Cristin-resultat-ID: 1534305
Sist endret: 8. januar 2018, 08:10
NVI-rapporteringsår: 2017
Resultat
Vitenskapelig artikkel
2018

Automatic Classification of Sub-Techniques in Classical Cross-Country Skiing Using a Machine Learning Algorithm on Micro-Sensor Data

Bidragsytere:
  • Ole Marius Hoel Rindal
  • Trine Margrethe Seeberg
  • Johannes Tjønnås
  • Pål Haugnes og
  • Øyvind Sandbakk

Tidsskrift

Sensors
ISSN 1424-8220
e-ISSN 1424-8220
NVI-nivå 1

Om resultatet

Vitenskapelig artikkel
Publiseringsår: 2018
Publisert online: 2017
Trykket: 2018
Volum: 18
Hefte: 1
Artikkelnummer: 75
Open Access

Importkilder

Scopus-ID: 2-s2.0-85039909032

Beskrivelse Beskrivelse

Tittel

Automatic Classification of Sub-Techniques in Classical Cross-Country Skiing Using a Machine Learning Algorithm on Micro-Sensor Data

Sammendrag

The automatic classification of sub-techniques in classical cross-country skiing provides unique possibilities for analyzing the biomechanical aspects of outdoor skiing. This is currently possible due to the miniaturization and flexibility of wearable inertial measurement units (IMUs) that allow researchers to bring the laboratory to the field. In this study, we aimed to optimize the accuracy of the automatic classification of classical cross-country skiing sub-techniques by using two IMUs attached to the skier’s arm and chest together with a machine learning algorithm. The novelty of our approach is the reliable detection of individual cycles using a gyroscope on the skier’s arm, while a neural network machine learning algorithm robustly classifies each cycle to a sub-technique using sensor data from an accelerometer on the chest. In this study, 24 datasets from 10 different participants were separated into the categories training-, validation- and test-data. Overall, we achieved a classification accuracy of 93.9% on the test-data. Furthermore, we illustrate how an accurate classification of sub-techniques can be combined with data from standard sports equipment including position, altitude, speed and heart rate measuring systems. Combining this information has the potential to provide novel insight into physiological and biomechanical aspects valuable to coaches, athletes and researchers

Bidragsytere

Ole Marius Hoel Rindal

  • Tilknyttet:
    Forfatter
    ved Institutt for nevromedisin og bevegelsesvitenskap ved Norges teknisk-naturvitenskapelige universitet

Trine Margrethe Seeberg

  • Tilknyttet:
    Forfatter
    ved Smart Sensor Systems ved SINTEF AS

Johannes Tjønnås

  • Tilknyttet:
    Forfatter
    ved Mathematics and Cybernetics ved SINTEF AS

Pål Hatling Haugnes

Bidragsyterens navn vises på dette resultatet som Pål Haugnes
  • Tilknyttet:
    Forfatter
    ved Institutt for nevromedisin og bevegelsesvitenskap ved Norges teknisk-naturvitenskapelige universitet

Øyvind Sandbakk

  • Tilknyttet:
    Forfatter
    ved Institutt for nevromedisin og bevegelsesvitenskap ved Norges teknisk-naturvitenskapelige universitet
1 - 5 av 5