Trail recognition for optimal training of high-performance athletes

Abstract

Under vinter OL i 2022 uttrykte noen norske utøvere til Olympiatoppen at de ikke var så godt forberedt som de skulle ønske. Olympiatoppen gikk så til NTNU for å starte et samarbeid om å lage noe som kunne hjelpe dem med å forbedre utøverenes trening. Olympiatoppen foreslo å lage noe som kunne finne deler av løyper som utøvere har tilgjengelig for å trene på, kjent som Kandidater, som ligner på konkuranse løyper, kjent som Mål. Dette danner grunnlaget for problemet løst av denne oppgaven. For å løse problemet er det designet og trent to forskjellige Hidden Markov modeller, som er kombinert til en modell. Dette ligner litt på strukturen brukt i applikasjoner som «keyword spotting» og «speaker verification». En av modellene er trent på Målet, mens den andre er trent på Kandidater, som gjør at de forskjellige modellene kan kjenne igjen forskjellige løyper. Den kombinerte modellen kan finne deler av en løype som ligner på et Mål. Egenskapene brukt i denne oppgaven er basert på fysisk utforming av løypene, men en kort diskusjon om andre muligheter er også inkludert. Gaussian Mixture Modeller ble brukt for å modellere egenskapene til de forskjellige løypene, da de kan brukes til å approksimere komplekse distribusjoner, noe som kreves for å modellere løypene. Ved å bruke den kombinerte modellen til å evaluere forskjellige Kandidater er det mulig å finne deler av Kandidater som ligner på Målet, som fører til forbedret trening for utøvere for et gitt Mål. Ved å bruke systemet designet i denne oppgaven kan Olympiatoppen arbeide mot deres mål, og norske uttøvere kan forberede seg bedre. I tillegg økes antallet uttøvere Olympiatoppen kan hjelpe, ved å gjøre arbeidet til trenere enklere.

During the 2022 winter Olympics, some Norwegian athletes expressed to Olympiatoppen that they felt underprepared for the competition. In response to this, Olympiatoppen approached NTNU for collaboration in creating something that could help them enhance athlete training towards a competition. Olympiatoppen suggested creating something that could identify sections of a practice trail, or Candidate, that are similar to sections of a competition trail, or Target. This defines the problem solved by this paper. To solve this problem, two different Hidden Markov Models were created and trained, before being combined into one, similar to the structure used for e.g. keyword spotting or speaker verification. One of the models was trained on the Target, while the other was trained on Candidates, which allows the different models to recognize different kinds of trails. The combined model can detect sections of a trail that is similar to the Target. The features suggested in this paper are based upon spatial geometry of trails, but a short discussion as to how and why they could be changed is also included. To model the emissions generated by the hidden states of the model(s), Gaussian Mixture Models were used, as they can approximate complex distributions, which is required to model the observed features properly. By using the combined model to evaluate different Candidates, it is possible to detect sections of a Candidate that are similar to a Target, enabling enhanced training of athletes for a given Target. Through the implementation of the system as explained in this paper, Norwegian athletes can better prepare for competitions, and Olympiatoppen can work towards one of their stated goals. In addition, Olympiatoppen could expand the number of athletes they can help through an effectivization of the work performed by a trainer.