Während der Test des Deep-Learning Modells an einem ausgeglichenen Datensatz in einer äußerst vielversprechenden Klassifikationsleistung resultierte (Sensitivität: 91.5 %, Präzision: 94.3 %), ergab die Evaluation an einem realitätsnahen, unausgeglichenen Datensatz (hohe Anzahl an Nicht-Kopfballereignissen vs. geringe Anzahl an Kopfballereignissen) eine Präzision von lediglich 42.2 %, was bei alleiniger Verwendung des LSTM Netzwerks zu einer deutlichen Überschätzung der tatsächlichen Kopfballanzahl führen würde. Im Vergleich verschiedener Methoden zur automatisierten Detektion von Kopfbällen aus Sensordaten zeigte das von uns entwickelte neuronale Netzwerk dennoch durchweg überlegene Klassifikationswerte, weshalb es einen wertvollen Schritt zur effektiven sowie effizienten Bestimmung der Kopfball-Exposition darstellen kann.
Kern, J., Lober, T., Hermsdörfer, J., & Endo, S. (2022). A neural network for the detection of soccer headers from wearable sensor data. Scientific Reports (12). doi.org/10.1038/s41598-022-22996-2