إطار عمل متعدد الوسائط قائم على المحول لتحليل القرارات التكتيكية في الرياضات الجماعية مع تطبيق على كرة القدم

Summary

لتحسين تصنيف اتخاذ القرار التكتيكي في كرة القدم، تقترح هذه الدراسة نموذج دمج متعدد الوسائط قائم على ترانسفورمر يدمج البيانات البصرية والموقع والصوتيات والسياقية. يحقق النموذج أداء شبه لحظي على مجموعة بيانات متعددة الوسائط مكونة من 500 تسلسل، متفوقا على خطوط CNN-LSTM وBiLSTM-Attention، وGNN من حيث الدقة والتصنيف الخاطئ الناتج عن الضغط.

Abstract

يتطلب الأمر اتخاذ قرارات تكتيكية سريعة ودقيقة في كرة القدم الحديثة. ومع ذلك، فإن الأساليب التقليدية لتقييم اتخاذ القرار التكتيكي تفتقر إلى الصحة البيئية ولا يمكن التوسع بسهولة. لمعالجة هذه التحديات، تقدم هذه المقالة نموذج دمج متعدد الوسائط قائم على المحول، والذي يدمج تموضع اللاعبين، والفيديو، والصوت، والبيانات الوصفية السياقية لتصنيف القرارات التكتيكية في الوقت الحقيقي. أجريت تجارب على 40 لاعبا ذكورا ومجموعة بيانات تضم 500 تسلسل من المسرحيات متعددة الوسائط. تشير مجموعة البيانات المكونة من 40 لاعبا إلى تجارب اتخاذ القرار المحكومة على نمط المختبر المستخدمة في التحقق الأولي وتقييم الموثوقية. بعد ذلك، تم استخراج 500 تسلسل متعدد الوسائط من محاكاة المباريات الموسعة وتسجيلات المباريات الحقيقية لتوفير مجموعة بيانات أكبر مستخدمة في تدريب واختبار نموذج المحول متعدد الوسائط.

يعالج المدخلات على خمس مراحل: جمع البيانات، المعالجة المسبقة، استخراج الميزات، الدمج القائم على المحولات، وتصنيف القرار. مقارنة بخطوط الأساس ل CNN-LSTM وBiLSTM-Attention وGNN، يحسن النهج المقترح دقة التنبؤ باتخاذ القرار بنسبة 28٪ ويقلل من سوء التصنيف الناتج عن الضغط بنسبة 41٪، مع زمن استجابة منخفض يبلغ 52.6 مللي ثانية، مما يجعله مناسبا للتطبيقات شبه الفورية. كما أن تعميم النتائج عبر سياقات تكتيكية أكثر تنوعا وعلى ديموغرافيا أوسع للرياضيين محدودة أيضا بالحجم الصغير نسبيا والتجانس داخل عينة اللاعبين الذكور الشباب من منطقة واحدة. تؤكد هذه النتائج على مساهمة الاندماج متعدد الوسائط المعتمد على المحولات في تحليل اتخاذ القرار التكتيكي الآلي وتشير إلى الحاجة إلى مزيد من التحقق منه في حالات المطابقة الأكثر تنوعا وعلى نطاق واسع.

Introduction

الرياضات الجماعية، مثل كرة القدم، تتطلب قرارات تكتيكية سريعة في بيئات ديناميكية وغير مؤكدة. يجب على اللاعبين قراءة المعلومات البصرية باستمرار من الكرة، وزملاء الفريق، والخصوم، والاستجابة خلال أجزاء من الثانية لضمان ميزة تنافسية. اتخاذ القرار التكتيكي في كرة القدم يعتمد بشكل كبير على الإدراك السريع لحركات اللاعبين، ومسار الكرة، والإشارات الموقفية. على الرغم من أن المهارات الإدراكية الإدراكية العامة، مثل زمن الاستجابة والانتباه الانتقائي، تؤثر بالفعل على الأداء، إلا أن الأبحاث الحديثة أكدت على نماذج مدفوعة بالبيانات وواعية للسياق يمكنها تقريب الإدراك التكتيكي الحقيقي داخل اللعبة 1,2,3,4,5. يلعب زمن الاستجابة والقدرات الإدراكية، مثل القدرات الإدراكية، دورا حيويا أيضا في الأداء^6،7،8. أثبتت الأبحاث الحديثة في الإدراك الرياضي أن اتخاذ القرار التكتيكي يعتمد ليس فقط على المهارات الإدراكية، بل أيضا على قدرة الرياضي على دمج المعلومات المكانية الديناميكية، وضغط الخصم، وإشارات اللعب السياقية في الوقت الحقيقي. تشير الأبحاث في الخبرة الإدراكية الإدراكية إلى أن اللاعبين الأكثر إلاما تكتيكيا يفهمون الإشارات بسرعة أكبر، ويلتقطون المعلومات بطريقة أكثر كفاءة، ويظهرون أنماط اتخاذ قرارات أكثر استقرارا تحت الضغط. تدعم هذه النتائج الحاجة إلى نماذج حاسوبية يمكنها التقاط الطبيعة المعقدة والمتعددة الطبقات لعمليات اتخاذ القرار الرياضي.

غالبا ما تستخدم الطرق الكلاسيكية لتقييم اتخاذ القرار التكتيكي مهام مختبرية محكمة وأحكاما ذاتية للخبراء، مما يفرض قيودا كبيرة على الصلاحية البيئية وقابلية التوسع. تقدم التطورات الحديثة في التعلم العميق إمكانية لأتمتة العملية من خلال استخدام مصادر بيانات متعددة الوسائط - مثل الفيديو، وتتبع الموضع، وبيانات المطابقة السياقية - ضمن بنى التقاط الاعتماد الزمني وعبر الوسائط. على الرغم من هذا التقدم، لا تزال معظم النماذج الحالية تعتمد على نماذج الشبكات العصبية الالفافية-الذاكرة طويلة المدى قصيرة المدى أو الذاكرة ثنائية الاتجاه طويلة قصيرة المدى (CNN-LSTM أو BiLSTM)، والتي لديها قدرة محدودة على نمذجة التبعيات طويلة المدى بين الوسائط. هذا النقص هو القوة الدافعة وراء تطوير نماذج الاندماج متعددة الوسائط القائمة على المحولات، والتي هي مجهزة بشكل أفضل لنمذجة اتخاذ القرار التكتيكي بشكل أكثر شمولية واستقرارا في سيناريوهات كرة القدم. في رياضة الفرق المنافسة مثل كرة القدم، يجب على اللاعبين تقييم المعلومات بسرعة حول الكرة، بما في ذلك زملائهم في الفريق، والخصوم، وموقعهم في الملعب. قبل اتخاذ قرار بشأن أفضل مسار للعمل بناء على قدراتهم، وتوجيهات المدرب، وظروف^{المباراة.} نظرا لسهولة الوصول إلى مجموعات البيانات المنظمة والمكونات التكتيكية المحددة، تركز هذه الدراسة حصريا على كرة القدم؛ ومع ذلك، فإن المبادئ التكتيكية لاتخاذ القرارات تنطبق على العديد من الرياضات الجماعية.

في الواقع، تشير الدراسات السابقة إلى أن CNN-LSTM و BiLSTM لا يمكنهما التقاط الاعتماديات الزمنية طويلة المدى جدا باستخدام حقل استقبال ثابت أو التقييد بواسطة البوابة المتسلسلة ^11,12,13. وبالمثل، يكشف العمل المرجعي الأساسي في التعرف على الأفعال والنمذجة الزمنية متعددة الوسائط أن أداء النموذج القائم على LSTM ينخفض مع زيادة طول التسلسل أو عندما تحدث الإشارات السياقية بفارق عدة إطارات، مما قد يحد من الصلاحية البيئية في بيئات الرياضة الديناميكية. علاوة على ذلك، تعد نماذج الشبكة العصبية البيانية (GNN) أدوات قوية لنمذجة التفاعل المكاني، لكنها كانت أداؤها ضعيفا باستمرار في السيناريوهات التي تتطلب تفكيرا زمنيا دقيقا أو في الحالات التي تتغير فيها إشارات الضغط السياقية بسرعة عبر الزمن^14,15. على عكس هذه الأساليب، تظهر الأطر المعتمدة على المتحولين الحديثة تفوقها في الأداء في تحليلات الرياضة، والتعرف على النشاط البشري، ومهام لغة الفيديو من خلال التكامل المشترك بين الإشارات الزمنية طويلة المدى، والعلاقات المكانية، والإشارات السياقية في مرور واحد للأمام، مكنها من خلال الاهتمام الذاتي العالمي. تبرر هذه النتائج المعيارية اختيار بنية قائمة على المحول كعمود فقري للنموذج المقترح في الدراسة الحالية.

لقد ثبت أن تعزيز المعرفة التكتيكية وفهم المبادئ التكتيكية أمر بالغ الأهمية لحل قيود وقضايا اللعبة^16,17. يتعلم لاعبو كرة القدم مجموعة متنوعة من عناصر اللعب، بما في ذلك الاختراق، الحماية الهجومية، الحركة، الوقت، القيود، الحماية الدفاعية، التوازن، والتركيز، من خلال التدريب التقني^{التكتيكي 18}. مع اكتساب اللاعبين المزيد من الخبرة في كرة القدم، يجب أن يزداد فهمهم للأساسيات التقنية والتكتيكية. لذا قد يتمكن اللاعبون من تمييز الإشارات ذات الصلة بسهولة أكبر، مما يسهل اتخاذ القرار المناسب لكل قاعدة لعبة في سيناريو معين^. وبسبب ذلك، يمكن للاعبين استخدام كفاءتهم الحركية ومهاراتهم في اتخاذ القرار لتكمل أنماط الحركة بمواهب متخصصة.

استخدم المؤلف اتخاذ القرار المتعدد الخصائص لتحليل فوائد اللياقة البدنية للتمارين والعادات، موضحا فعالية القدرة التدريبية المؤهلة في التربية البدنية بين طلاب الجامعات. تعطى الأنشطة البدنية الفعالة، وتطوير عادات اللياقة الصحية، والدعوة إلى إصلاحات في تصوير الرياضة في المؤسسات التعليمية، وزنا كبيرا. يستخدم المتوسط الهيروني المرجح الضبابي الحدسي (IFWHM) مع مساعدة الأعداد الضبابية لاتخاذ القرار الفعال. دعمت النتائج نجاح الطلاب الجامعيين المعرفي وأظهرت تقييما أكثر دقة لمشاكلهم الجسدية. لاكتشاف الروابط الكامنة في البيانات، استخدم الباحث²⁰ طريقة Apriori المعززة. تستنتاج البحث ذات صلة بتقييمات الصحة الجسدية للطلاب في التعليم العالي. يتم تحديد النتيجة الأولى من خلال تقييم إرهاق الاتجاهات المختلفة حسب تكرار حدوثها.

ركزت الأبحاث السابقة الذكاء الاصطناعي في تحليلات الرياضة على مهام رؤية الحاسوب، بما في ذلك اكتشاف اللاعبين، وتتبعهم، والتعرف على أنشطة المجموعة. كشفت البنى الحديثة ذات الإشراف الضعيف والخالية من الكواشف عن أهمية النمذجة متعددة الوسائط والنمذجة الواعية للسياق في فهم السلوكيات التكتيكية. تتطلب هذه التطورات دمج التعلم العميق متعدد الوسائط لتصنيف القرارات التكتيكية في كرة القدم. باستخدام متجهات الميزات الكامنة الناتجة من مصفوفة المنفعة عبر تحليل المصفوفة، يحسب التشابه الجيب بين المستخدمين والمستخدمين أو العناصر والعناصر في هذا المقال.

تحولت الأبحاث الحديثة في تحليلات الرياضة نحو أطر التعلم العميق متعددة الوسائط والواعية للسياق، تجمع بين الفيديو، والبيانات الموقعية، والإشارات السياقية لتفسير السلوك التكتيكي. أظهرت العديد من الأساليب القائمة على المحولات قدرة قوية على نمذجة البنية الزمنية طويلة المدى والعلاقات متعددة الوسائط في بيئات الرياضة، بما في ذلك ما يلي: MM-ViT للتعرف على الحركة متعددة الوسائط، محولات الاندماج التباينية الموحدة للاستدلال في سياق الرياضة، وكواشف الأحداث المدفوعة بالانتباه المتقاطع^21,22. تشير هذه الأساليب إلى أن القرارات التكتيكية تمثل بشكل أفضل باستخدام البنى التي تلتقط التفاعلات بين اللاعبين، والفضاء، وإشارات الحركة، والمعلومات السياقية بدلا من نماذج CNN-LSTM أحادية الوضع. وبالنظر إلى هذا الاتجاه، ستستخدم الدراسة المقترحة أيضا إطار اندماج متعدد الوسائط قائم على المحولات لمعالجة الإشارات البصرية والموضعية والسياقية بشكل مشترك لنمذجة القرارات التكتيكية لكرة القدم في الوقت القريب من الوقت.

كانت النماذج السابقة لتحليل كرة القدم تبنى عادة حول بنية CNN-LSTM أو BiLSTM، التي تلتقط الأنماط الزمنية المحلية لكنها تواجه صعوبة في التبعيات طويلة المدى عبر الوسائط. تملأ ترانسفورمرز هذه الفجوة من خلال تطبيق الاهتمام الذاتي العالمي، مما يسمح للنموذج بربط تحركات اللاعبين، ومسارات الكرات، والإشارات الموقفية عبر نوافذ زمنية ممتدة-وهي إمكانيات رئيسية لتحليل قرارات تكتيكية قوي. لحل مشكلة نقص بيانات التقييم لأنظمة التوصية، اقترح المؤلف^23,24 تقنية تحليل المصفوفة القائمة على المراجعة تجمع بين التصفية التعاونية القائمة على المراجعة ونسبة التقييم.

ومع ذلك، فإن فعاليتها، فإن قابلية التوسع وقابلية التطبيق لهذه الطرق محدودة بشدة بسبب اعتمادها على صناديق الحدود للاستنتاج والحاجة الكبيرة لتصنيف البيانات. إحدى الطرق لحل هذه المشكلة هي استخدام تسميات صناديق الإحطاد لتدريب اكتشاف اللاعبين والتعرف على نشاط المجموعة في الوقت نفسه^{25، 26، 27، 28}. على الرغم من أن تعليقات صناديق الحدود على مستوى الممثل لا تزال ضرورية لبيانات التدريب، إلا أن الطريقة المقترحة تحسب صناديق الحدود للاعبين أثناء الاستنتاج. يهدف نهج التعرف على نشاط المجموعة الضعيف الإشراف (WSGAR)، الذي لا يتطلب تسميات على مستوى الجهة المثلية للتدريب أو الاستنتاج، إلى تخفيف عبء التعليقات التوضيحية. بعد توليد اقتراحات لصناديق الإحاطية باستخدام كاشف مدرب مسبقا على مجموعة بيانات خارجية، تعلموا تصفية الاكتشافات غير ذات الصلة. مؤخرا،^قدم الباحثون نهجا خاليا من الكاشف لتحدي WSGAR يستخدم تضمينات الرموز لإنشاء سياقات جزئية تجمع معلومات اللاعبين.

داخل تحليلات الرياضة، اكتسبت البنى متعددة الوسائط والمعتمدة على المحولات أهمية مؤخرا لأنها تستطيع التقاط أنماط زمنية طويلة المدى ودمج تدفقات بيانات غير متجانسة^30,31. تم تطبيق متغيرات من المحولات لتوقع تحركات اللاعبين، وإجراء تحليل تكتيكي متعدد الرؤية، والتعرف على نية العمل، مما أظهر تفكيرا زمنيا متميزا مقارنة بنموذج CNN-LSTM. استراتيجيات الدمج متعددة الوسائط، التي تجمع بين الفيديو، والمواقع، والدلائل السياقية، قدمت نتائج مبكرة مشجعة في النمذجة التكتيكية في الوقت الحقيقي وسلطت الضوء على أهمية التعلم من الانتباه المتقاطع والتسلسل إلى التسلسل في فهم ديناميكيات اتخاذ القرار داخل اللعبة.

أظهرت أطر العمل متعددة الوسائط المعتمدة على المحولات مؤخرا أداء متميزا في قطاعات مختلفة حيث يكون دمج تدفقات البيانات المتنوعة ضروريا. على سبيل المثال، تم استخدام نماذج الدمج متعددة الوسائط المعتمدة على ViT لتفسير معلومات الفيديو والوضعيات والصوت بشكل مشترك باستخدام عمليات الانتباه المتقاطع للتنبؤ بالأحداث الواعية بالسياق، وتتبع اللاعبين، والتعرف على الأفعال^32,33. علاوة على ذلك، تفوقت بنية MM-Former والقائمة على الإدراك النماذج المتكررة والالتفاهية في دمج الإشارات المكانية والزمانية، وكذلك في التفكير الزمني طويل المدى، وفي تحليلات الرياضة وتحليل النشاط البشري³⁴. تدعم هذه النتائج استخدام بنية الاندماج متعدد الوسائط المعتمد على المحولات في هذه الدراسة من خلال الإشارة إلى أن المحولات قادرة على التقاط التفاعلات الدقيقة بين الأنماط من خلال الانتباه العالمي³⁵. المحولات مناسبة بشكل خاص للتحليل التكتيكي، حيث يتيح اهتمامها العالمي للنموذج ربط الإشارات البصرية وبيانات الموقع والإشارات السياقية عبر نوافذ زمنية أطول، وهي قدرات تفتقر إليها نماذج CNN-LSTM وBiLSTM.

استخدمت الدراسات السابقة بشكل رئيسي تقييمات مشكلة ومصادقة يدويا لتقييم سرعة الأداء ودقة القرار في الأنشطة المتفق عليها مسبقا، مثل القيادة والتمرير، رغم الاهتمام المتزايد بتقييم اتخاذ القرار التكتيكي في الرياضات الجماعية 36,37,38. هذه الأطر لها حدود من حيث قابلية التوسع، والموضوعية، والملاءمة للظروف الديناميكية والواقعية، رغم أنها توفر بيانات ثاقبة حول سلوك اللاعبين والتميز في اتخاذ القرار³⁹. الأساليب المحوسبة المعتمدة على البيانات التي يمكنها تسجيل وفهم الطبيعة متعددة الوسائط لاتخاذ القرار التكتيكي، والتي تتضمن ارتباطات معقدة بين تصرفات اللاعب، والإشارات البصرية، والإشارات الصوتية، وإعدادات اللعب، لا يتم دمجها في الأساليب الحالية 40,41,42. بالإضافة إلى ذلك، غالبا ما يتم تجاهل هياكل الذكاء الاصطناعي متعددة الجوانب التي يمكنها التبديل بين العلاقات الخلفية والزمنية في هذه الأساليب. من الواضح أن نمو إطار عمل دمج متعدد الوسائط قائم على ترانسفورمر يستخدم مصادر بيانات غنية في الوقت الحقيقي، مثل لقطات الفيديو وتتبع المواقع، ويدمج عمليات اتخاذ القرار في الرياضات الجماعية، هو ناقص. سد هذه الفجوة يمكن أن يعزز بشكل كبير الاختراق التكتيكي، وقابلية التوسع، واستقلالية اتخاذ القرار في بيئات الرياضة عالية الأداء. على عكس منهجيات CNN-LSTM وBiLSTM الحالية، يقوم هذا الدمج القائم على المحولات بنمذجة الانتباه متعدد الوسائط بين المعلومات البصرية والمكانية والسياقية بوعي. تعزز هذه التقنية تمثيلا تكتيكيا أكثر كثافة وتساعد في تقليل التصنيف الخاطئ أثناء سيناريوهات الضغط بأكثر من 40٪.

الهدف الأساسي من هذه الدراسة هو تطوير إطار عمل دمج متعدد الوسائط قائم على المحولات لتقييم اتخاذ القرار التكتيكي في كرة القدم. بينما يمكن تعميم الإطار المقترح على رياضات الفرق الأخرى، تركز هذه الدراسة على كرة القدم بسبب تعقيدها التكتيكي وتوفر مجموعات البيانات المنظمة. يتيح النظام تقييما منظما للدقة التكتيكية وتوقيت الاستجابة في مهام كرة القدم المنضبطة والمسيطرة، بناء على تقييمات الخبراء. يعالج هذا العمل حدود بيئات التقييم اليدوي والاختبار الثابت من خلال دمج مصادر البيانات متعددة الوسائط، بما في ذلك تتبع المواقع، لقطات الفيديو، إشارات الصوت، ومعلومات اللعبة السياقية.

باستخدام عمليات الانتباه القائمة على المحولات، يتعلم الإطار المقترح باستمرار الروابط متعددة الوسائط، مما يسمح بتفسير موحد وواع للسياق لطرق اتخاذ القرار في الوقت الحقيقي للاعبين.

الهدف الأساسي لهذا القرار هو تعزيز تقييم الأداء الذكي في الرياضة من خلال تزويد المدربين والمحللين بفهم أعمق لتفكير اللاعبين وديناميكيات الفريق من خلال رؤى قائمة على البيانات.

سيتعلم الإطار المقترح باستمرار العلاقات متعددة الوسائط من خلال الاستفادة من آليات انتباه المتحولين، مما يمكنه من الحصول على فهم موحد لاستراتيجيات اتخاذ القرار لدى اللاعبين في الألعاب اللحظية.

وبذلك يزود النظام بالقدرة على تقديم رؤى عملية للسلوك التكتيكي يصعب توصيفه بطرق التقييم القياسية.

الهدف هو تعزيز قابلية التفسير وتزويد المدربين والمحللين بمعلومات أكثر فائدة.

المساهمة الرئيسية لهذا العمل معطى أدناه:

تستخدم هذه الدراسة تصميم دمج متعدد الوسائط قائم على المحول لتقديم نموذج تعلم عميق جديد لتحليل اتخاذ القرار التكتيكي في الرياضات الجماعية.

من خلال دمج تدفقات البيانات البصرية والموضعية والسياقية المستخرجة من لقطات اللعبة الحقيقية، يوسع هذا النهج بشكل كبير نطاق طرق التقييم البسيطة التي تم تقديمها في الدراسة الأساسية، والتي ركزت على التمرير الفردي وتنفيذ الأفعال.

يجمع المشفر متعدد الوسائط العلاقات المكانية والزمانية المتطورة من خلال دمج بيانات تتبع اللاعب، والإطارات البصرية، وأحداث المطابقة السياقية باستخدام آليات الانتباه.

كشفت التجارب على مجموعة بيانات كرة قدم معيارية أن هذا النموذج تفوق على القواعد التقليدية مثل طرق الاندماج المعتمدة على CNN وLSTM.

مقارنة بخطوط الأساس CNN-LSTM وBiLSTM-Attention وGNN، أظهرت بنية الاندماج متعددة الوسائط المعتمدة على المحولات مكاسب كبيرة.

Protocol

شملت الدراسة 40 لاعب كرة قدم ذكر تتراوح أعمارهم بين 18 و24 سنة (المتوسط = 20.1 ± 1.2)، تم تجنيدهم من أربعة أندية هاوية وشبه محترفة ضمن دوري إقليمي واحد. كان لدى جميع المشاركين خبرة تنافسية لا تقل عن ثلاث سنوات وكانوا يتدربون حاليا في بيئة منظمة. تم جمع البيانات في إطارين محكمين: أولا، في تدريبات تدريبية موحدة تحاكي سيناريوهات اتخاذ القرار التكتيكي للتمرير/الدفع؛ ثانيا، في جلسات طويلة من محاكاة المباريات التي تم استخراج منها تسلسلات متعددة الوسائط. تمت الموافقة على جميع الإجراءات من قبل لجنة الأخلاقيات المؤسسية في جامعة خليج بيبو (رقم الموافقة: BG-PE-2023-117)، وتم الحصول على موافقة مكتوبة مستنيرة من جميع المشاركين قبل جمع البيانات. تم الالتزام بالمعايير الأخلاقية الدولية والمؤسسية في إجراء هذا التحقيق. قامت لجنة الأخلاقيات المؤسسية بجامعة خليج بيبو بفحص وموافقة جميع الإجراءات المتعلقة بالبشر (رقم الموافقة: BG-PE-2023-117). قبل جمع البيانات، قدم كل مشارك موافقة مكتوبة مستنيرة، وتم إخفاء هوية جميع البيانات المجمعة قبل التحليل.

يسعى هذا العمل إلى أتمتة وتعزيز التحقيق في اتخاذ القرار التكتيكي في رياضة الفرق من خلال بنية دمج متعددة الوسائط تعتمد على المحول. يستخدم مجموعة متنوعة من مصادر البيانات، بما في ذلك الفيديو، الصوت، الموقع المكاني، وبيانات اللاعب الوصفية لإنشاء نموذج تنبؤي قوي في الوقت الحقيقي. يوضح الشكل 1 هيكلية الطريقة المقترحة. يتكون العمل المقترح من خمس مراحل. المراحل موصوفة أدناه:

الشكل 1. هيكلية الطريقة المقترحة. مخطط للنموذج يجمع بين المدخلات متعددة الوسائط ومكونات التصنيف لاتخاذ القرار التكتيكي. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

جمع البيانات والمعالجة المسبقة

يتم جمع بيانات من وسائل مختلفة من تسجيلات المباريات، مثل بث الفيديو، والتعليق الصوتي، ومعلومات GPS/التمركز، ومؤشرات أداء اللاعبين. تخضع كل طريقة للمعالجة المسبقة على شكل تقنيات مثل استخراج الإطارات (للفيديو)، وتصفية الضوضاء (للصوت)، والتطبيع (لقراءات المستشعرات)، مما يضمن التزامن في خطوات الزمن.

تم استخراج إطارات الفيديو بسرعة 25 إطارا في الثانية، ثم تم تقليل العينات إلى 224 × 224 دقة. تمت معالجة الإشارات الصوتية باستخدام مرشح تمرير نطاق تتراوح بين 300 إلى 3400 هرتز، للقضاء على معظم الضوضاء البيئية. تم تسجيل بيانات تتبع المواقع من أجهزة GPS على 10 هرتز وتم استيفاؤها باستخدام استيفاء خطي قائم على الطوابع الزمنية، لضمان توافقها مع خط الفيديو 25 هرتز. تم محاذاة جميع المدخلات زمنيا باستخدام طوابع زمنية مشتركة، وتم تطبيع مقاييسها باستخدام تسجيل z.

استخراج الميزات

لجمع المعلومات الزمانية المكانية لبيانات الفيديو، تستخدم شبكات CNN ثلاثية الأبعاد. تتعامل شبكات CNN ثلاثية الأبعاد مع المعلومات المكانية والزمانية عبر إطارات الفيديو، مما يجعل النموذج قادرا على اكتشاف أنماط الحركة، وفهم سلوك المجموعة، واستخراج الميزات القائمة على الحركة. تولد هذه العملية تمثيلا كثيفا للميزات لكل تسلسل إجراء، يستخدم كمدخل بصري للنموذج. كل مقطع فيديو يحتوي على 16 إطارا متتاليا تم أخذ عينات منها بخطوة 2. تم تطبيق القص العشوائي، والتقليب الأفقي، وتطبيع السطوع خلال التدريب. تم تحسين CNN ثلاثي الأبعاد باستخدام آدم (lr = 0.0001)، وحجم الدفعة 16، وفقدان الإنتروبيا المتقاطع.

تضمين ومحاذاة المدخلات متعددة الوسائط

بعد ذلك، يتم دمج التضمينات من أنماط مختلفة مع مخرجات CNN ثلاثية الأبعاد. يتم استخدام بنية نموذج محول متعدد الوسائط، مع فروع مشفرة مختلفة تتعامل مع كل نمط. تستخدم طبقات الانتباه المتقاطع لدمج ومحاذاة الأنماط المختلفة، مما يمكن النموذج من التقاط الاعتمادات المتبادلة (مثل بين مواقع اللاعبين وحركة الكرة، والسياق من التعليق). يسمح هذا الدمج بفهم سياقي أغنى للخيارات التكتيكية الحالية. كما نفذت جميع التضمينات في PyTorch. تم عرض ميزات الفيديو خطيا من 1,024 إلى 512 بعدا، وتم إسقاط ميزات الصوت والمواقع إلى 256 و128 بعدا على التوالي، موحدة إلى 512 بعدا قبل المحاذاة الزمنية.

الاندماج متعدد الوسائط المعتمد على المحولات

يستخدم محول متعدد الوسائط لدمج الميزات المستخرجة من جميع المصادر. تمكن آليات الانتباه الذاتي في المحول النموذج من تعلم الاعتمادات المتبادلة بين الوسائط (مثل البصر + الصوت)، والتقاط التدفق الزمني والسياق، وتسليط الضوء على الإطارات والأحداث المهمة تكتيكيا. نتيجة هذه الخطوة هي تمثيل مشترك يلتقط النية التكتيكية والسياق الظرفي لكل قرار يتخذ. تكون المحول متعدد الوسائط من ست طبقات مشفرة، كل منها يحتوي على ثمانية رؤوس انتباه. تم حساب مصفوفات الانتباه باستخدام انتباه نقطي حاصل ضرب مقياس. كما شملت طبقات الانتباه والتغذية الأمامية انقطاعا مع p = 0.1 لتجنب الإفراط في التركيب.

تصنيف وتقييم القرار التكتيكي

وأخيرا، يتم تغذية التمثيل المدمج كمدخل لطبقة تصنيف أو كتلة تحليل القرار، والتي تستخدم للتنبؤ بنوع القرار التكتيكي، وتقييم جودة القرار، وتوليد رؤى قابلة للشرح للمدربين من خلال خرائط حرارة الانتباه أو خرائط التفعيل. يقدم نتائج هذه المرحلة تقييما كميا ونوعيا لقدرات الفريق أو اللاعب في اتخاذ القرار أثناء اللعب.

استخدم رأس التصنيف MLP ثلاثي الطبقات مع تفعيل ReLU يليه طبقة softmax. تم تدريب النموذج على تقسيم 70/15/15 مع التحقق المتقاطع بعشرة أضعاف. المقاييس المستخدمة كانت الدقة، الدقة، الاستدعاء، درجة F1، زمن التأخير، وAUC.

يوفر مخطط انسيابي مبسط، يلخص المراحل الخمس، نظرة بصرية فورية على العملية التسلسلية، كما هو موضح في الشكل 2. يمثل هذا الشكل بشكل موجز خط أنابيب البحث الكامل، الذي يشمل جمع البيانات، والمعالجة المسبقة، واستخراج الميزات، والاندماج متعدد الوسائط، وتصنيف القرار التكتيكي، يليه أوصاف مفصلة لكل مرحلة.

الشكل 2. سير العمل العام لعملية البحث. نظرة عامة على مسار الأبحاث، من جمع البيانات ومعالجتها المسبقة إلى استخراج الميزات، تدريب النماذج، والتقييم. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

يوضح الشكل 3 سير العمل العام لعملية البحث المقترحة. تبدأ العملية بالمرحلة الأولى: جمع البيانات والمعالجة المسبقة، حيث يتم جمع ومزامنة مصادر البيانات متعددة الوسائط مثل الفيديو والصوت وتتبع المواقع والبيانات الوصفية السياقية. خلال المرحلة الثانية: استخراج الميزات، تستخدم الشبكات العصبية الالفافية ثلاثية الأبعاد (CNNs ثلاثية الأبعاد) لاستخراج المعلومات المكانية والزمانية من تدفقات الفيديو، مما يؤدي إلى تمثيلات بصرية كثيفة لأفعال اللاعبين والتدفق التكتيكي. المرحلة 3: دمج ومحاذاة المدخلات متعددة الوسائط تجمع بين الصوتيات والفيديو والميزات الموقعية في مساحة كامنة مشتركة، مع محاذاة زمنية ومحاذاة متعددة الوسائط. يتم تجميع هذه التمثيلات لاحقا في المرحلة الرابعة: الاندماج متعدد الوسائط القائم على المحولات، حيث تسمح آليات التفاعل بين الوسائط والانتباه الذاتي للنموذج بتعلم الاعتمادات المتبادلة عبر الأنماط واستخلاص رؤى سياقية أعمق حول القرارات التكتيكية. أخيرا، في المرحلة 5: تصنيف وتقييم القرار التكتيكي، يتم إدخال التمثيلات المجمعة إلى طبقة تصنيف لاكتشاف القرارات التكتيكية مثل التمرير، الدفع، أو الثبات. وفي الوقت نفسه، تستخدم مقاييس الأداء لتقدير دقة اتخاذ القرار وزمن الاستجابة. يقدم هذا المخطط الانسيابي نظرة عامة واضحة على النهج خطوة بخطوة، مع إضافة أوصاف نصية معقدة موضحة في الأقسام التالية.

الشكل 3. خط أنابيب المعالجة التسلسلي. يصور التدفق خطوة بخطوة من جمع البيانات إلى تصنيف اتخاذ القرار التكتيكي ومخرجات النماذج. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

جمع البيانات والمعالجة المسبقة

لتمكين تحليل اتخاذ القرار التكتيكي عالي المستوى في الرياضات الجماعية عبر خط أنابيب دمج متعدد الوسائط باستخدام ترانسفورمر، تم تشكيل إعداد منظم وعالي الدقة لجمع البيانات والمعالجة المسبقة. يتضمن الإعداد دمج عدة وسائط بيانية، بما في ذلك تسجيلات الفيديو، وتتبع مواقع اللاعبين، والإشارات الصوتية من تفاعلات اللاعب والمدرب، والبيانات الوصفية السياقية مثل مرحلة المباراة، هيكل الفريق، ومناطق الاستحواذ.

تكونت عينة الدراسة من 40 ذكرا تبلغ أعمارهم 20 عاما فأكثر، جميعهم شاركوا بنشاط في دوريات كرة القدم الإقليمية للهواة وشبه المحترفين. تم استقطاب كل منهم من أربعة أندية تنافسية كان لديها برنامج تدريب منظم. كان متوسط عمر الرياضيين 20.1 ± 1.2 سنة، مع متوسط طول 177.5 ± 3.1 سم ومتوسط وزن 72.6 ± 2.9 كجم. كانوا يلعبون لأنديتهم بمتوسط 6.8 ± سنة ونصف. كما كان لدى جميع المشاركين خبرة تنافسية لا تقل عن ثلاث سنوات ووجدوا أنهم أكفاء تكتيكيا.

لضمان القوة الإحصائية، تم تقريب حجم العينة باستخدام مستوى موثوقية 95٪ (Z = 1.96) ومستوى دلالة 5٪ مع معامل ارتباط داخل الفئة (ICC) متوقع يبلغ 0.96 وفترة ثقة 95٪ لتعكس التوافق شبه التام. وهذا يتوافق مع هدف التحقق من موثوقية واتساق بيانات اتخاذ القرار متعددة الوسائط التي تم جمعها²⁷.

لضمان قابلية التكرار، تم توحيد إعدادات الاستحواذ والمواصفات الفنية عبر الجلسات. تم تسجيل بيانات الفيديو بدقة 1,080p و25 إطارا في الثانية باستخدام كاميرات GoPro Hero4 مع إعداد واسع لالتقاط المساحة التكتيكية الكاملة. تم تثبيت كل تسجيل وتركيبه على ارتفاع ثابت يبلغ 2.5 متر. تم التقاط إشارات الصوت باستخدام ميكروفون ميداني خارجي بمعدل أخذ عينات 44.1 كيلوهرتز (أحادي) ثم تم تصفيتها لاحقا باستخدام مرشح تمرير نطاق 300-3,400 هرتز لإزالة الضوضاء البيئية. تم جمع بيانات تتبع الموقع باستخدام حساسات GPS قابلة للارتداء تعمل على تردد 10 هرتز، بدقة موقعية متوسطة تبلغ ±0.5 متر من الشركة المصنعة. تمت مزامنة جميع الأساليب باستخدام طوابع زمنية مشتركة وإعادة أخذ عينات إلى خط زمني مشترك 25 هرتز من خلال الاستيفاء الخطي.

شملت المعالجة المسبقة ما يلي: تقليل أخذ عينات الفيديو إلى دقة 224 × 224، أخذ عينات إطارات من 16 إطارا متتاليا مع خطوة 2، قص عشوائي، قلب أفقي، تطبيع السطوع، تطبيع الصوت، وتصفية الضوضاء، وتطبيع درجة z حسب المتغيرات الموقعية والسياقية.

يتم ترتيب نص المعالجة المسبق بالترتيب التالي لإعادة الإنتاج: (1) استخراج الإطار؛ (2) تصفية الصوت؛ (3) استيفاء GPS؛ (4) إعادة أخذ العينات إلى 25 هرتز؛ (5) تطبيع درجة z؛ و(6) اختبارات النزاهة للفساد والسد والانسحاب. تستخدم سكريبتات معالجة الدفعات لإكمال كل مرحلة تلقائيا.

للحفاظ على موثوقية البيانات، شملت معايير مراقبة الجودة والاستبعاد: 1) تسلسلات بها >20٪ من حجب اللاعبين، 2) انقطاع GPS يتجاوز 200 مللي ثانية، 3) صوت تالف أو مقتطف، 4) ضبابية حركة شديدة أو عدم تزامن بين الوسائط. تم استبعاد ما مجموعه 17 تسلسلا (3.4٪) لهذه الحالات. يوضح الجدول 1 وصف مجموعة البيانات.

السمات	تفاصيل
الرياضة	كرة القدم (كرة القدم)
المشاركون	40 لاعب كرة قدم ذكر
مستوى اللعب	لاعبو كرة القدم الفيدرالية الذين لديهم خبرة ≥5 سنوات
نوع الاختبار	اختبار اتخاذ القرار والتنفيذ في التمرير والضرب (التحكم بالكرة)
إعداد الاختبار	إعداد ملعب كرة قدم موحد، مناطق محددة، مواقع ثابتة
أدوات القياس	كاميرات GoPro Hero4، برنامج Kinovea، توقيت الساعة
البيانات المجمعة	زمن التنفيذ (ET)، دقة اتخاذ القرار (DM)، عدد الإجراءات الصحيحة
إجراءات الاختبار	استجاب اللاعبون للمحفزات البصرية من المدربين ونفذوا تمريرات أو هجمات
تكرارات المحاكمة	10 تجارب لكل لاعب (5 تمريرات، 5 ضربات)
التقييم	الخبراء مصنفون DM; تم قياس ET باستخدام الطوابع الزمنية/الفيديو
متغيرات النتائج	زمن رد الفعل، عدد القرارات الصحيحة، درجة التنفيذ الفني

الجدول 1: وصف مجموعة البيانات. يوضح التركيبة السكانية للمشاركين، وإجراءات الاختبار، وأدوات القياس، ومتغيرات النتائج.

في هذه الدراسة، تم استخدام مجموعتين بيانات مرتبطتين لكن مختلفتين. تضمنت المجموعة الأولى من 40 لاعبا شاركوا في مهام اتخاذ قرارات التمرير/الدفع المحكمة، والتي استخدمت بشكل أساسي لتحديد موثوقية الأساس والتحقق من إجراء قياس القرار الأساسي. تتضمن مجموعة البيانات الثانية 500 تسلسل تكتيكي متعدد الوسائط تم جمعها من محاكاة المباريات الموسعة وتسجيلات المباريات الحقيقية. شكلت هذه التسلسلات مجموعة البيانات الرئيسية للتدريب والاختبار لنموذج الاندماج القائم على المحولات، مما سمح بالتقييم تحت ظروف أكثر صحة بيئية.

على الرغم من أن مجموعة البيانات تتكون من 500 تسلسل متعدد الوسائط، إلا أن أخذ العينات الطبقية ضمن تمثيلا متوازنا عبر الإجراءات التكتيكية (تمرير، دفع، إمساك). كما تم استخدام أساليب تعزيز البيانات، مثل القطع الزمني وخلط التسلسلات، لتعزيز التنوع وتقليل تحيز النماذج أثناء التدريب.

ومن الجدير بالذكر أن مجموعة البيانات التي تتحكم بها 40 لاعبا استخدمت في التحقق الأولي من النموذج واختبار الموثوقية، بينما تم جمع مجموعة أكبر من 500 تسلسل متعدد الوسائط من تسجيلات مباريات مطولة وجلسات تدريبية منظمة لتقييم قابلية التوسع والصلاحية البيئية للإطار. تم تأسيس الموثوقية الأساسية باستخدام مجموعة بيانات أصغر، بينما سهلت مجموعة البيانات الأكبر تدريب واختبار النماذج على نطاق واسع.

وصف مجموعة البيانات

استقطبت التجربة 40 لاعب كرة قدم ذكر، كل منهم يمتلك خبرة لعب اتحادية لا تقل عن خمس سنوات، لضمان أن يكون لدى السكان النموذجيين كفاءات تقنية وتكتيكية أساسية. تم جمع البيانات في ترتيب ملعب كرة قدم موحد حيث تم تخصيص مناطق ومواقع لعب محددة مسبقا لضمان ظروف اختبار متطابقة. خلال التجارب، كان على المشاركين الاستجابة للإشارات البصرية من المدرب، إما لتمرير الكرة أو لدفع الكرة، مكررة القرارات التكتيكية المتخذة في المباراة الفعلية. أكمل كل مشارك ما مجموعه 10 تجارب، خمس منها نجحت وخمس مرات قيادة. تم التقاط هذه الحركات بكاميرات GoPro Hero4، وتم قياس بيانات الأداء باستخدام برنامج تحليل الفيديو Kinovea إلى جانب وقت توقيت يدوي لالتقاط وقت التنفيذ (ET). المصدر الرئيسي للبيانات الذي تم جمعه كان: وقت التنفيذ، جودة مدير اللعبة كما يقيمه مدربون ذوو خبرة، وكمية الإجراءات الصحيحة التي تم تنفيذها. وفرت هذه العوامل أساسا كميا لتحليل مدى سرعة وفعالية اللاعبين في اتخاذ وتنفيذ القرارات التكتيكية تحت ظروف استجابة منبهة مضبوطة. تعد مجموعة البيانات المنتجة موردا منظما ومعلما مناسبا جدا لمهمة إنشاء معايير أو تدريب أنظمة ذكية بهدف نمذجة التفكير التكتيكي والاستجابات الحركية في سياقات الرياضات الجماعية.

العينة مقيدة بلاعبين شباب من دوري إقليمي واحد، مما قد يحد من قابليتها للتعميم عبر الفئات العمرية أو الرياضيات أو الثقافات الأخرى. ستحاول الدراسات المستقبلية استخراج عينات أكثر تمثيلا وتنوعا.

قيد آخر هو حجم العينة من 40 لاعبا شابا من دوري إقليمي واحد. بينما ساهمت العينة المتجانسة في الصلاحية الداخلية وتقليل التباين في الأداء بسبب الفروق العمرية والجندرية والخلفية التكتيكية، إلا أنها تحد أيضا من قابلية تعميم النتائج لتشمل شريحة أوسع من السكان. لذا قد تعكس أنماط اللعب التكتيكية التي يتعلمها النموذج أساليب لعب خاصة بالمنطقة أو الجنس بدلا من سلوك اتخاذ القرار الشامل. في هذه الدراسة، تم استخدام أخذ عينات طبقية وتعزيز البيانات لتعزيز تباين مجموعة البيانات المعنية؛ ومع ذلك، هناك حاجة إلى دراسات بحثية أوسع تشمل الرياضيات، واللاعبات الشباب، والمحترفات، والمشاركات عبر ثقافات تكتيكية متعددة لتأكيد متانة النموذج في بيئات كرة القدم المتنوعة. تظهر هذه النتائج وعدا قويا لكنها تحتاج إلى مزيد من التحقق من صحة مجموعات البيانات المتنوعة والأكبر قبل أن يمكن المطالبة بالتعميم الأوسع.

لتقليل الذاتية، قام ثلاثة مدربين محترفين بتعليق على الخيارات التكتيكية بشكل مستقل. تم تقدير موثوقية المقيمين باستخدام معامل الارتباط داخل الفئة (ICC = 0.96، CI 0.94-0.98)، مما يشير إلى توافق شبه مثالي. النقاش بالإجماع حل الخلافات. بالنسبة للبيانات متعددة الوسائط، كانت المعالجة المسبقة تتطلب التزامن الزمني بين الوسائط (فيديو 25 إطار في الثانية وبيانات مستشعر 10 هرتز) وتطبيع الميزات بدرجة z للسماح بالمقارنة عبر الوسائط.

تم قياس موثوقية المقيمين باستخدام معامل ارتباط التأثيرات العشوائية داخل الفئة ذو الاتجاهين (ICC [2,3])، حيث يناسب تقييم التوافق المطلق بين عدة مقيمين. تشير النسبة الدقيقة للتحكم الدولي البالغة 0.96 (فاصل الثقة 95٪: 0.94-0.98) إلى توافق شبه كامل وفقا للعتبات الشائعة المستخدمة، وتؤكد أيضا أن مسميات القرار التكتيكي المستخدمة في التدريب كانت موثوقة للغاية. تم حساب الموثوقية عبر جميع التسلسلات متعددة الوسائط ال 500، مما يضمن أن السياقات المسيطرة ومحاكاة المطابقة تم توضيحها بشكل صحيح ومتسق.

إجراءات التعليق وبروتوكول الوسم

تم توضيح جميع التسلسلات متعددة الوسائط باستخدام بروتوكول منظم مكون من ثلاث مراحل. أولا، قام ثلاثة مدربين مرخصين بمراجعة كل تسلسل موضعية فيديو بشكل مستقل باستخدام واجهة تعليقات متزامنة مع الطابع الزمني (Kinovea + جدول وسوم مخصص). قام المعلقون بتصنيف فئة القرار التكتيكي (تمرير، دفع، إمساك)، والإشارات السياقية (منطقة الضغط، توفر مسار التمرير)، وطوابع زمنية للأحداث. ثانيا، كان نص كشف الاختلاف يحدد تلقائيا حالات الغموض أو الصراع، والتي تتم مراجعتها بعد ذلك في اجتماع توافق مشترك. ثالثا، لضمان الاتساق في تحديد حدود الحدث والمحاذاة الزمنية عبر الأساليب، تم إجراء مراجعة نهائية بواسطة محلل أول مستقل. تضمن هذا العملية، لأغراض التدريب اللاحق على النماذج، أن كل تعليق كان قابلا للتتبع وبأفضل جودة.

المعالجة المسبقة

بينما أجريت الدراسة الحالية باستخدام 500 تسلسل متعدد الوسائط، تم إعداد خط أنابيب المعالجة المسبقة، حسب التصميم، لمجموعات بيانات واسعة النطاق. خضعت جميع الأساليب لبرمجة آلية تقوم بالتوازي باستخراج إطارات الفيديو دفعاتيا، وإعادة أخذ عينات الصوت، واستيفاء بيانات الموضع، وتطبيق تطبيع درجة z. وجود البنية المعيارية يسمح لكل نمط بأن يتم معالجته مسبقا بشكل مستقل على خيوط منفصلة لوحدة معالجة الرسوميات/المعالج. يتيح ذلك استيعاب لقطات المباريات بمستوى عال. هذا يضمن أن سير العمل يمكن بسهولة توسيعه ليشمل مجموعات بيانات الموسم الكامل دون تدخل يدوي، ويجعل الإطار مناسبا للنشر في بيئات التحليلات الاحترافية.

لفحص اتخاذ القرار التكتيكي في الرياضات الجماعية بشكل صحيح، يجب معالجة البيانات الخام من وسائل مختلفة مثل مقاطع الفيديو، الإشارات الصوتية، والتسجيلات الموضعية مسبقا ومحاذاتها. التوضيح متعدد الوسائط هو

(1)

هنا، يشار إلى V كسلسلة من خصائص الفيديو المستخرجة من مشفر CNN.

(2)

هنا، A هي خاصية صوتية يتم ترميزها بواسطة wave2vec.

(3)

يمثل P موقع الإحداثيات للاعب عند الزمن ti.

للتعامل مع معدلات العينة غير المتزامنة، يتم إعادة أخذ كل طريقة أو استيفاء إلى خط زمني مشترك:

(4)

هنا ، هي خاصية متزامنة f_t ، هي معدل الإطار المركب، X_m هو مؤشر أولي.

بالنسبة للمقياس الموحد عبر الوسائط، جميع متجهات الميزات يتم تطبيعه بدرجة z:

(5)

μ_X و σ_X يشيران إلى المتوسط والانحراف المعياري لبعد الميزة في مجموعة التدريب.

بينما كانت المخاوف الأساسية هي قرارات التمرير/القيادة، تمت إضافة قنوات صوتية (مثل التواصل بين اللاعب والمدرب، وإشارات اللعب البيئية) لمراعاة الحالات الفعلية في المباراة حيث تؤثر إشارات الكلام على رد الفعل التكتيكي. تم اختيار المعلمات الفائقة (مثل معدل التعلم، الفترات الزمنية المختلفة) من خلال البحث الشبكي والتقييمات القائمة في التعلم متعدد الوسائط، مما حقق توازنا بين استقرار التقارب والكفاءة الحاسوبية.

تم اختيار المعلمات الفائقة للإطار المقترح - معدل التعلم، حجم الدفعة، وفترات التدريب - من خلال بحث منهجي مخطط جيدا في الشبكة لتحقيق كل من استقرار التقارب والكفاءة الحاسوبية. وجد أن اختيار معدل تعلم 0.0001 مع محسن آدم يوفر تحديثات مستقرة للتدرج دون تذبذبات، بينما تم تحسين أحجام الدفعات لموازنة سعة ذاكرة GPU مقابل معدل التدريب. تم استخدام إعداد 50-100 حقبة للسماح بتعلم كاف دون الحاجة إلى إفراط في التوافق، كما أكد من خلال تتبع فقدان التحقق والتحقق المتقاطع بعشرة أضعاف. لم يتم تعيين هذه القيم بشكل تعسفي، بل تم توجيهها من خلال اختبارات سابقة في التعلم متعدد الوسائط وتم تعديلها من خلال التجارب التجريبية على مجموعة البيانات الحالية. ضمنت هذه العملية الصارمة أن المعلمات الفائقة المختارة سهلت تدريبا مستقرا للنموذج وتحسينات قابلة للتكرار في الأداء مقارنة بالأساليب الأساسية.

على الرغم من أن مهمة التصنيف تركز على قرارات التمرير/الدفع/التمسك، إلا أن المعلومات الصوتية تم تضمينها عمدا لأن السلوك التكتيكي الحقيقي في كرة القدم يتأثر بشدة بالتواصل بين اللاعب والمدرب، وإشارات استدعاء زميل الفريق، والضغط، والأصوات البيئية (مثل تماس الكرة، أو نهج الخصم). غالبا ما تسبق هذه الإشارات أو تتزامن مع اتخاذ القرار وتشكل جزءا من البيئة الإدراكية الطبيعية للاعبي كرة القدم. أظهرت تجارب الاستئصال الأولية أن استبعاد الصوت يقلل من الاستدعاء بنسبة 3.8٪، مما يشير إلى أن حتى الإشارات الصوتية الدقيقة تساهم في الوعي بالسياق. لهذا السبب، تم الاحتفاظ بالصوت للحفاظ على الصلاحية البيئية وتحسين قدرة النموذج على التعميم إلى ظروف المطابقة الحقيقية.

في الواقع، لدعم هذه المعلمات الفائقة، تم إجراء تحليل حساسية داخلية من خلال تغيير معدل التعلم بشكل منهجي من 1e-5 إلى 5e-4، وحجم الدفعة من 8 إلى 32، وعدد طبقات المحولات من 4 إلى 8، وعدد رؤوس الانتباه من 4 إلى 12. التكوين المختار، بمعدل تعلم من 1e-4، وحجم دفعة 16، ومشفر من 6 طبقات مع 8 رؤوس انتباه، أعطى تقارب مستقر مع أقل فقدان للتحقق من الواقع، مما قلل من التوافق الزائد عبر التحقق المتقاطع بعشرة أضعاف. أدت أحجام الدفعات الأكبر إلى عدم استقرار التدرج، بينما زادت الدفعات الصغيرة من الضوضاء وتأخر التقارب. وبالمثل، لم تظهر نماذج المحولات التي تحتوي على أكثر من 8 رؤوس أي زيادة في الأداء، لكنها زادت بشكل كبير من وقت الحوسبة. تبرر النتائج التي تم الحصول عليها الإعدادات النهائية للمعاملات الفائقة المستخدمة في هذه الدراسة.

استخراج الميزات باستخدام شبكة عصبية ثلاثية الأبعاد الالتفافية

في إطار العمل المقترح للدمج متعدد الوسائط القائم على المحولات لاتخاذ القرارات التكتيكية في رياضة الفريق، تتحمل شبكة العصبية الالفافية ثلاثية الأبعاد (3D CNN) مسؤولية استخراج الميزات المكانية والزمانية من مقاطع الفيديو الخام.

على عكس شبكات CNN ثنائية الأبعاد، التي تأخذ فقط الأبعاد المكانية (العرض W والارتفاع H)، تأخذ CNNs ثلاثية الأبعاد أيضا البعد الزمني R، مما يمكنها من اكتشاف ديناميكيات الحركة والأنماط التسلسلية التي تعتبر ضرورية لفهم سلوكيات الفريق، مثل القيادة والتمرير في كرة القدم.

تم اقتراح^{3D-CNN 28} أولا لدمج المعلومات المكانية والزمانية لبيانات الفيديو. تستخدم نواة ثلاثية الأبعاد في خوارزمية الالتفاف ثلاثية الأبعاد إلى مكعب مكون من إطارات مع جزء من الأعمدة مكدسة. يمكن كتابة الالتفاف ثلاثي الأبعاد بالمعادلة (6)

(6)

حيث: هي ميزة الإخراج في الموقع (x, y, z) على خريطة الميزة jth للطبقة lth. هو وزن النواة في الموقع (H,W,R) من خريطة ميزات الإدخال mth. هو الإدخال عند إزاحة زمانية مكانية من الطبقة السابقة. b_lj هو التحيز. f(.) هي دالة التفعيل (عادة ReLU). M هو عدد خرائط ميزات الإدخال من الطبقة السابقة. تسمح هذه المعادلة للشبكة العصبية العصبية ثلاثية الأبعاد بدمج المعلومات المكانية (الارتفاع والعرض) والزمنية (تسلسل الإطارات) بالتوازي.

الشكل 4. بنية معالجة CNN ثلاثية الأبعاد. يوضح كيف يتم استخراج الميزات المكانية والزمانية من تسلسلات الفيديو باستخدام عمليات الالتفاف ثلاثية الأبعاد. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

يوضح الشكل 4 عملية عمل شبكة CNN ثلاثية الأبعاد. يبدأ خط الأنابيب بمرحلة الإدخال، حيث يتم دمج تدفقات الفيديو غير المعالجة لمباراة كرة القدم مع بيانات منظمة، بما في ذلك مواقع اللاعبين، وإحصائيات المباراة، والبيانات الوصفية السياقية. تحافظ هذه المعلومات متعددة الوسائط على الديناميكيات البصرية والسياق الظروفي، وهما أمران حاسمان لتحليل تكتيكات الفريق. بعد ذلك، يتم توجيه تدفق الفيديو عبر شبكة عصبية الالتفافية ثلاثية الأبعاد (CNN ثلاثية الأبعاد). في هذه الحالة، تستخدم سلسلة من الطبقات الالتفافية ثلاثية الأبعاد على إطارات الإدخال. تتداخل الطبقات على طول الأبعاد المكانية (الارتفاع والعرض) والبعد الزمني (الإطارات)، مما يمكن الشبكة من تعلم أنماط الحركة، وتفاعلات اللاعبين، والتكتيكات القائمة على التسلسل، مثل التمريرات أو الضربات. بعد ذلك، يتكون مكعب مميز يتميز بخصائص مكانية وزمانية كثيفة. يخضع هذا المكعب لعمليات تجميع لتقليل الأبعاد مع الحفاظ على ميزات مهمة. عند التجميع، يتم تسطيح حجم الميزة إلى متجه أحادي الأبعاد، مما يوفر تمثيلا موجزا للوضع التكتيكي. يتم إدخال هذا المتجه الخاصي لاحقا إلى شبكة عصبية عميقة متصلة بالكامل (DNN). DNN هو كتلة اتخاذ القرار، التي تعالج الميزات المدمجة والمستخرجة لاتخاذ قرارات تكتيكية، مثل التمرير، التسديد، أو الإمساك. مخرجات الشبكة هي القرار التكتيكي النهائي الذي يتخذه النظام بناء على الوضع الفعلي للعبة في الوقت الحقيقي بالإضافة إلى أنماط الاستراتيجية المكتسبة.

تضمين ومحاذاة المدخلات متعددة الوسائط

بعد استخراج الميزات، يتم إعطاء الميزات الثلاث، مثل الصوت والفيديو والموقع الإحصائي للمشغل كطريقة إدخال.

إدخال هذه الدوائر في محول ثم تغذية كل منها عبر دالة تضمين قابلة للتعلم:

(7)

حيث f_3DCNN يتعلم الميزات المكانية والزمانية لكل شريحة زمنية V_t ويربطها بفضاء كامن ذو بعد d.

(8)

حيث W_P و b_P هما أوزان قابلة للتعلم.

(9)

جميع التضمينات محاذية بواسطة البعد الزمني T. إذا كانت الأنماط ذات ترددات متباينة، يستخدم الاستيفاء أو أخذ العينات التبسيطية:

(10)

الآن، جميع الأنماط متزامنة كالتالي:

(11)

للحفاظ على النظام الزمني في المحول، يجب أيضا إدخال ترميزات موقعية لكل متجه:

(12)

حيث يمثل الترميز الموضعي الجيبي أو القابل للتعلم.

يتم ترميز كل نمط تشغيليا باستخدام طبقة خطية من PyTorch، ثم يتم ربطها في متجه 512 بعد، ثم يتم تغذيته في تسلسل إدخال المحول بعد الترميز الموضعي. هذا يضمن إعداد تضمين موحد للتركيز المتقاطع في كل خطوة زمنية.

الموتر النهائي هو

(13)

يتم تغذية النموذج في مشفر المبدل، حيث تمكن آليات الانتباه الذاتي والانتباه متعدد الوسائط النموذج من التفكير المشترك عبر جميع الأساليب لاتخاذ القرار التكتيكي.

الاندماج متعدد الوسائط المعتمد على المحولات

في النهج المقترح، تستخدم طريقة تحليل المصفوفة منخفضة الرتبة لتكامل متجهات البيانات متعددة الوسائط المكتسبة. المشكلة عالية الأبعاد التي تحدث عند اندماج الموترات مباشرة تعالج بهذه الطريقة، التي تستخدم عامل تفكيك منخفض الرتبة لاندماج الموتر²⁹. يتم التعبير عن كل نمط في البداية كمتجه، ويتم تحقيق تقليل الأبعاد الذي يحافظ على تفاعلات كبيرة باستخدام التحليل منخفض الرتبة. يتم بناء موتر الاندماج Z_M بين أنماط M على النحو التالي:

(14)

هنا: هو عامل الرتبة المنخفضة للطريقة m، هو حاصل الضرب الخارجي، و r هو رتبة التفكيك.

ثم يحسب متجه الاندماج h كالتالي:

(15)

عندما يتم استخدام نمطين منفصلين، يكون الاندماج المختزل:

(16)

ينتج عن ذلك متجه تمثيل متعدد الوسائط مشترك h يمثل التفاعلات متعددة الوسائط على مستوى كامن.

بعد الحصول على المتجه المنصهر h، يقوم وحدة المحول بنمذجة الاعتماديات ومحاذاة التمثيلات الدلالية بين الأنماط المختلفة. الانتباه متعدد الوسائط مصمم خصيصا لتمكين نمط من الانتباه إلى أخرى:

(17)

حيث Q_m هو استعلام المودالية m، وK_{n,V n} هما المتجهات الرئيسية والقيمة في النمط n، وd_k هو بعد المتجهات الرئيسية. يسهل هذا الإعداد تدفقات انتباه خاصة بالنمط، مما يسمح بمعالجة كل فئة من المدخلات بالنسبة لأخرى (مثل مزامنة حركة اللاعب مع سياق اللعبة ومؤشرات الفيديو).

يتم تكديس وتصنيف المتجهات المتقاطعة عبر بيرسيبترون متعدد الطبقات (MLP). المخرج هو تسمية اتخاذ تكتيكي (مثل التمرير، الدفع، الثبات)، خسارة الإنتروبيا المتقاطع المحسنة للتدريب من البداية إلى النهاية.

الشكل 5. بنية الاندماج متعددة الوسائط المعتمدة على المحولات. يوضح كيف يتم دمج الوسائط البصرية والمستشعرات عبر مشفر المحول لتعزيز تمثيل الميزات. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

كتلة الاندماج متعددة الوسائط، كما هو موضح في الشكل 5، تجمع بين المدخلات البصرية والموضعية. إنه تصميم ضروري لأن القرارات التكتيكية تتطلب وعيا مكانيا وديناميكيات حركة، لا يمكن تمثيلها بنمط واحد.

يوضح الشكل 5 الهيكل العملي للاندماج متعدد الوسائط المعتمد على المحولات. يجمع هذا التصميم بين بيانات متنوعة وفيديو وإحداثيات مكانية وبيانات سياقية للألعاب في قناة واحدة للتنبؤ بالإجراءات التكتيكية مثل التمرير، القيادة، أو الإمساك. يبدأ النهج بإدخال الفيديوهات، التي يتم التحقق منها باستخدام شبكة عصبية ثلاثية الأبعاد (CNN ثلاثية الأبعاد). يحدد هذا النظام البنى المكانية والزمانية في الفيديو، مما يمكنه من التقاط نشاط اللاعب الديناميكي والتواصل مع مرور الوقت. وفي الوقت نفسه، يتم نقل المعلومات السياقية والموضعية من خلال تضمين الطبقات، مما يحول المدخلات المنظمة إلى تمثيلات متجهية كثيفة. يمكن بعد ذلك دمج مخرجات التدفقات السياقية والموضعية والفيديو بواسطة وحدة دمج منخفضة التصنيف. يحقق هذا النهج فعليا ارتباطات متعددة الوسائط من خلال تحليل فضاء الاندماج، مما يقلل من تعقيد الحسابات مع الحفاظ على العلاقات الأساسية بين الأنماط المختلفة. وأخيرا، يتم معالجة التمثيل متعدد الوسائط المدمج بواسطة مشفر محول مع اهتمام متعدد الوسائط. تمكن هذه العملية النموذج من التركيز على الميزات المناسبة عبر الأساليب والخطوات الزمنية، مما يعزز فهمه لسلوك اللعبة الاستراتيجي. وأخيرا، يتم تمرير المخرجات المشفرة عبر كتلة تسلسلية وكتلة بيرسيبترون متعددة الطبقات (MLP) تربط التمثيل المكتسب ببعض القرارات التكتيكية. يصنف مخرجات النموذج أفعال اللاعبين مثل "التمرير" أو "الدفع أو الإمساك" لتمكين فحص ذكي وقائم على البيانات لتكتيكات الفريق.

في نظام التحليل التكتيكي القائم على المتحولين المعتمد على الدمج متعدد الوسائط للرياضات الجماعية، المرحلة الأخيرة هي تصنيف وتقييم القرار التكتيكي، الذي يحول التمثيلات متعددة الوسائط المتعلمة إلى تسميات قابلة للتنفيذ على القرار. بعد دمج ميزات الفيديو والموضعية والسياقات بواسطة دمج التصنيف المنخفض وضبطها بدقة باستخدام الانتباه متعدد الوسائط في مشفر المحول، يتم تغذية متجهات الميزات الناتجة إلى مصنف Perceptron متعدد الطبقات (MLP). يتم تمثيل كل فئة قرار بدالة تفعيل سوفتماكس، مما يعطي درجات احتمالية لجميع الإجراءات الممكنة. يتم اختيار الفئة الأكثر احتمالا كقرار متوقع للنموذج. تم تدريب النموذج على دالة فقدان عبر الإنتروبيا، التي تكافئ التنبؤات الصحيحة وتجعل الشبكة تتعلم التمييز بين الفروقات المماثلة في المواقف التكتيكية. بالإضافة إلى ذلك، يمكن النظر في تقييم المجال الزمني لتأكيد الاستجابة في مواقف اللعب في الوقت الحقيقي أو شبه الوقت الحقيقي، مما يضمن دقة المصنف وعدم إهدار الوقت تحت قيود زمنية شبيهة باللعبة. يوضح الجدول 2 بنية النموذج والمعاملات الفائقة.

المكون	المواصفات
طبقات ترميز المحولات	6
انتباه	8
البعد الخفي	512
حجم طبقة التغذية الأمامية	2048
أبعاد التضمين	الفيديو: 1024 → 512، الصوت: 256 → 512، المواقع: 128 → 512
الترميز الموقعي	قابل للتعلم
طريقة الاندماج	الاندماج متعدد الوسائط منخفض الرتبة (الرتبة r = 16)
المحسن	آدم
معدل التعلم	0.0001
حجم الدفعة	16
فترات التدريب	50–100
انسحب	0.1
دالة الخسارة	التحويلات المتقاطعة

الجدول 2: بنية النموذج والمعاملات الفائقة. يسرد إعدادات التدريب والمكونات الرئيسية لنموذج الاندماج متعدد الوسائط المقترح القائم على المحولات.

لمزيد من الوضوح وقابلية التكرار، تم تنفيذ المحول متعدد الوسائط بمكدس مشفر مكون من 6 طبقات، كل منها مزود ب8 رؤوس انتباه وبعد مخفي 512، وفقا لإعدادات المحول النموذجية للمهام متعددة الوسائط متوسطة المستوى. كل طريقة تمر عبر كتلة تضمين: فيديو بواسطة مخرج ترميز ثلاثي الأبعاد، 1024-dim؛ الصوت بواسطة مشفر مبني على Wave2Vec، 256-dim؛ والميزات الموضعية بالإضافة إلى السياقية بواسطة مشفر MLP ذو طبقتين، 128-dim. تم إسقاط جميع هذه التضمينات إلى فضاء كامنة مشترك 512 بعدا من خلال تحويلات خطية قابلة للتعلم. لتحديد المحاذاة الزمنية، يتم استيفاء جميع الوسائط أولا على تردد واحد 25 هرتز، تليها تطبيق ترميزات موقعية مكتسبة للحفاظ على الترتيب الزمني. يتم المحاذاة متعددة الوسائط باستخدام طبقات الانتباه المتقاطع، التي تتعلم بشكل صريح الارتباطات بين الأنماط قبل إدخالها إلى مكدس مشفر الانتباه الذاتي. تم اتخاذ هذه الخيارات المعمارية لتحقيق توازن بين سعة النموذج والكفاءة الحاسوبية، مما يضمن تقارب مستقر على مجموعة بيانات متوسطة الحجم.

عمليا، فإن إطار عمل الاندماج متعدد الوسائط المقترح القائم على المحولات هو الأنسب للسيناريوهات التي تتوفر فيها بيانات متعددة الوسائط متزامنة، مثل جلسات التدريب المنظمة، أو محاكاة المباريات المحكمة، أو البيئات المهنية المجهزة بتغذيات فيديو متسقة وأنظمة تتبع مواقعي. المدخلات الأربعة الرئيسية المطلوبة للطريقة هي (1) فيديو عالي الدقة، (2) بيانات تتبع المواقع (GPS/LPS)، (3) تدفقات الصوت، و(4) البيانات الوصفية السياقية - مثل الحيازة، مناطق الضغط، مرحلة المباراة. لتحقيق أداء موثوق، يجب أن تكون هذه الأساليب محاذاة زمنيا مع انحراف بسيط (فيديو ≥ 25 إطار في الثانية وأجهزة استشعار الموقع ≥ 10 هرتز)، ويجب أن تحافظ على نقاط رؤية مستقرة وضوضاء إشارة قليلة. الإعدادات التي لا توفر هذه المدخلات المتزامنة، مثل مباريات الهواة بزوايا كاميرا غير منتظمة، أو بث مباشر يحتوي على تشويش زمن التأخير/الضغط، أو بيئة تفتقر إلى بنية تحتية لتتبع المواقع، ستكون أقل صلة بالإطار. علاوة على ذلك، يعمل النظام الحالي بشكل أفضل في الظروف شبه المسيطرة، لكنه قد يكون أقل متانة بكثير في حالات المباريات الحية غير المسيطر عليها تماما، حيث تؤثر ظروف الإضاءة، والسدود، وضوضاء الجماهير الديناميكية على جودة جمع البيانات. تحدد هذه القيود الحدود العملية التي يمكن نشر هذا النظام ضمنها وتؤكد أن التقاط البيانات المتسق في أنماط متعددة أمر أساسي لتطبيق النموذج المقترح.

التعديلات وحل المشكلات

في التنفيذ العملي، قد تظهر عدة مشكلات عبر خط الأنابيب متعدد الوسائط قد تقلل من استقرار النموذج أو الأداء العام. إحدى المشكلات الشائعة هي عدم التوافق الزمني بين الأنماط الموسيقية، حيث تخرج الفيديو المسجل بسرعة 25 إطارا في الثانية والبيانات الموضعية الملتقطة عند 10 هرتز عن التزامن، مما يؤدي إلى إشارات غير متطابقة تزعزع خرائط الانتباه وتقلل من الاسترجاع. يمكن حل هذا بتطبيق إعادة العينات القائمة على الطوابع الزمنية، والاستيفاء الخطي، وإزالة التسلسلات تلقائيا التي تحتوي على انحراف مفرط. قد تعاني قنوات الصوت أيضا من الضوضاء الناتجة عن الرياح أو أصوات الحشود أو قطع الميكروفون، مما يؤدي إلى تجاهل المحول لرموز الصوت وتقليل الدقة قليلا. تطبيق ترشيح تمرير النطاق، والتحديد الطيفي، واستبدال المقاطع التي تضررت بشدة بمتجهات صفرية يساعد في الحفاظ على استقرار تضمين الصوت. مشاكل جودة البصر، مثل انسداد اللاعب أو ضبابية الحركة، يمكن أن تضعف تمثيلات ال 3D-CNN المكانية والزمانية وتزيد من الارتباك بين تمرير الدفع. يتم التخفيف من ذلك من خلال استبعاد التسلسلات المحجوبة بشدة واستخدام استراتيجيات التعزيز، بما في ذلك القطع العشوائي، وتطبيع السطوع، ومحاكاة ضبابية الحركة. قد يحدث عدم استقرار المحولات إذا اختلفت مقاييس التضمين بين الوسائط، مما يؤدي إلى فقدان التحقق المتذبذب أو ارتفاعات في التدرج. ضمان تطبيع ثابت لدرجة z، واستخدام جدول معدل تعلم تمهيدي، وتطبيق قص التدرج، وزيادة التسرب يمكن أن يعيد التدريب المستقر. يمكن أن يصبح الاندماج منخفض الرتبة أيضا مشكلة عندما يتم ضبط رتبة الاندماج بشكل غير صحيح، مما يسبب تشويه العلاقات متعددة الوسائط وعدم توازن حسب الفئة. الحفاظ على رتبة معتدلة لمجموعات البيانات الصغيرة، وزيادة الترتيب لمجموعات البيانات الأكبر، وتطبيق تنظيم اللغة الثانية يساعد في الحفاظ على الاندماج المتوازن. قد تنشأ عنق زجاجة حسابية بسبب موترات الفيديو الكبيرة التي تسبب فائض ذاكرة GPU أو بطء التدريب. يمكن معالجة هذه المشكلات من خلال تدريب على الدقة المختلطة (FP16)، وتقليل دقة الإدخال أثناء التجارب المبكرة، أو تخزين ميزات 3D-CNN المحسوبة مسبقا. أخيرا، قد يقلل الاختلال الطبيعي بين الطبقات في القرارات التكتيكية، خاصة في "الدفع"، من الاستدعاء ويسبب تقلبات في AUC؛ تطبيق الخسارة المتوازنة حسب الطبقات، وأخذ عينات زائدة من الأفعال الأقلية، وإثراء البيانات الوصفية السياقية يمكن أن يحسن بشكل كبير التوازن والتمييز في اتخاذ القرار. تضمن هذه الإرشادات الموحدة لاستكشاف الأخطاء والمشكلات قدرة الباحثين والممارسين على الحفاظ على ظروف تدريب مستقرة، وتحسين قابلية التكرار، وتكييف الإطار بفعالية عبر مجموعات البيانات والبيئات المختلفة.

Results

يجمع هذا التصميم بين بيانات متنوعة، والفيديو، والإحداثيات المكانية، والبيانات السياقية للعبة في قناة واحدة للتنبؤ بالإجراءات التكتيكية مثل التمرير، القيادة، أو الإمساك. يبدأ النهج بإدخال الفيديوهات التي يتم التحقق منها باستخدام شبكة عصبية ثلاثية الأبعاد (CNN ثلاثية الأبعاد). يمكن بعد ذلك دمج مخرجات التدفقات السياقية والموضعية والفيديو بواسطة وحدة دمج منخفضة التصنيف. يحقق هذا النهج فعليا ارتباطات متعددة الوسائط من خلال تحليل فضاء الاندماج، مما يقلل من تعقيد الحسابات مع الحفاظ على العلاقات الأساسية بين الأنماط المختلفة. وأ...

Discussion

يمثل إطار عمل الاندماج متعدد الوسائط القائم على المحولات المعروض هنا تطورا مهما مقارنة باختبار ستروب الأساسي لكرة القدم (STFT) الموضح في الورقة الأساسية. على عكس الورقة الأساسية التي ركزت على الاختبارات المحكومة والموجهة للمختبر مع محفزات محدودة وثابتة مثل الأسهم الملونة والمهام المحددة مسبقا (القيادة أو التمرير)، يعمل النموذج الجديد من بيانات مصادر متعددة الوسائط في الألعاب الحقيقية لتسهيل خط أنابيب تحليلات تكتيكية أكثر ثراء وآلية. ومع ذلك، وعلى الرغم من دمج التسلسلات متعددة الوسائط ذات...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
سي إن إن ثلاثية الأبعاد	تنفيذ مخصص		استخراج الميزات الزمانية المكانية من الفيديو
جو برو هيرو4	GoPro Inc.	https://gopro.com/	تسجيل الفيديو للمباريات
حساسات GPS/IMU	رياضات المنجنيق / إكسنز	https://www.catapultsports.com/	تتبع المواقع للاعبين
معالج Intel Core i7-11700K	إنتل	https://www.intel.com	وحدة معالجة النماذج لمحطة العمل التدريبية
الميبروس	librosa.org	https://pypi.org/project/librosa/	معالجة وإعادة أخذ عينات الإشارة الصوتية
مصنف MLP	بايتورش / تنسور فلو		تصنيف القرار التكتيكي
نومباي	مؤسسة بايثون للبرمجيات	https://pypi.org/project/numpy/	العمليات الحسابية العددية والمصفوفات
بطاقة رسومات NVIDIA RTX 3080	NVIDIA	https://www.nvidia.com	التدريب على التعلم العميق والاستدلال
OpenCV	OpenCV.org	https://pypi.org/project/opencv-python/	استخراج الإطارات من الفيديو
الباندا	مؤسسة بايثون للبرمجيات	https://pypi.org/project/pandas/	معالجة البيانات والتعامل الجدولي
PCA (Scikit-learn)	سكيت-لرن	https://scikit-learn.org/	تقليل الأبعاد
بايثون 3.9	مؤسسة بايثون للبرمجيات	https://www.python.org/downloads/release/python-390/	بيئة لغة البرمجة
بايتورش	مؤسسة بايتورش	https://pytorch.org/	إطار التعلم العميق
سكيكيت-لرن	مطورو SCIKIT-Learn	https://pypi.org/project/scikit-learn/	التحقق المتبادل، حساب ICC
TensorFlow 2.8	جوجل	https://www.tensorflow.org/	إطار التعلم العميق
مشفر المحول	بايتورش / تنسور فلو		دمج الميزات متعددة الوسائط مع الانتباه
أوبونتو 20.04 LTS	كانونيكال المحدودة.	https://ubuntu.com/	نظام التشغيل لتدريب النماذج
محطة العمل	مخصص / إنتل، NVIDIA		CPU، GPU، RAM لتدريب النماذج