Domain Knowledge Infusion in Machine Learning for Digital Signal Processing Applications : An in-depth case study on table tennis stroke recognition

Abstract

Diese Arbeit untersucht die Infusion von Domanenwissen als eine Moglichkeit zur Optimierung von Anwendungen des maschinellen Lernens in der Signalverarbeitung. Als Anwendungsbeispiel wird die Erkennung von Tischtennisschlagen anhand von Signalen detailliert analysiert. Die Signale stammen von Sensoren, die in einer am Handgelenk getragenen Smartwatch integriert sind. Domanenwissen wird auf verschiedenen Abstraktionsebenen verwendet, um die Schlagerkennung und -klassifikation zu verbessern. Diese reichen von der Wahl und Fusion tischtennisrelevanter Sensoren, uber Low-Level-Signalkorrekturen, bis hin zu Zustandsautomaten, die basierend auf dem Wissen uber gultige Schlagsequenzen eine Selbstkorrektur von Fehlklassifikationen ermoglichen. Die Evaluation des LSTMbasierten Prototyps zeigt, dass er erfolgreich zwischen Spiel/kein Spiel, Schlag/kein Schlag, und acht Schlagarten (Vorhand/Ruckhand Konter, Topspin, Block, Unterschnitt) unterscheiden kann, sowie Metriken zukunftiger Schlage zur Analyse des Spielstils basierend auf vergangenen Schlagen vorhersagen kann. Das System wurde basierend auf 3770 Schlagen von zwei langjahrigen Tischtennisspielern entwickelt und validiert. Die Daten wurden in einer kontrollierten Umgebung unter Zuhilfenahme eines Tischtennisroboters gesammelt, der Balle prazise servieren kann.