Going Inside the Inner Game: Predicting the Emotions of Professional Tennis Players from Match Broadcasts

以下の部分は””を全て記入しないとページがうまく表示されません。記入しても問題がある場合は管理者に連絡をしてください。 Issue投稿からウェブサイトに投稿までは約1日かかります。この部分はページに表示されないので消しても消さなくてもOKです

thumbnail: "https://user-images.githubusercontent.com/22371492/58749792-43a7b980-84c5-11e9-9561-a04a18013914.jpg" year: "2019" authors: "Stephanie Kovalchik and Machar Reid" labs: "Game Insight Group, Tennis Australia" conference: "MIT Sloan Sports Analytics Conference" sport: "Tennis" url: "http://www.sloansportsconference.com/wp-content/uploads/2018/02/2005.pdf"

テニスというスポーツは、試合時間の80%が準備時間であると言われており、 "テニスはメンタルの試合だ"とよく言われる。

また、他のポピュラーなスポーツでも "メンタル"をトレーニングの対象とすることも増えている中、本論文では全豪オープンの試合映像から選手の感情を推定するフレームワークを提案する。

具体的には、試合映像から選手の表情を検出し、その各種画像特徴をいくつかの機械学習アルゴリズムで学習することで選手の感情を予測する。

テニスというスポーツが持つ "メンタル"という重要な側面を試合映像のみから定量化する。

テニス全豪オープンの試合映像から選手の感情を予測し、かつその定量的な指標と試合結果の関係性が考察された。

まずは一言で

試合映像からOpenFaceによってトリミングされた選手の表情から各種画像特徴を抽出し、機械学習のさまざまなな手法で学習を行うことで、選手の感情を推定する。

手法の具体的な説明

提案手法のフレームワークは以下のようになっており、「特徴抽出」部と「感情予測」部に分けられる。

framework

OpenFaceが算出する表情に関する17の特徴（FAU）と、その主要な特徴から予測される基本的な感情（FACS）を抽出する。

特徴抽出部で抽出された2つの特徴を入力として機械学習の様々な手法（SVM、判別分析、Neural Network、 Boosting、Bagging、正則化付き回帰モデル）で学習を行い、分類精度が最良な手法を用いて予測を行う。

従来のアプローチとはどのように異なるか

70%を訓練、残りの30%をテストデータとして学習と評価を行なったところ、全体的にはSVMの予測精度が高いという結果になった。また、全豪オープンのビッグ4のデータに対して予測された、感情の割合を下に示す。

各選手で感情の割合が異なり、例えばナダルはよく"anxiety（心配）"だったことや、フェデラーは逆に"focus（集中）"や"neutral（自然）" であったことを表情から予測されている。

result

選手の「感情」は他のスポーツでも共通している側面であるため、応用可能であるが同時にその使い方にはまだ課題を残す。

具体的には選手のメンタルは非常にセンシティブな要素であるために、解析結果のフィードバックは慎重に、そして専門家が行う必要があるように思う。

リサーチクエスチョンに関する論文

手法に関する論文