Resumen de Action sequence analysis in team handball
- español
El análisis de las situaciones de juego en los juegos de deportes es esencial para el desarrollo de tácticas de juego de éxito y planificación de la formación. Carling (2008) sugirió el análisis de secuencias de acción debido a que el estudio de las acciones individuales sólo da una visión restringida en el comportamiento del equipo. El objetivo del presente estudio es analizar las secuencias de acción en el equipo de balonmano para identificar comportamientos ofensivos. Para el estudio de 6 juegos de la EURO-Men-18 en Austria se registraron. Categorías especiales de anotación fueron definidos para evaluar las acciones individuales que luego se han fusionado en las secuencias de acción. Disparos y hasta 5 pases previos al lanzamiento fueron anotados con software a medida. Fuera de 3.212 acciones, cada información que contiene acerca de vídeo marca de hora y posición de tierra, el software genera 612 secuencias de acción. Para identificar los diferentes comportamientos, secuencias de acción similares se determinaron utilizando software de red neuronal artificial (Perl, 2002). Para optimizar el rendimiento de la red del conjunto de datos se amplió con el ruido de un 15% a una cantidad de 3.060 secuencias de acción. Posteriormente, la red con una dimensión de 400 neuronas fue entrenado. Cada neurona representa un patrón de secuencia de acción. Neuronas similares se agrupan a grupos que representan un comportamiento similar. La red artificial reconocido 32 grupos. , 10 neuronas individuales adicionales no se pueden clasificar a un clúster. Por lo tanto, se identificaron 42 comportamientos del equipo ofensivo diferentes mediante el cual 8 grupos representaron el 49% de las acciones de secuencias. El estudio revela el potencial de identificar patrones de juego mediante el análisis de secuencias de acción con las redes neuronales artificiales. Examen de los expertos de los patrones reconocidos mostró un prometedor acuerdo con patrones de juego reales. Próximos pasos serán la detección de las tácticas preferidas en equipos individuales, la integración de éxito objetivo y la identificación de las tácticas ofensivas exitosas.
- English
The analysis of game situations in sports games is essential for development of successful game tactics and planning of training. Carling (2008) suggested analyzing action sequences because the study of single actions only gives restricted insight into team's behavior. The aim of the present study is to analyze action sequences in team handball to identify offensive behaviors. For the study 6 games from the EURO-Men-18 in Austria were recorded. Special categories for annotation were defined to assess single actions which then have been merged into action sequences. Shots and up to 5 passes prior the shot were annotated with custom-made software. Out of 3212 actions, each containing information about video time stamp and ground position, the software generated 612 action sequences. To identify different behaviours, similar action sequences were determined using artificial neuronal network software (Perl, 2002). To optimize network performance the dataset was enlarged with noise of 15% to a quantity of 3060 action sequences. Subsequently, the network with a dimension of 400 neurons was trained. Each neuron represents an action sequence pattern. Similar neurons are grouped to clusters representing similar behaviour. The artificial network recognized 32 clusters. Additional, 10 single neurons could not be classified to a cluster. Therefore, 42 different offensive team behaviours were identified whereby 8 clusters represented 49% of the actions sequences. The study revealed the potential to identify playing patterns by analyzing action sequences with artificial neuronal networks. Expert review of the recognized patterns showed a promising accordance with actual playing patterns. Future steps will be the detection of preferred tactics in single teams, the integration of goal success and the identification of successful offensive tactics.
