Transformerowy multimodalny framework do analizy decyzji taktycznych w sportach zespołowych z zastosowaniem w futbolu

Xuelin Yang; Xiang Wu

doi:10.3791/69806

Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł badawczy

Transformerowy multimodalny framework do analizy decyzji taktycznych w sportach zespołowych z zastosowaniem w futbolu

3K wyświetleń

⸱

DOI:

10.3791/69806

⸱

27 stycznia 2026

Xuelin Yang¹ , Xiang Wu²

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

W tym artykule

Podsumowanie

Aby poprawić taktyczną kategoryzację decyzji w futbolu, badanie to sugeruje model multimodalnej fuzji oparty na Transformerze, który uwzględnia dane wizualne, lokalizacyjne, akustyczne i kontekstowe. Model osiąga niemal rzeczywiste wyniki na 500-sekwencyjnym zbiorze danych multimodalnych, przewyższając bazy CNN-LSTM, BiLSTM-Attention i GNN pod względem dokładności oraz błędnej klasyfikacji wywołanej ciśnieniem.

Streszczenie

Szybkie i precyzyjne podejmowanie decyzji taktycznych jest wymagane we współczesnej piłce nożnej. Jednak tradycyjne podejścia do oceny podejmowania decyzji taktycznych mają słabą wartość ekologiczną i trudno się skalować. Aby sprostać tym wyzwaniom, artykuł wprowadza model multimodalnej fusion oparty na transformerach, który uwzględnia pozycjonowanie gracza, wideo, dźwięk oraz kontekstowe metadane do klasyfikacji decyzji taktycznych w czasie rzeczywistym. Przeprowadzono eksperymenty z 40 męskimi aktorami oraz zbiorem danych zawierającym 500 sekwencji multimodalnych rozgrywek. Zbiór danych obejmujący 40 graczy odnosi się do kontrolowanych eksperymentów laboratoryjnych z podejmowaniem decyzji, wykorzystywanych do wstępnej walidacji i oceny wiarygodności. Następnie wyodrębniono 500 sekwencji multimodalnych z rozszerzonych symulacji meczów i nagrań z rzeczywistych meczów, aby uzyskać większy zbiór danych wykorzystywany do trenowania i testowania modelu multimodalnego transformatora.

Przetwarza dane wejściowe w pięciu etapach: akwizycja danych, wstępne przetwarzanie, ekstrakcja cech, fuzja oparta na transformatorach oraz klasyfikacja decyzyjna. W porównaniu z bazowymi wartościami CNN-LSTM, BiLSTM-Attention i GNN, proponowane podejście poprawia dokładność predykcji decyzji o 28% i zmniejsza błędną klasyfikację spowodowaną ciśnieniem o 41%, przy niskim opóźnieniu wnioskowania wynoszącym 52,6 ms, co czyni je odpowiednim do zastosowań niemal w czasie rzeczywistym. Uogólnialność wyników w bardziej zróżnicowanych kontekstach taktycznych i na szerszą demografię sportowców jest również ograniczona przez stosunkowo niewielki rozmiar i jednorodność w populacji młodych, chłopców z jednego regionu. Wyniki te podkreślają wkład wielomodalnej fuzji opartej na transformatorach w zautomatyzowaną analizę decyzji taktycznych i wskazują na potrzebę jej dalszej weryfikacji w bardziej zróżnicowanych i dużych sytuacjach dopasowania.

Wprowadzenie

Sporty zespołowe, takie jak piłka nożna, wymagają szybkich decyzji taktycznych w dynamicznych i niepewnych środowiskach. Zawodnicy muszą nieustannie czytać wizualne informacje z piłki, kolegów z drużyny i przeciwników oraz reagować w ułamku sekundy, aby zapewnić sobie przewagę konkurencyjną. Podejmowanie decyzji taktycznych w piłce nożnej w dużej mierze zależy od szybkiego postrzegania ruchów zawodników, trajektorii piłki oraz sygnałów sytuacyjnych. Chociaż ogólne umiejętności percepcyjne-poznawcze, takie jak czas reakcji i selektywna uwaga, rzeczywiście wpływają na wydajność, najnowsze badania podkreślają modele oparte na danych, świadome kontekstu, które mogą przybl....