来自原始传感器数据的工程特征,用于分析比赛期间的球员运动.

科学领域:

• 运动科学 运动科学 运动科学
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 田野运动分析通常使用来自玩家跟踪数据的描述性统计数据.
• 可穿戴技术捕获大量,但原始的位置数据 (时间,度,经度).
• 原始跟踪数据通常不适合高级分析或机器学习.

研究的目的:

• 开发一个多步骤的功能工程框架.
• 为了将连续的可穿戴传感器数据转化为机器学习准备的功能集.
• 增强体育表现数据的分析实用性.

主要方法:

• 开发一个新的功能工程框架.
• 对顺序位置数据应用多步变换.
• 方法专注于为机器学习算法准备原始数据.

主要成果:

• 成功地将原始时间序列位置数据转化为结构化的特征集.
• 证明了框架准备用于机器学习的数据的能力.
• 能够对田野运动中的跑步表现进行更复杂的分析.

结论:

• 拟议的功能工程框架有效地增强了原始体育跟踪数据.
• 这种方法有助于将机器学习应用于体育表现分析.
• 它为更深入了解玩家动态和表现提供了基础.