チームスポーツにおける戦術的意思決定分析のためのトランスフォーマーベースのマルチモーダルフレームワークで、サッカーに応用

Xuelin Yang; Xiang Wu

doi:10.3791/69806

このコンテンツを表示するには、JoVEへの購読が必要です。または、無料トライアルをお申し込みください。

研究記事

チームスポーツにおける戦術的意思決定分析のためのトランスフォーマーベースのマルチモーダルフレームワークで、サッカーに応用

3K 回視聴

⸱

DOI:

10.3791/69806

⸱

2026年1月27日

Xuelin Yang¹ , Xiang Wu²

¹School of Physical Education, Beibu Gulf University, ²School of Statistics, Southwestern University of Finance and Economics

この記事について

サマリー

フットボールにおける戦術的意思決定の分類を改善するために、本研究は視覚的、位置的、音響的、文脈的データを統合したトランスフォーマーベースのマルチモーダル融合モデルを提案します。このモデルは500シーケンスのマルチモーダルデータセット上でほぼリアルタイムの性能を達成し、精度と圧力による誤分類の面でCNN-LSTM、BiLSTM-Attention、GNNベースラインを上回っています。

要約

現代サッカーでは迅速かつ正確な戦術的判断が求められます。しかし、戦術的意思決定の評価における従来のアプローチは生態学的妥当性が低く、容易にスケールアップできません。これらの課題に対応するため、本記事ではプレイヤーの位置取り、映像、音声、コンテキストメタデータを取り入れたトランスフォーマーベースのマルチモーダルフュージョンモデルを紹介し、リアルタイムの戦術的意思決定を分類します。40人の男性プレイヤーと、500回のマルチモーダルプレイのシーケンスからなるデータセットを対象に実験が行われました。40人のプレイヤーデータセットは、初期検証と信頼性評価に使用される管理された実験室スタイルの意思決定実験を指します。その後、拡張されたマッチシミュレーションと実戦記録から500のマルチモーダルシーケンスを抽出し、マルチモーダルトランスモデルのトレーニングおよびテストに用いられる大規模なデータセットを提供しました。

入力はデータ取得、前処理、特徴抽出、トランスベースの融合、意思決定分類の5段階で処理されます。CNN-LSTM、BiLSTM-Attention、GNNの基準と比較して、提案されたアプローチは意思決定予測の精度を28%向上させ、圧力による誤分類を41%削減し、推論遅延が52.6msと低く、ほぼリアルタイムの応用に適しています。また、発見の一般化は、より多様な戦術的文脈やより広範なアスリート層への一般化も、単一地域の若い男性選手というサンプル集団の規模が比較的小さく均質であることによって制限されています。これらの結果は、トランスを基盤としたマルチモーダル融合が自動化された戦術的意思決定解析への貢献を強調し、より多様で大規模なマッチ状況でのさらなる検証の必要性を指摘しています。

概要

サッカーのようなチームスポーツは、動的で不確実な環境で迅速な戦術的判断を求められます。プレイヤーは常にボールや味方、相手の視覚情報を読み取り、数分の一秒で反応して競争上の優位を確保しなければなりません。フットボールにおける戦術的意思決定は、選手の動き、ボールの軌道、状況の合図を素早く把握することに大きく依存しています。反応時間や選択的注意などの一般的な知覚認知スキルは確かにパフォーマンスに影響を与えますが、最近の研究では実際のゲーム内の戦術認知を近似できるデータ駆動型の文脈認識モデルが強調^{されています。}反応時間や認知能力などの知覚能力もパフォーマンスに重要な役割を果たします ^6,7,8。スポーツ認知の最近の研究では、戦術的意思決定は知覚スキルだけでなく、動的な空間情報、相手のプレッシャー、そしてリアルタイムでゲーム内の状況を統合するアスリートの能力にも依存し....