| Summary: | El patinaje de velocidad es un deporte de prestigio que requiere habilidades técnicas y un estado físico óptimo. Sin embargo, es necesario contar con herramientas que complementen el entrenamiento de los deportistas en formación. En este sentido, se propone el uso de sistemas de visión artificial y Machine Learning (ML) específicamente, el sistema OpenPose, para obtener datos sobre las articulaciones y los puntos
clave del patinador. Además, se utilizan sistemas de ML para identificar y clasificar el tipo de empuje que utiliza un patinador cuando realiza técnica de recta. La investigación explora dos enfoques principales. El primero consiste en la clasificación de imágenes mediante una Convolutional Neural Network (CNN) utilizando la arquitectura Visual Geometry Group (VGG19), logrando una exactitud del 90.72 %. El segundo enfoque utiliza vectores de características a través de un análisis biomecánico con un sistema Support Vector Machine (SVM) y un algoritmo Random Forest (RF), obteniendo una exactitud del 94 % y 92 % respectivamente. Se presentan diversas métricas de evaluación, como exactitud, precisión, sensibilidad y F1-score, junto con matrices de confusión y curvas Receiver Operating Characteristic (ROC). También se analizan características de los enfoques, como el uso del aumento de datos para combatir el sobreajuste. Se incluyen tablas con los resultados de variables biomecánicas y se muestran imágenes de los ángulos característicos durante la ejecución de las técnicas de empuje. En general, los enfoques de CNN y SVM demuestran resultados prometedores en la clasificación de datos para los diferentes tipos de empuje.
|
|---|