Enhancing the event classification in soccer wearable systems using neural networks

The adoption of wearable sensors has significantly improved sports performance analysis, particularly in soccer. Inertial Measurement Units (IMUs) have become essential for tracking high-frequency motion data without the need for external tracking systems. Among the latest advances in this field, the XSEED smart shin guards integrate a highfrequency IMU and a GNSS module, providing a comprehensive solution for capturing athletic and technical data. This study focuses on improving the classification of on-ball events recorded by XSEED through two key aspects: firmware-level optimizations and neural network enhancements. At the firmware level, efforts have been made to ensure that accelerometer and gyroscope data are as precise and complete as possible. The gyroscope data saving has been modified to center peaks within each recorded window and discard windows where the peak does not exceed a predefined threshold. These refinements reduce irrelevant signals and improve motion pattern reliability, allowing for better event segmentation. At the neural network level, a customized training strategy is applied to improve the model’s ability to classify key football events, such as passes, shots, and crosses, across different player profiles. Analysis revealed that the previous neural network struggled to classify events performed by younger players. To address this, finetuning was specifically applied to this category, enhancing the performance of the model in recognizing their movements. Experimental results indicate measurable improvements in both recall and overall F1-scores, demonstrating a more reliable classification process. The findings highlight the importance of representative datasets, and the fine-tuning techniques prove particularly beneficial for underrepresented user groups. These system improvements contribute to more robust and adaptive performance analysis, reinforcing the role of wearable technology in modern soccer analytics.

L’adozione di sensori indossabili ha notevolmente migliorato l’analisi delle prestazioni sportive, in particolare nel calcio. Le Unità di Misura Inerziali (IMU) sono diventate essenziali per tracciare i movimenti ad alta frequenza senza la necessità di sistemi esterni. Tra i più recenti progressi in questo campo, i parastinchi smart XSEED integrano un’IMU ad alta frequenza e un modulo GNSS, offrendo una soluzione completa per la raccolta di dati atletici e tecnici. Questo studio si concentra sul miglioramento della classificazione degli eventi con palla registrati da XSEED attraverso due aspetti chiave: ottimizzazioni a livello di firmware e miglioramenti della rete neurale. A livello di firmware, sono stati apportati miglioramenti per garantire che i dati dell’accelerometro e del giroscopio siano il più precisi e completi possibile. Il salvataggio dei dati del giroscopio è stato modificato per centrare i picchi all’interno di ciascuna finestra registrata e scartare le finestre in cui il picco non supera una soglia predefinita. Queste ottimizzazioni riducono segnali irrilevanti e migliorano l’affidabilità dei pattern di movimento, consentendo una segmentazione più accurata degli eventi. A livello di rete neurale, è stata applicata una strategia di training personalizzata per migliorare la capacità del modello di classificare eventi calcistici chiave, come passaggi, tiri e cross, su diversi profili di giocatori. L’analisi ha rivelato che la precedente rete neurale faticava a classificare correttamente gli eventi eseguiti dai giocatori più giovani. Per affrontare questo problema, è stato applicato un fine-tuning specifico per questa categoria, incrementando le prestazioni del modello nel riconoscere i loro movimenti. I risultati sperimentali indicano miglioramenti misurabili sia in termini di recall che di F1-score complessivo, dimostrando un processo di classificazione più affidabile. Le conclusioni evidenziano l’importanza di dataset rappresentativi e mostrano come le tecniche di fine-tuning siano particolarmente efficaci per gruppi di utenti sottorappresentati. Questi miglioramenti del sistema contribuiscono a un’analisi delle prestazioni più solida e adattiva, rafforzando il ruolo della tecnologia indossabile nell’analisi moderna del calcio.