| 研究課題/領域番号 |
22K11500
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分59020:スポーツ科学関連
|
|---|
| 研究機関 | 札幌国際大学 |
|---|
研究代表者 |
小林 秀紹 札幌国際大学, スポーツ人間学部, 教授 (40280383)
|
|---|
| 研究期間 (年度) |
2022-04-01 – 2026-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2025年度: 520千円 (直接経費: 400千円、間接経費: 120千円)
2024年度: 520千円 (直接経費: 400千円、間接経費: 120千円)
2023年度: 520千円 (直接経費: 400千円、間接経費: 120千円)
2022年度: 2,600千円 (直接経費: 2,000千円、間接経費: 600千円)
|
|---|
| キーワード | 競技パフォーマンス / 機械学習 / 時系列分析 / 動的時間伸縮法 / キネマティクス / 個人特性 |
|---|
| 研究開始時の研究の概要 |
身体活動のキネマティクスデータは、機械学習における時系列パターン解析によって「一連の動作」の識別と評価が可能となり、様々な分野で活用されている。本研究の目的は、慣性センサとマーカーレスモーションキャプチャーシステムによって簡便に取得されるようになったキネマティクスデータについて、機械学習による多次元時系列パターン解析による変量間の類似度の算出と個人の動作特性の類型化を行う。これにより、動作特性の識別と身体各部位の運動パフォーマンスに対する貢献度の算出、個人の運動技能の変化を捉え、修正すべき動作情報を提供するデータ駆動型プラットフォームを開発する。
|
| 研究実績の概要 |
本研究の目的はスポーツ競技における動作のキネマティックデータに対して，機械学習であるDTW（動的時間伸縮法）を適用し，競技パフォーマンス動作特性の識別と類型化を行い，個人の特徴を抽出するとともに個人内変動を捉え，パフォーマンスの成就確率を提供するデータ駆動型フィードバックシステムを構築することである．
2022年度には慣性センサによるキネマティックデータを取得し，解析を行った．それにより，センサのキャリブレーションの手続き等いくつかの問題が顕在化したものの，本研究で適用する解析方法は本研究の目的を十分遂行しうることが確認された．
2023年度はマーカーレスモーションキャプチャによるデータ取得を中心に検討し，データの分析を行った．カーリングのデリバリーフォームにおけるキネマティックス変量の時系列データに対して動的時間伸縮法（DTW）を適用し，選手個人における変量間の共変関係を検討し，フォーム分析に効果的なアプローチになりえるかを検討した．DTWは２つの時系列の各点の距離(誤差の絶対値)を総当たりで求め，全て求めた上で２つの時系列が最短となるパスを見つけ出す分析手法である．同手法は時系列同士の長さや周期が違っても類似度を求めることができる特徴があり，本研究では異なるストーン速度の速い遅いによるフォームの個人内変化（共変関係）を検討した．カーリング競技の動作分析におけるキネマティクスデータについて，線形時間補間（LI）と動的時間ワーピング（DTW）をそれぞれ用いて2群間の比較を行った．その結果，LIとDTWには若干の違いが認められた．LIはグループ内の時間変動による違いを強調し，DTWは同質的な事象の質的違いに結び付いている．また，一連のフォームの一局面を切り取ることなく，フォーム全体の時系列データにおける個人の動作特性を計量化できることが確認された．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
生データのクリーニング，データセット等，データ取得方法特有の手続きに時間を要するが，概ね順調である．また，データ取得の現場であるリンクの改装工事等で計画よりも若干の遅れはあるが，地方のリンクを使用するなどして最低限のデータは取得できている．
|
| 今後の研究の推進方策 |
昨年同様RおよびPythonによって分析を進めている．各種機械学習のプラットフォームを検討し，生成AI等により本研究課題を推進するうえでより適切な開発環境の構築を進める．カーリング競技におけるキネマティクスデータの他，アイスホッケー競技の動作におけるキネマティクスデータの取得を引き続き進める．
|
