精英男子乒乓球比赛的诊断使用SHAP和混合LSTM-BPNN算法
Honglin Song1, Yutao Li1, Xiaofeng Zou2
1College of Physical Education and Sports, Beijing Normal University, Beijing, 100084, China.
Scientific reports
|July 17, 2023
概括
这项研究使用混合的长短记忆回传播神经网络 (LSTM-BPNN) 和夏普利添加式扩展 (SHAP) 来分析乒乓球比赛. 关键发现揭示了接收攻击和发球攻击阶段对获胜概率产生重大影响.
科学领域:
- 运动科学 运动科学 运动科学
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 乒乓球比赛分析传统上依赖于主观评估.
- 开发客观可靠的方法来分析球拍运动中的表现至关重要.
- 混合技术战术理论为复杂的体育数据分析提供了一个框架.
研究的目的:
- 用一种新的混合算法 (LSTM-BPNN) 结合SHapley添加式扩展 (SHAP) 来诊断乒乓球比赛.
- 确定影响比赛结果的关键技术战术特征.
- 为分析个人比赛表现提供客观可靠的方法.
主要方法:
- 分析了2019-2022年100场男子单打乒乓球比赛 (8535场拉力赛) 的分析.
- 应用混合技术战术分析理论,整合双重三相和四相评估理论.
- 使用长期短期记忆回传播神经网络 (LSTM-BPNN) 进行预测和夏普利增量扩展 (SHAP) 进行特征重要性分析.
- K-意味着集群分析,将玩家的胜率分为高,中,低等级.
主要成果:
- LSTM-BPNN模型表现出极好的性能 (MSE=0.000355,MAE=0.014237,RMSE=0.018853,R2=0.988311),超过了其他六种AI算法.
- SHAP分析确定了接收攻击和发球攻击阶段作为影响相互获胜概率的关键因素.
- SHAP为个人匹配提供客观和可靠的特征重要性,超越了传统的模拟方法.
结论:
- 混合LSTM-BPNN和SHAP方法提供了一种创新且有效的方法来诊断乒乓球比赛.
- 接球-进攻和发球-进攻阶段是比赛结果的关键决定因素.
- 这项研究为桌球和类似的球衣运动中的性能分析提供了宝贵的见解.
