Hacia un sistema de detección automática de talento deportivo: una aplicación al Tae Kwon Do

Autores/as

  • Román Alcides Lara Cueva Universidad de las Fuerzas Armadas, Sangolquí
  • Alexis Darío Estévez Salazar Universidad de las Fuerzas Armadas, Sangolquí

Palabras clave:

Tae Kwon Do; machine learning; wrapper; embedded; decision tree; support vector machine.

Resumen

El Tae Kwon Do es un arte marcial coreano reconocido como deporte olímpico, para el cual se han desarrollado diferentes herramientas desde la ingeniería, principalmente enfocadas en mejorar la capacidad de los competidores. Sin embargo, existe una brecha en el proceso de selección de atletas de alto rendimiento. Por ello, está investigación se enfocó en desarrollar un sistema basado en la información de la clasificación de los deportistas de la Federación Ecuatoriana de Tae Kwon Do, utilizando los métodos wrapper y embedded y los algoritmos Decision Tree y Support Vector Machine para la valoración de los diferentes factores considerados en dicha clasificación. La principal contribución de este trabajo es proporcionar un sistema de apoyo objetivo para la selección de dichos atletas.

Biografía del autor/a

  • Román Alcides Lara Cueva, Universidad de las Fuerzas Armadas, Sangolquí

    Ph.D. en Ingeniería Electrónica y Telecomunicaciones de la Escuela Nacional Politécnica (Quito-Ecuador, 2001); Magíster en Sistemas Inalámbricos y Tecnologías Relacionadas del Politécnico di Torino (Italia, 2005); Magíster y Ph.D. en Redes de Telecomunicaciones para Países en Desarrollo de la Universidad Rey Juan Carlos (Madrid-España, 2010/2015). Se unió al Departamento de Ingeniería Eléctrica de la Universidad de las Fuerzas Armadas [ESPE] (Sangolquí, Ecuador) en 2002 y es profesor de tiempo completo de dicha institución desde 2005. Ha participado en más de diez proyectos de investigación desarrollados con fondos públicos (cinco de ellos como investigador principal). Sus áreas de interés son: procesamiento digital de señales, ciudades inteligentes, sistemas inalámbricos y teoría de aprendizaje automático.

  • Alexis Darío Estévez Salazar, Universidad de las Fuerzas Armadas, Sangolquí

    Candidato a Ingeniero en Electrónica y Telecomunicaciones en la Universidad de las Fuerzas Armadas [ESPE] (Sangolquí, Ecuador). En 2017 se unió al grupo de Sistemas Inteligentes como investigador asistente. Completó el curso de Cisco Certified Network Associate y es candidato a dicha certificación. Es cinturón negro en Tae Kwon Do y entrenador de escuelas formativas en este deporte. Sus áreas de interés son el aprendizaje de máquina y el diseño de tecnologías de bajo costo relacionadas ese deporte.

Referencias

Alderson, J. (2015). A markerless motion capture technique for sport performance analysis and injury prevention: Toward a ‘big data’, machine learning future. Journal of Science and Medicine in Sport, 19(3), e79. doi: 10.1016/j.jsams.2015.12.192

Badr, H., Abdelkarim, M., Hanane, E., & Mohammed, E. (2014). A comparative study of decision tree ID3 and C4.5. International Journal of Advanced Computer Science and Applications, 2014. doi: 10.14569/SpecialIssue.2014.040203

Blum, A. L., & Langley, P. (1997). Selection of relevant features and examples in machine learning. Artificial Intelligence, 97(1), 245 - 271. doi: https://doi.org/10.1016/S0004-3702(97)00063-5

Brotons, J. (2005). Propuesta de un modelo integral para el proceso de detección, selección y desarrollo de talentos deportivos a largo plazo. Revista Digital, 10(91). Retrieved from: http://www.efdeportes.com/efd91/selec.htm

Guyon, I., Weston, J., Barnhill, S., & Vapnik, V. (2002). Gene selection for cancer classification using support vector machines. Machine learning, 46(1-3), 389-422.

Kong, Y., Wei, Z., & Huang, S. (2018). Automatic analysis of complex athlete techniques in broadcast taekwondo video. Multimedia Tools and Applications, 77(11), 13643-13660. https://doi.org/10.1007/s11042-017-4979-0

Kotsiantis, S. B. (2013). Decision trees: A recent overview. Artificial Intelligence Review, 39(4), 261-283. https://doi.org/10.1007/s10462-011-9272-4.

Kwon, D. Y. (2013). A study on taekwondo training system using hybrid sensing technique. Retos, 16(12), 1439-1445. http://dx.doi.org/10.9717/kmms.2013.16.12.1439

Kwon, D. Y. & Gross, M. (2005). Combining body sensors and visual sensors for motion training. In: Proceedings of the 2005 ACM SIGCHI International Conference on Advances in Computer Entertainment Technology, (pp. 94–101). New York, NY: ACM. http://doi.acm.org/10.1145/1178477.1178490

Langley, P. (1994). Selection of relevant features in machine learning. In: Proceedings of the AAAI Fall Symposium on Relevance (pp. 140-144). AAAI.

Lara, R. (2015). Real-time volcanic monitoring using wireless sensor networks [doctoral dissertation). Universidad Rey Juan Carlos: Madrid, España.

Liu, C., Wang, W., Zhao, Q., Shen, X., & Konan, M. (2017). A new feature selection method based on a validity index of feature subset. Pattern Recognition Letters, 92(C), 1-8. doi: 10.1016/j.patrec.2017.03.018

Muscolo, G. G., & Recchiuto, C. T. (2016, September). T.P.T. a novel taekwondo personal trainer robot. Robot Auton. Syst., 83(C), 150-157. http://dx.doi.org/10.1016/j.robot.2016.05.009

Parikh, K. S., & Shah, T. P. (2016). Support vector machine – a large margin classifier to diagnose skin illnesses. Procedia Technology, 23, 369-375.

Scholkopf, B., & Smola, A. (2002). Learning with kernels. Cambridge, MA: MIT.

Shi, L., Duan, Q., Ma, X., & Weng, M. (2012). The research of support vector machine in agricultural data classification. In: D. Li & Y. Chen (Eds.), Computer and Computing Technologies in Agriculture (pp. 265-269). Berlin-Heidelberg, Germany: Springer.

Suto, J., Oniga, S., & Sitar, P. P. (2016, May). Comparison of wrapper and filter feature selection algorithms on human activity recognition. In: 2016 6th International Conference on Computers Communications and Control (ICCCC), (pp. 124-129). doi: 10.1109/ICCCC.2016.7496749

Trejo, O. & Miramá, V. (2018). Machine learning algorithms for inter-cell interference coordination. Sistemas & Telemática, 16(46), 37-57. doi:10.18046/syt.v16i46.3034

Urcuqui, C. & Navarro, A. (2016). Framework for malware analysis in Android. Sistemas & Telemática, 14(37), 45-56. https://doi.org/10.18046/syt.v14i37.2241

Valero, C. (2017). Aplicación de métodos de aprendizaje automático en el análisis y la predicción de resultados deportivos. Retos, 34, 377-382.

Vergara, J., Martínez, M. C., & Caicedo, O. (2017). A benchmarking of the efficiency of supervised ML algorithms in the NFV traffic classification. Sistemas & Telemática, 15(42), 47-67. doi:10.18046/syt.v15i42.2539

Zelic, I., Kononenko, I., Lavrac, N., & Vuga, V. (1997). Induction of decision trees and bayesian classification applied to diagnosis of sport injuries. Journal of Medical Systems, 21(6), 429-444. https://doi.org/10.1023/A:1022880431298

Zhang, Y. (2012). Support vector machine classification algorithm and its application. In C. Liu, L. Wang, & A. Yang (Eds.), Information Computing and Applications, (pp. 179-186). Berlin-Heidelberg, Germany: Springer.

Zhong, M., Hung, J., Yang, Y., & Huang, C. (2016). GA-SVM classifying method applied to dynamic evaluation of taekwondo. In: 2016 International Conference on Advanced Materials for Science and Engineering (ICAMSE), (pp. 534-537). doi: 10.1109/ICAMSE.2016.7840191

Descargas

Publicado

2018-10-29

Número

Vol. 16 Núm. 47 (2018): Octubre - Diciembre, 2018

Sección

Investigación científica y tecnológica

Licencia

Esta publicación está licenciada bajo los términos de la licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/deed.es)