Mineração de Dados para Análise Individual e de Equipe em Esportes Coletivos

• Processo: 17/24340-6
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Vigência: 01 de novembro de 2018 - 31 de janeiro de 2021
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Diego Furtado Silva
• Beneficiário: Diego Furtado Silva
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Pesquisadores associados: Eamonn John Keogh ; Fredy Joao Valente ; Gustavo Enrique de Almeida Prado Alves Batista ; Osmar Moreira de Souza Júnior ; Roberto Santos Inoue
• Assunto(s): Análise de séries temporais Desempenho atlético Reconhecimento de padrões Mineração de dados
• Palavra(s)-Chave do Pesquisador: dados espaço-temporais | desempenho esportivo | Esportes Coletivos | Mineração de Dados | Reconhecimento de Padrões | Séries Temporais | Mineração de Dados

Resumo

Com o aprimoramento e a miniaturização de sensores capazes de obter e transmitir diversos tipos de dados, a Internet das Coisas vem ganhando cada vez mais espaço na pesquisa científica e no mercado. Dentre uma infinidade de aplicações de tal tecnologia está a análise esportiva. Especificamente, sensores têm auxiliado a análise estatística do desempenho de atletas. Dispositivos desse tipo já são capazes de transmitir dados como velocidade, batimento cardíaco e posicionamento de jogadores em tempo real. Esses dados são cada vez mais utilizados por equipes de elite em variados esportes, como futebol, basquete e rugby. Apesar do grande e valioso volume de informações obtido, as ferramentas de software atuais para exame de dados são desenvolvidas para análise visual e individualizada. Em outras palavras, os dados obtidos são somente apresentados por meio ferramentas de visualização para a equipe técnica. Para se realizar a análise coletiva dos atletas, os dados são exibidos individualmente por jogador ou exibidos em uma projeção do campo ou quadra, sem considerar qualquer tipo de relação entre os atletas. Na prática, as possibilidades de análise acabam se limitando à observação de fatores físicos, o que pode ajudar a evitar lesões e realizar treinamentos físicos personalizados para cada jogador. Por outro lado, o apoio a decisões táticas e de desempenho coletivo das equipes é praticamente nulo. O objetivo deste projeto é pesquisar e desenvolver ferramentas que auxiliam na melhor compreensão da atuação dos atletas, levando em conta o comportamento coletivo da equipe. Para isso, serão utilizadas técnicas de mineração de dados para encontrar padrões frequentes e atípicos nos dados obtidos por sensores utilizados pelos atletas de esportes coletivos, facilitando a análise do posicionamento e da interação de jogadores durante jogos e treinos. Ainda, será possível apontar quais os aspectos mais semelhantes ou distintos entre tais padrões para análise exploratória e extrair indicadores táticos coletivos a partir deles. Com isso, será possível auxiliar equipes técnicas a melhorar o desempenho individual e coletivo de suas equipes e tomar decisões relativas à adoção ou descarte de determinadas estratégias e treinamentos específicos. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

SILVA, DIEGO F.; BATISTA, GUSTAVO E. A. P. A.; WANI, MA; KANTARDZIC, M; SAYEDMOUCHAWEH, M; GAMA, J; LUGHOFER, E. Elastic Time Series Motifs and Discords. 2018 17TH IEEE INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS (ICMLA), v. N/A, p. 6-pg., 2018-01-01. (16/04986-6, 13/26151-5, 17/24340-6)

ARAGAO DA SILVA, YURI GABRIEL; SILVA, DIEGO FURTADO; WU, XT; JERMAINE, C; XIONG, L; HU, XH; KOTEVSKA, O; LU, SY; XU, WJ; ALURU, S; et al. On Convolutional Autoencoders to Speed Up Similarity-Based Time Series Mining. 2020 IEEE INTERNATIONAL CONFERENCE ON BIG DATA (BIG DATA), v. N/A, p. 10-pg., 2020-01-01. (19/06080-2, 17/24340-6)