Characterization and optimization of athletic and technical metrics in football using a werable device

The use of wearable sensors for football performance monitoring has become increasingly popular in recent years. The XSEED devices are technologically advanced shinguards that track and analyze the performance of football athletes, providing a complete solution for tracking both athletic and technical parameters, featuring a GNSS module and an inertial measurement unit. This study aimed to characterize and improve the performance of XSEED in measuring athletes' distance and speed, as well as enhancing the classification of technical metrics using a neural network model. To estimate distance from the device measurements, four processing methods on raw positional data were developed. The Doppler shift method was instead selected to estimate instantaneous speed. Regarding technical metrics, the focus was mainly on increasing the dataset size to enhance the classification performance of the neural network. A dataset of around 5000 events was cleaned and adapted to the model input shape, and over 7000 new events were collected and labeled using a newly developed labeling tool. The neural network was trained using four different sampling strategies on the training dataset. Moreover, the device was tested in suboptimal positioning to characterize the classification robustness to positional variations. The research conducted has led to several contributions to the development of the product. The accuracy of the distance covered estimation improved, reducing the mean percentage error from 5.68% to 4.55% in realistic football sessions. Regarding speed estimation, the Doppler Shift method was found to be more accurate and consistent compared to the coordinates differentiation, particularly at medium and high speeds. The RMSE value on the speed profile improved, reducing from 1.64 to 1.39 km/h. The developed workflow demonstrated its efficacy in enhancing the classification performance of the neural network, with a significant increase in classification metric values: the F1 score increased from 0.46 to 0.85 on realistic data. The classification proved to be robust to vertical changes but very sensible to changes in lateral positioning.

L’utilizzo di dispositivi indossabili per l’analisi oggettiva delle performance in allenamento e in gara nel calcio è in crescita. I dispositivi XSEED, parastinchi dotati di modulo GNSS e unità inerziale, tracciano e analizzano le prestazioni dei calciatori, fornendo una soluzione completa per monitorare i parametri tecnici e atletici. Questa tesi mira a caratterizzare e migliorare le prestazioni di XSEED sia nella misura della distanza e della velocità dell'atleta, che nella classificazione dei gesti tecnici, effettuata da una rete neurale. Per stimare la distanza sono stati sviluppati quattro metodi di processing sui dati posizionali grezzi registrati da XSEED. Per derivare la velocità istantanea, invece, è stato adottato il metodo Doppler shift. Riguardo le metriche tecniche, l'obiettivo principale riguarda l'incremento della dimensione del dataset al fine di migliorare le capacità di classificazione della rete neurale. Un dataset di circa 5000 eventi è stato ripulito e adattato alle dimensioni di input del modello; oltre 7000 eventi sono stati registrati ed etichettati, utilizzando un'interfaccia grafica realizzata appositamente. La rete neurale è stata allenata valutando quattro strategie di campionamento del dataset. Infine, il dispositivo è stato testato con posizionamenti incorretti, per valutare la robustezza della classificazione alle variazioni di posizione. La ricerca svolta ha portato diversi contributi allo sviluppo di XSEED. L'accuratezza sulla stima della distanza percorsa è migliorata, riducendo l'errore medio percentuale da 5.68% a 4.55% in condizioni di gioco. Riguardo la stima della velocità, il metodo Doppler Shift è risultato più accurato e consistente rispetto al precedente basato sulla derivata della posizione, in particolare a velocità medie ed elevate. Il valore di RMSE sul profilo di velocità è migliorato, passando da 1.64 a 1.39 km/h. Le prestazioni della rete neurale sono notevolmente migliorate, con un incremento del valore di F1 score da 0.46 a 0.85 su dati raccolti in condizioni realistiche. La robustezza della classificazione si è rivelata buona in caso di spostamento verticale, mentre è compromessa per gli spostamenti laterali.