Detailseite
Projekt Druckansicht

Simulation von Interaktionsmustern und simulative Wirksamkeitsanalyse kreativer Handlungen im Sportspiel mittels Neuronaler Netze

Fachliche Zuordnung Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
Förderung Förderung von 2008 bis 2018
Projektkennung Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 66106926
 
Erstellungsjahr 2016

Zusammenfassung der Projektergebnisse

Die Beschreibung und Analyse komplexer Gruppeninteraktionen, wie sie in Mannschaftsportarten wie beispielsweise Fußball vorkommen, können oftmals nicht auf statische Verteilungen von Zahlen reduziert werden, wenn die Zusammenhänge umfassend betrachtet werden und die zugrundeliegende Dynamik der Interaktionsprozesse erfasst werden sollen. Deshalb kann der Erfolg spezifischer Handlungen beispielsweise nicht einfach mit Hilfe von Prozentanteilen gemessen werden, ohne die Handlungen in den Kontext der Situationen zu stellen, in denen sie stattgefunden haben. Dieser Fragestellung wurde im Rahmen des vorliegenden Projekts, anhand des konkreten Beispiels der Spielanalyse im Hochleistungsfußball, auf den Grund gegangen. Aufbauend auf den in den Vorgängerprojekten entwickelten Konzepten wurde ein rechnergestütztes Analyseverfahren entwickelt, dass Prozessmuster aus dem Spiel anhand von Positionsdaten erkennt und ihre Wirksamkeit überprüft. Hierbei lag der Fokus insbesondere auf der Identifikation von kreativen Prozessen. Als kreative Prozesse wurden jene Handlungen angesehen, die selten auftreten und gleichzeitig erfolgreich sind. Der Begriff der Handlung kann im Fußball sehr weitreichend gefasst werden, von der technischen Individualhandlung über eine gruppentaktische Aktion bis zum komplexen Prozess in Angriff oder Abwehr. Auf der Basis der speziell untersuchten gruppentaktischen Strukturen der Angriffs- und Abwehrformationen lag es nahe, die Wahl einer Angriffs-Formation im Kontext der gegnerischen Abwehr-Formation und umgekehrt als Repräsentanten von Handlung zu verwenden. Dazu wurden die Positionsdaten, bei denen es sich um die Lokalisation der Spieler während des Spiels handelt, zunächst mit Hilfe eines Neuronalen Netzes in diskrete taktische Musterkategorien überführt. Dies erlaubte dann, die Seltenheit von bestimmten taktischen Mustern zu quantifizieren indem die Co-inzidenzen von Musterpaaren (Angriff-Abwehr) verglichen wurde. Daran anschließend wurde der Handlungserfolg bestimmt. Während sich bei Mannschaftsspielen wie Handball, Basketball oder Volleyball der Erfolg eines Spielzuges als Tor, Korb oder Punkt messen lässt, ist das Tor als Erfolg eines Spielzuges im Fußball sehr selten und nur sehr schwach über den Spielzug determiniert (etwa 2,7 Tore/Spiel). Stattdessen kommen Erfolgsindikatoren wie z. B. Raumgewinn oder Zahl der überspielten Positionen in Frage, deren Verbesserung als Erfolg einer Handlung wie etwa eines Passes gewertet werden kann. Im Rahmen des Projekts wurde dazu eine großangelegte Studie durchgeführt um die Validität der entwickelten Erfolgsindikatoren zu überprüfen. Hier zeigte sich anhand einer korrelativen Untersuchung auf der Basis von Positionsdaten aus 103 Bundesligaspielen, dass beide Indikatoren (überspielte Gegner und Veränderung im Raumgewinn) signifikant mit dem Spielerfolg in Zusammenhang stehen. Ausgehend von der Verknüpfung von taktischen Mustern, deren Häufigkeiten und dem resultierenden Erfolg wurde dann eine Simulation mittels eines Zustands-Ereignis-Modell (Z-E-Modell) durchgeführt. Hierbei konnte gezeigt werden, welche Zustandsübergänge in erfolgreichen bzw. weniger Erfolgreichen Konstellationen resultieren. Insgesamt konnte in dem vorliegenden Projekt gezeigt werden, wie mittels des Einsatzes von Künstlichen Neuronalen Netzen eine Abbildung komplexer Gruppeninteraktionen anhand des Mannschaftssports Fußball durchgeführt werden kann. Die erarbeiteten Ergebnisse insbesondere im Bereich der Erfolgsindikatoren ermöglichen eine automatisierte Beurteilung der Spielhandlungen die anschließend mittels der Simulation auf Verbesserungsmöglichkeiten hin untersucht werden können.

Projektbezogene Publikationen (Auswahl)

  • (2013). Neural Networks for Analysing Sports Games. In T. McGarry, P. O’Donoghue, & J. Sampaio (Eds.), Routledge Handbook of Sports Performance Analysis (pp. 237-247). Abingdon: Routledge
    Perl, J., Tilp, M., Baca, A., & Memmert, D.
  • (2013). Tactical Creativity. In T. McGarry, P. O’Donoghue, & J. Sampaio (Eds.), Routledge Handbook of Sports Performance Analysis (pp. 297-308). Abingdon: Routledge
    Memmert, D.
  • (2013). Tactics in soccer: an advanced approach. International Journal of Computer Science in Sport, 12, 33-44
    Perl, J., Grunz, A., & Memmert, D.
  • (2014). Analysis of process dynamics in soccer by means of artificial neural networks and Voronoi-cells. In A. Baca (Ed.). Sportinformatik 2014 (11. Symposium der Sektion Sportinformatik der Deutschen Vereinigung für Sportwissenschaft vom 12.-14. Sept. 2014 in Wien)
    Perl, J., & Memmert, D.
  • (2014). Possession vs. Direct Play: Evaluating Tactical Behavior in Elite Soccer, International Journal of Sports Science. 4(6A), 35–41
    Kempe, M., Vogelbein, M., Memmert, D., &, Nopp, S.
    (Siehe online unter https://dx.doi.org/10.5923/s.sports.201401.05)
  • (2015). Detecting tactical patterns in basketball: comparison of merge self-organising maps and dynamic controlled neural networks. European Journal of Sport Science, 15(4), 249-255
    Kempe, M., Grunz, A., & Memmert, D.
    (Siehe online unter https://doi.org/10.1080/17461391.2014.933882)
  • (2016). Big data and tactical analysis in elite soccer: future challenges and opportunities for sports science. Springerplus, 5(1), 1410
    Rein, R., & Memmert, D.
    (Siehe online unter https://doi.org/10.1186/s40064-016-3108-2)
  • (2016). Current Approaches to Tactical Performance Analyses in Soccer using Position Data. Sports Medicine
    Memmert, D., Lemmink, K. A. P. M., & Sampaio, J.
    (Siehe online unter https://doi.org/10.1007/s40279-016-0562-5)
  • (2016). Evaluation of changes in space control due to passing behavior in elite soccer using Voronoi-cells. In P. Chung et al. (Eds.), Proceedings of the 10th International Symposium on Computer Science in Sports (ISCSS) (Vol. 392, pp. 179-183). Springer International Publishing
    Rein, R., Raabe, D., Perl, J., & Memmert, D.
    (Siehe online unter https://doi.org/10.1007/978-3-319-24560-7_23)
  • (2016). Key Information From Complex Interaction Processes in Football. Research Quarterly for Exercise and Sport, 87:sup1, S72
    Perl, J., & Memmert, D.
    (Siehe online unter https://dx.doi.org/10.1080/02701367.2016.1200446)
  • (2016). Soccer analyses by means of artificial neural networks, automatic pass recognition and Voronoicells: An approach of measuring tactical success. In P. Chung et al. (Eds.), Proceedings of the 10th International Symposium on Computer Science in Sports (ISCSS) (Vol. 392, pp. 77-84). Springer International Publishing
    Perl, J., & Memmert, D.
    (Siehe online unter https://doi.org/10.1007/978-3-319-24560-7_10)
  • (2016). Spatio-Temporal Convolution Kernels. Machine Learning, 102(2), 247-273
    Brefeld, U., Knauf, K., & Memmert, D.
    (Siehe online unter https://dx.doi.org/10.1007/s10994-015-5520-1)
 
 

Zusatzinformationen

Textvergrößerung und Kontrastanpassung