from the incoming data streams: mean values, standard deviations, maximum values, minimum values, energy and correlations between homologous axes are calculated to identify and differentiate the performed actions. Machine learning algorithms are studied and implemented in order to handle the recognition phase. In particular, a K-Nearest Neighbour (KNN) model and a Support Vector Machine (SVM) model are used in parallel to enhance the recognition capability. A simple GUI (Graphic User Interface) shows the detected gestures in real time and allows to manage the system in an easy way. The result of this work proves that such an implementation is feasible and can also be of great help in identifying the interactions between several players.

Il riconoscimento automatico delle attività rappresenta un ambito di ricerca molto attivo, specialmente nel campo dello sport. Questo lavoro presenta la progettazione di un sistema indossabile che permette l'identificazione in tempo reale di gesti rilevanti compiuti da giocatori di basket. Il dispositivo è costituito da due unità separate, posizionate ai polsi dell'utente, e connesse ad un PC per mezzo di un modulo Bluetooth. Ciascuna unità è costituita anche da un sensore MPU-6050, che comprende un accelerometro e un giroscopio triassiali, da un microcontrollore, installato su una piattaforma TinyDuino, e da una batteria. Gli aspetti principali che caratterizzano il processo di riconoscimento delle attività vengono analizzati e utilizzati come riferimento. I dati provenienti dai sensori vengono segmentati per mezzo di una finestra di acquisizione, in modo da poter estrarre i parametri ritenuti rilevanti: valori medi, deviazioni standard, valori massimi, valori minimi, energia e correlazione tra segnali omologhi sono calcolati in modo da individuare e differenziare i movimenti eseguiti. Tecniche di Machine Learning sono studiate e implementate per gestire il processo di riconoscimento. In particolare, un modello K-NN (K-Nearest Neighbour) e un modello SVM (Support Vector Machine) sono utilizzati in combinazione per incrementare le capacità di riconoscimento. Una semplice interfaccia grafica mostra in tempo reale i gesti identificati e permette di gestire il sistema in maniera immediata. Il risultato di questo lavoro dimostra come sia possibile implementare una soluzione di questo tipo, e come essa possa essere di grande aiuto nell'analisi delle interazioni tra diversi giocatori.