基于运动模式识别橄榄球联盟球员位置分组的模式挖掘算法筛选
机器学习
2023-03-01 v1 人工智能
摘要
将模式挖掘算法应用于从体育大数据中提取运动模式，可通过更精细的运动评估来提高训练针对性。由于存在多种模式挖掘算法，本研究旨在验证哪种算法能为职业橄榄球联盟球员运动画像发现最佳运动模式集，以及各算法提取的运动模式之间的相似性。使用三种模式挖掘算法（l-length Closed Contiguous [LCCspm]、Longest Common Subsequence [LCS] 和 AprioriClose）对319场比赛中精英橄榄球联盟钩球员（n=22名）和边锋（n=28名）的比赛运动进行画像。使用机器学习分类算法识别哪种算法给出的运动模式集最能区分比赛位置，并以Jaccard相似度分数识别算法间运动模式的相似程度。LCCspm与LCS运动模式的Jaccard相似度为0.19。AprioriClose运动模式与LCCspm和LCS模式无显著相似性。LCCspm刻画的闭合连续运动模式最能将球员区分为不同比赛位置。多层感知机算法取得了91.02%的最高准确率以及0.91的精确率、召回率和F1分数。因此，我们推荐提取闭合连续（连续）而非非连续的运动模式用于球员分组区分。
引用
@article{arxiv.2302.14058,
title = {Identification of pattern mining algorithm for rugby league players positional groups separation based on movement patterns},
author = {Victor Elijah Adeyemo and Anna Palczewska and Ben Jones and Dan Weaving},
journal= {arXiv preprint arXiv:2302.14058},
year = {2023}
}