Sistema de processamento e visualiza¸
c˜
ao de dados
de atletas
Por
Nuno Miguel Ferreira Cerdeira Lopes
Orientador: Jo˜
ao Manuel Pereira Barroso
Co-orientador: Bruno S´
ergio Varanda Gon¸calves
Disserta¸c˜ao submetida `a
UNIVERSIDADE DE TR ´AS-OS-MONTES E ALTO DOURO para obten¸c˜ao do grau de
Sistema de processamento e visualiza¸
c˜
ao de dados
de atletas
Por
Nuno Miguel Ferreira Cerdeira Lopes
Orientador: Jo˜
ao Manuel Pereira Barroso
Co-orientador: Bruno S´
ergio Varanda Gon¸calves
Disserta¸c˜ao submetida `a
UNIVERSIDADE DE TR ´AS-OS-MONTES E ALTO DOURO para obten¸c˜ao do grau de
Orienta¸c˜ao Cient´ıfica :
Jo˜ao Manuel Pereira Barroso
Professor Associado com Agrega¸c˜ao do Departamento de Engenharias Escola de Ciˆencias e Tecnologia
da Universidade de Tr´as-os-Montes e Alto Douro
Bruno S´ergio Varanda Gon¸calves
Investigador do
Centro de Investiga¸c˜ao em Desporto, Sa´ude e Desenvolvimento Humano da Universidade de Tr´as-os-Montes e Alto Douro
”The only true wisdom is in knowing you know nothing.”
S´ocrates (469 a.C. – 399 a.C.)
UNIVERSIDADE DE TR ´AS-OS-MONTES E ALTO DOURO Mestrado em Engenharia Inform´atica
Os membros do J´uri recomendam `a Universidade de Tr´ as-os-Montes e Alto Douro a aceita¸c˜ao da disserta¸c˜ao intitulada “Sistema de processamento e visualiza¸c˜ao de dados de atletas” realizada por Nuno Miguel Ferreira Cerdeira Lopes para satisfa¸c˜ao parcial dos requisitos do grau de Mestre.
janeiro 2020
Presidente: Hugo Paredes,
Dire¸c˜ao do Mestrado em Engenharia Inform´atica da Universidade de Tr´as-os-Montes e Alto Douro
Vogais do J´uri: Doutor Vitor Santos,
Professor Auxiliar convidado da Universidade Nova de Lisboa
Jo˜ao Manuel Pereira Barroso,
Professor Associado com Agrega¸c˜ao do Departamento de Engenharias da Escola de Ciˆencias e Tecnologia
da Universidade de Tr´as-os-Montes e Alto Douro
Sistema de processamento e visualiza¸c˜
ao de dados de atletas
Nuno Miguel Ferreira Cerdeira LopesSubmetido na Universidade de Tr´as-os-Montes e Alto Douro para o preenchimento dos requisitos parciais para obten¸c˜ao do grau de
Mestre em Engenharia Inform´atica
Resumo — Os desportos de equipa s˜ao altamente competitivos. As equipas procuram t´ecnicas, m´etodos e estrat´egias para ganharem vantagem competitiva sobre os advers´arios, aumentar a performance dos seus jogadores e encontrar os melhores talentos. Desportos de equipa como o futebol, basquetebol, futebol de sal˜ao e andebol s˜ao algumas das modalidades onde a tecnologia j´a ´e usada pelos analistas como uma receita para o sucesso e onde o uso correto da tecnologia pode resultar na melhoria do rendimento desportivo, com base na an´alise dos jogos do advers´arios e da pr´opria equipa.
O avan¸co tecnol´ogico de dispositivos como cˆameras de tracking, sensores e wearables permite a recolha de dados espa¸cotemporais dos jogadores e de outros elementos durante um jogo com elevada precis˜ao e frequˆencia. A prolifera¸c˜ao destes dispositivos no desporto de alta competi¸c˜ao n˜ao tem sido acompanhada por softwares capazes de processar as enormes quantidades de dados recolhidos de forma significativa.
Nesta disserta¸c˜ao ´e apresentado o Swish, um sistema de processamento e visualiza¸c˜ao de dados de desportos de equipa, que importa ficheiros com dados espa¸cotemporais de v´arios provedores. Este sistema consegue recriar os jogos em 2D e permite o c´alculo de vari´aveis e a cria¸c˜ao de diagramas. A lista de funcionalidades inclui o c´alculo de distˆancias e velocidades, a an´alise de comportamento de grupos, mapas de calor, diagrama de Voronoi e entropias.
Na segunda fase do projeto, o Swish foi disponibilizado como um servi¸co com recurso ao modelo Software como servi¸co, para que cada organiza¸c˜ao que use a aplica¸c˜ao possa ter os seus dados separados e protegidos, com um sistema personalizado, que adapte `as suas necessidades.
Palavras Chave: Visualiza¸c˜ao no desporto, An´alise desportiva, An´alise de performance, Software como servi¸co.
System for the processing and visualization of athletes data
Nuno Miguel Ferreira Cerdeira LopesSubmitted to the University of Tr´as-os-Montes and Alto Douro in partial fulfillment of the requirements for the degree of
Master of Science-Philosophiae Doctor in Electrical Engineering and Computers
Abstract — Team sports are highly competitive. Teams look for techniques, methods and strategies to gain competitive advantage over opponents, increase their players performance and find the best talents. Team sports such as soccer, basketball, indoor soccer and handball are some sports where technology is already used by analysts as a recipe for success and where the correct use of technology can result in improved results, based on the analysis of the matches of the opponents and their own team.
The technological advancement of devices such as tracking cameras, sensors and wearables allows the collection of spatiotemporal data of players and other elements during a game with high accuracy and frequency. The proliferation of these devices in high competition sport has not been accompanied by software that can process the vast amounts of data collected in a significant way.
The focus of this dissertation is Swish, a system for the processing and visualization of spatiotemporal data in team sports, that imports data files from several providers and can recreate the games in 2D, allowing the calculation of variables and the creation of diagrams. The list of features includes the calculation of variables such as distances, speeds and entropy, group behavior analysis, heat maps and Voronoi diagrams.
In the second phase of the project, Swish was made available as a service using the Software as a Service model, so that each organization using the application can have its data separated and protected, with a customized system that suits their needs.
Key Words: Sports Visualization, Sports Analysis, Perfomance Analysis, Software as a service.
Agradecimentos
´
E com esta disserta¸c˜ao que termina um percurso acad´emico de cinco anos na Universidade de Tr´as-os-Montes e Alto Douro do qual me orgulho muito, em que fiz muitos amigos e onde cresci imenso, tanto a n´ıvel profissional como a n´ıvel pessoal. Queria come¸car por agradecer `a minha fam´ılia, em especial ao meus pais, que me deram a liberdade e as ferramentas para que pudesse para trilhar o meu caminho. Queria agradecer tamb´em aos meus orientadores, o Professor Doutor Jo˜ao Barroso, o Professor Doutor Bruno Gon¸calves, o Professor Doutor Jaime Sampaio, o Professor Doutor Andr´e Sousa e o Professor Doutor Hugo Paredes pela oportunidade que me deram de ingressar neste projeto ap´os o t´ermino da minha licenciatura e por terem dado conselhos e a ajuda necess´aria em todas as etapas da constru¸c˜ao do Swish.
Um agradecimento especial aos amigos que me acompanharam nestes anos, incluindo os que fiz na universidade e em Vila Real e que ter˜ao sempre um lugar muito especial na minha vida.
Por fim, gostaria de agradecer aos membros do HCI Lab, que acompanharam todas as etapas deste projeto e que deram contribui¸c˜oes preciosas, tanto na fase de desenvolvimento como na fase de escrita deste documento.
UTAD, Nuno Miguel Ferreira Cerdeira Lopes Vila Real, 5 de abril de 2019 v
´Indice geral
Resumo xi
Abstract xiii
Agradecimentos xv
´Indice de tabelas xxi
´Indice de figuras xxiii
Lista de acr´onimos xxvii
1 Introdu¸c˜ao 1
1.1 Contribui¸c˜oes e objetivos . . . 2
1.2 Metodologia . . . 3
1.2.1 Design Science Research Methodology . . . 3
1.3 Organiza¸c˜ao da disserta¸c˜ao . . . 5
2 Estado da arte 7 2.1 Objetivos do estudo. . . 7
2.2 Sistemas de an´alise desportiva . . . 8
2.2.1 Visual Analysis of Time-Motion in Basketball Games . . . 8
2.2.2 SnapShot: Visualization to Propel Ice Hockey Analytics . . . 9
2.2.3 Football analysis using spatio-temporal tools . . . 10
2.2.4 SoccerStories: A Kick-off for Visual Soccer Analysis . . . 11 xvii
2.2.5 Buckets: Basketball Shot Visualization . . . 12
2.2.6 BKViz: A Basketball Visual Analysis Tool . . . 13
2.2.7 Director’s Cut: Analysis and Annotation of Soccer Matches . 15 2.2.8 Visual soccer match analysis using spatiotemporal positions of players . . . 16
2.2.9 Data-Driven Visual Performance Analysis in Soccer: An Exploratory Prototype . . . 17
2.2.10 Interactive exploratory soccer data analytics . . . 18
2.3 Discuss˜ao . . . 19
2.4 Considera¸c˜oes finais . . . 22
3 Modelo conceptual 23 3.1 Levantamento dos requisitos . . . 23
3.2 Casos de uso. . . 26
3.3 Dados espa¸cotemporais usados . . . 27
3.3.1 Sistema da NBN23 . . . 27
3.3.2 SportVU para o basquetebol . . . 29
3.3.3 TRACAB . . . 30
3.3.4 Discuss˜ao . . . 31
3.4 Modelo conceptual de classes. . . 33
3.5 Proposta de arquitetura . . . 34
3.6 Considera¸c˜oes finais . . . 35
4 Implementa¸c˜ao 37 4.1 Arquitetura do sistema e tecnologias usadas . . . 38
4.2 Integra¸c˜ao, distribui¸c˜ao e testes cont´ınuos com DevOps . . . 40
4.3 Interfaces do Swish . . . 42
4.3.1 Importa¸c˜ao de ficheiros com dados espa¸cotemporais . . . 43
4.3.2 P´agina de jogo . . . 45
4.3.3 C´alculos de velocidades e distˆancias . . . 48
4.3.4 An´alises coletivas . . . 51
4.3.5 Diagramas e outras visualiza¸c˜oes . . . 54
4.3.6 C´alculo de entropias com a Approximate (ApEn) e Sample Entropy (SampEn) . . . 57
4.3.7 C´alculo de r´acios . . . 59
4.3.8 Distˆancias interpessoais . . . 60
4.3.9 Configura¸c˜oes . . . 61
4.4 Considera¸c˜oes finais . . . 62 xviii
5 Swish como um servi¸co 65
5.1 Arquiteturas SaaS. . . 65
5.1.1 Multi-tenant. . . 66
5.1.2 Multi-instance . . . 67
5.1.3 Considera¸c˜oes finais . . . 68
5.2 Arquitetura e tecnologias usadas. . . 69
5.3 Docker . . . 71
5.3.1 Imagens e reposit´orios Docker . . . 72
5.3.2 Orquestra¸c˜ao de containers com o Docker Compose . . . 73
5.3.3 Traefik . . . 75
5.4 Sistema de autentica¸c˜ao centralizada . . . 76
5.4.1 Autoriza¸c˜ao role-based e claims-based . . . 79
5.5 Aplica¸c˜ao de gest˜ao de instˆancias e utilizadores . . . 80
5.5.1 Cria¸c˜ao de instˆancias . . . 80
5.5.2 Gest˜ao de instˆancias . . . 81
5.5.3 Gest˜ao de utilizadores . . . 82
5.6 Considera¸c˜oes finais . . . 83
6 Testes 85 6.1 Testes de funcionalidades b´asicas . . . 86
6.2 Testes de qualidade de c´odigo . . . 87
6.3 Testes de integra¸c˜ao . . . 88
6.4 Considera¸c˜oes finais . . . 88
7 Conclus˜ao 89 7.1 Trabalho futuro . . . 90
Referˆencias bibliogr´aficas 93
´Indice de tabelas
2.1 Resumo das plataformas apresentadas. . . 21
3.1 Tabela de resumo dos ficheiros disponibilizado para testar a plataforma. 32
6.1 Dispositivos e navegadores em que o Swish foi testado. . . 86
´Indice de figuras
1.1 Modelo de processos da metodologia DSRM (Peffers et al., 2007) . . 5
3.1 Diagrama de casos de uso do sistema. . . 26
3.2 Diagrama de classes dos jogos. . . 32
3.3 Diagrama de classes do Swish. . . 33
3.4 Proposta de arquitetura para o Swish com recurso ao diagrama de
implementa¸c˜ao UML. . . 34
4.1 Arquitetura do Swish. . . 38
4.2 P´agina Web da importa¸c˜ao de ficheiros com dados espa¸cotemporais
para o Swish. . . 43
4.3 P´agina Web relativa a um jogo anteriormente importado. . . 45
4.4 Intera¸c˜ao necess´aria para o c´alculo da distˆancia percorrida por elemento
presente no campo de jogo (esquerda) e gr´afico de distˆancias percorridas
(direita), com a compara¸c˜ao da distˆancia percorrida por 3 jogadores
distintos. . . 48
4.5 Intera¸c˜ao para o c´alculo da velocidade com os elementos do campo
de jogo (esquerda) e gr´afico que dela resulta (direita). . . 49
4.6 Gr´aficos resultantes do tempo despendido em cada intervalo de velocidade,
em cima, com o gr´afico de escada (esquerda), que mostra a evolu¸c˜ao
dos intervalos de velocidade e um gr´afico de barras horizontal (direita), que permite comparar o tempo gasto em cada um dos intervalos. Em
baixo encontram-se os gr´aficos que mostram a distˆancia percorrida em
cada intervalo de velocidade, com com o gr´afico de escada (esquerda),
que mostra a evolu¸c˜ao dos intervalos de velocidade e um gr´afico de
barras horizontal (direita), que permite comparar a distˆancia percorrida
em cada um dos intervalos. . . 50
4.7 Sistema de grupo e exemplo da adi¸c˜ao de um elemento a um dos grupos. 52
4.8 Intera¸c˜ao necess´aria para o c´alculo Stretch Index de um grupo (esquerda)
e o gr´afico que mostra a evolu¸c˜ao do Stretch Index dos dois grupos
(direita). . . 53
4.9 Intera¸c˜ao necess´aria para o c´alculo da ´area ocupada de um grupo
(esquerda) e o gr´afico que mostra a evolu¸c˜ao da ´area dos dois grupos (direita). . . 54
4.10 Intera¸c˜ao para ativar o diagrama de Voronoi (esquerda) e o gr´afico
que mostra a evolu¸c˜ao do valor das ´areas Voronoi de cada equipa
(direita). . . 54
4.11 Intera¸c˜ao para ativar o sistema de caudas no Swish e respetivo resultado. 55
4.12 Exemplo de um mapa de calor gerado pelo Swish. . . 56
4.13 Intera¸c˜ao para calcular o ApEn ou o SampEn de um elemento em
campo (esquerda) e a zona da p´agina que mostra os valores obtidos
para as coordenadas X e Y, no intervalo de tempo definido (direita). . 57
4.14 Sistema de c´alculo de r´acios. . . 59
4.15 Menu para a cria¸c˜ao de liga¸c˜oes e o resultado na recria¸c˜ao 2D (esquerda) e lista que permite o c´alculo da distˆancia interpessoal para o intervalo
de tempo definido e o gr´afico gerado (direita). . . 60
4.16 Sistema de configura¸c˜oes do Swish. . . 61
5.1 Compara¸c˜ao entre os modelos multi-tenant multiple database (esquerda),
multi-tenant shared databases (centro) e multi-instance (direita). . . 68
5.2 Arquitetura multi-instance do Swish como um servi¸co. . . 70
5.3 Diferen¸cas de implementa¸c˜ao do Swish usando o Docker e m´aquinas
virtuais. . . 72
5.4 Interface com a lista de instˆancias associadas ao utilizador auten. . . 79
5.5 Interface Web apresentada aos administradores para a cria¸c˜ao de uma
nova instˆancia. . . 80
5.6 Interface Web apresentada aos administradores para a gest˜ao de uma
instˆancia. . . 82
5.7 Interface Web apresentada aos administradores para a gest˜ao de um
de utilizador. . . 82
Lista de acr´
onimos
Sigla Expans˜ao
API Application Programming Interface
BLE Bluetooth Low Eenergy
CIDESD Centro de Investiga¸c˜ao em Desporto, Sa´ude e Desenvolvimento Humano
CSS Cascading Style Sheets
CSV Comma-separated values
JSON JavaScript Object Notation
NHL National Hockey League
PNG Portable Network Graphics SaaS Software as a Service SVG Scalable Vector Graphics
SVM Support Vector Machine
REST Representational State Transfer UML Unified Modeling Language URL Uniform Resource Locator
UTM Universal Transversa de Mercator
1
Introdu¸c˜
ao
Os desportos s˜ao intrinsecamente competitivos. As equipas procuram t´ecnicas, m´etodos e estrat´egias para ganharem vantagem competitiva sobre os advers´arios, aumentar a performance dos seus jogadores e encontrar os melhores talentos. Desportos de equipa como o futebol (Benito Santos et al.,2018;Delibas et al.,2018), basquetebol (Ther´on and Casares, 2010; Losada et al., 2016), h´oquei no gelo (Pileggi et al.,
2012), basebol (Dietrich et al.,2014;Lage et al.,2016), futebol de sal˜ao (Travassos et al., 2012; Fonseca et al., 2012) e andebol (Lopes et al., 2009) s˜ao algumas das modalidades onde se usa a tecnologia como um meio para o sucesso. O uso eficaz da tecnologia pode resultar na melhoria dos resultados desportivos (Lewis, 2004;
Moskowitz and Wertheim, 2012), com base na an´alise dos jogos do advers´arios e da pr´opria equipa, e, por consequˆencia, gerar um impacto financeiro positivo nestas organiza¸c˜oes (Owens and Jankun-Kelly,2013).
O avan¸co tecnol´ogico de dispositivos como cˆameras de tracking, sensores e wearables permite a recolha de dados espa¸cotemporais dos jogadores e de outros elementos durante um jogo com elevada precis˜ao e frequˆencia (Figueira et al.,
2018). A prolifera¸c˜ao destes dispositivos no desporto de alta competi¸c˜ao n˜ao tem sido acompanhada por softwares capazes de processar as enormes quantidades de dados recolhidos de forma significativa.
2 CAP´ITULO 1. INTRODUC¸ ˜AO
Dispositivos especializados na recolha de dados espa¸cotemporais dos atletas como a STATSports fornecem, normalmente, uma aplica¸c˜ao que recebe os dados e apresenta visualiza¸c˜oes simples, como o c´alculo da velocidade m´edia dos jogadores durante um jogo ou a distˆancia percorrida pela equipa ou pelo jogador, individualmente. Para o c´alculo de vari´aveis mais complexas como entropias ou an´alises do comportamento de grupos, os analistas exportam os dados espa¸cotemporais e manipulam esta informa¸c˜ao recorrendo a fun¸c˜oes em MATLAB ou Python, que retornam gr´aficos est´aticos ou valores em texto. As fun¸c˜oes s˜ao ajustadas e repetidas, at´e que os analistas consigam retirar alguma ila¸c˜ao que se revele ´util para a melhorar da performance da equipa ou para o estudo do advers´ario. Estas intera¸c˜oes s˜ao cansativas e pouco otimizadas, levando a um elevado do esfor¸co cognitivo.
1.1
Contribui¸
c˜
oes e objetivos
Antes do come¸co da constru¸c˜ao da solu¸c˜ao ser´a feito um levantamento biogr´afico relativo ao estado de arte de sistemas de an´alise de jogos em desportos de equipa, para que se possa perceber as solu¸c˜oes que j´a existem e o que pode ser melhorado.
Esta disserta¸c˜ao tem como objetivo a constru¸c˜ao do Swish, uma plataforma para a an´alise e a recria¸c˜ao 2D de jogos de desportos de equipa, que aceite os dados espa¸cotemporais produzidos pelos sistemas de localiza¸c˜ao mais populares. O sistema ter´a de realizar um conjunto espec´ıfico de an´alises que incluem o c´alculo de distˆancias, velocidades e entropias, a an´alise do comportamento de grupos, a cria¸c˜ao de mapas de calor e o c´alculo, em tempo real, do diagrama de Voronoi.
Numa segunda fase do projeto, pretende-se a transforma¸c˜ao do Swish num produto, atrav´es da utiliza¸c˜ao do modelo Software as a Service (SaaS). Ser´a feito um estudo sobre as arquiteturas existentes para a implementa¸c˜ao do modelo SaaS e ser´a escolhida a que mais se adequa. Por fim, ser´a constru´ıdo uma sistema de autentica¸c˜ao centralizada, partilhado por todas as organiza¸c˜oes que possam vir a utilizar o Swish e ainda a cria¸c˜ao de uma aplica¸c˜ao para a gest˜ao de clientes e utilizadores.
1.2. METODOLOGIA 3
Ap´os a constru¸c˜ao das aplica¸c˜oes ser˜ao realizados testes funcionais, de integra¸c˜ao e de revis˜ao de c´odigo para validar o trabalho realizado e melhorar os pontos identificados como piores ou insuficientes.
1.2
Metodologia
Uma metodologia ´e um sistema de princ´ıpios, pr´aticas e procedimentos aplicados a um ramo espec´ıfico de conhecimento (Von Alan et al., 2004). A metodologia ´e essencial para que a produ¸c˜ao cient´ıfica na ´area dos Sistemas de Informa¸c˜ao seja aceite como rigorosa, ´util e public´avel.
A Design Science Research Methodology (DSRM) aborda a pesquisa atrav´es da constru¸c˜ao e avalia¸c˜ao de artefactos projetados para atender necessidades de neg´ocios anteriormente identificadas (Von Alan et al., 2004).
1.2.1
Design Science Research Methodology
V´arios investigadores sucederam na integra¸c˜ao do design como um componente central na investiga¸c˜ao para resolver problemas nas organiza¸c˜oes (Von Alan et al.,
2004; Peffers et al., 2007). Para resolver os problemas, a DSRM prop˜oe a cria¸c˜ao e avalia¸c˜ao de artefactos que podem incluir constru¸c˜oes (vocabul´ario e s´ımbolos), modelos (abstra¸c˜oes e representa¸c˜oes), m´etodos (algoritmos e procedimentos), e instancia¸c˜oes (implementa¸c˜oes e prot´otipos de sistemas) (March and Smith, 1995;
Von Alan et al., 2004).
Segundo Peffers et al.(2007), a DSRM ´e desenvolvida com base em seis etapas fundamentais, de acordo com o especificado na Figura 1.1 e na lista que se segue.
1. Identifica¸c˜ao do problema e motiva¸c˜ao: ´
E a primeira atividade do m´etodo. Nela o investigador deve justificar a importˆancia da pesquisa que est´a a realizar, considerando a sua relevˆancia, a
4 CAP´ITULO 1. INTRODUC¸ ˜AO
importˆancia do problema e a aplicabilidade da solu¸c˜ao proposta. A defini¸c˜ao do problema ser´a depois utilizada para o desenvolvimento de artefactos que poder˜ao fornecer a solu¸c˜ao.
2. Definir os objetivos da solu¸c˜ao:
S˜ao delineados os objetivos da solu¸c˜ao que ser´a desenvolvida com base no conhecimento que temos acerca do problema, incluindo a defini¸c˜ao do problema, o trabalho relacionado e o conhecimento tendo em conta o que ´e poss´ıvel e vi´avel fazer. O conhecimento do estado do problema ´e necess´ario para melhorar a sua efic´acia.
Os objetivos podem ser quantitativos, como o que a solu¸c˜ao desejada teria melhor que as atuais ou qualitativos, como uma descri¸c˜ao de como o novo artefacto poder´a suportar solu¸c˜oes para problemas ainda n˜ao abordados. 3. Design e desenvolvimento:
Nesta etapa est´a inclu´ıda a defini¸c˜ao de funcionalidades do artefacto, da arquitetura e cria¸c˜ao do mesmo. O artefacto ´e um qualquer objeto concebido em que ocorreu algum tipo de contribui¸c˜ao da investiga¸c˜ao no seu desenvolvimento. 4. Demonstra¸c˜ao:
Momento em que ocorre a demonstra¸c˜ao do artefacto para a resolu¸c˜ao de um ou mais problemas por meio de casos de estudos, simula¸c˜oes, experiˆencias ou outras atividades apropriadas.
5. Avalia¸c˜ao:
Avalia¸c˜ao do artefacto, com base na observa¸c˜ao da capacidade de este conseguir suportar a solu¸c˜ao do problema. Envolve a compara¸c˜ao dos objetivos da solu¸c˜ao com os resultados obtidos pelo uso do artefacto na demonstra¸c˜ao. Existe uma necessidade de se conhecerem as m´etricas e t´ecnicas de an´alise relevantes, dependendo da natureza do problema e do artefacto.
Estas m´etricas e t´ecnicas podem incluir a compara¸c˜ao das funcionalidades do artefacto com os objetivos definidos no passo 2, medidas de desempenho
1.3. ORGANIZAC¸ ˜AO DA DISSERTAC¸ ˜AO 5
quantitativas como or¸camentos ou itens produzidos, resultados de question´arios de satisfa¸c˜ao, opini˜ao de clientes, simula¸c˜oes ou medidas quantific´aveis de desempenho do sistema como a disponibilidade ou o tempo de resposta. 6. Comunica¸c˜ao:
Ocorre a comunica¸c˜ao do problema e da sua importˆancia, do artefacto, incluindo a sua utilidade, rigor do design e efetividade para outros investigadores e audiˆencias relevantes.
Este modelo permite que o processo cient´ıfico seja iniciado em qualquer uma das etapas, pela ordem desejada, excetuando a pen´ultima e ´ultima etapas, dependendo do tipo de orienta¸c˜ao que se pretende dar ao projeto.
Figura 1.1 – Modelo de processos da metodologia DSRM (Peffers et al.,2007)
1.3
Organiza¸
c˜
ao da disserta¸
c˜
ao
A disserta¸c˜ao encontra-se organizada em 7 cap´ıtulos, come¸cando com a introdu¸c˜ao ao uso de tecnologia no desporto e concluindo com as considera¸c˜oes finais acerca da plataforma construida.
6 CAP´ITULO 1. INTRODUC¸ ˜AO
A divis˜ao ´e feita da seguinte forma:
• Cap´ıtulo 2 - Estado da arte:
S˜ao apresentadas algumas das solu¸c˜oes atuais para a an´alise de jogos de desportos de equipa, incluindo as tecnologias usadas e o tipo de visualiza¸c˜oes apresentadas.
• Cap´ıtulo 3 - Modelo Conceptual:
S˜ao identificadas as necessidades do Swish e ´e definida a arquitetura geral para o sistema.
• Cap´ıtulo 4 - Implementa¸c˜ao: ´
E apresentada a implementa¸c˜ao do sistema de an´alise de jogos de equipas, as tecnologias usadas na constru¸c˜ao do sistema e s˜ao explicadas as decis˜oes tomadas durante o processo de desenvolvimento da plataforma.
• Cap´ıtulo 5 - Swish como um servi¸co:
Neste cap´ıtulo ´e demonstrado o processo de transforma¸c˜ao da aplica¸c˜ao Swish num produto, atrav´es do uso do modelo de distribui¸c˜ao SaaS.
• Cap´ıtulo 6 - Testes:
Neste cap´ıtulo s˜ao referidos os testes realizados na plataforma para se averiguar a qualidade do sistema.
• Cap´ıtulo 7 - Conclus˜ao:
Na conclus˜ao s˜ao referidas algumas considera¸c˜oes finais sobre o trabalho desenvolvido e definido algum do trabalho futuro a desenvolver.
2
Estado da arte
2.1
Objetivos do estudo
Os objetivos do estado da arte apresentados consistem em encontrar sistemas que fa¸cam a an´alise de dados desportivos e por conseguinte produzam a visualiza¸c˜ao adequada dos mesmos, com utilidade para o trabalho realizado pelos analistas desportivos, sejam elas no aumento das facilidades proporcionadas no ato da an´alise ou por fornecer novos m´etodos e vari´aveis para o estudo dos jogos. Esta disserta¸c˜ao pretende apresentar uma solu¸c˜ao para a an´alise dos dados posicionais de jogos desportivos em equipa e, como tal, ´e necess´aria a identifica¸c˜ao dos sistemas j´a existentes, das funcionalidades que apresentam e como foram construidos.
Desta forma, foram definidas algumas quest˜ao `as quais pretendemos responder, se poss´ıvel, para cada um dos sistemas apresentados:
1. Qual a modalidade ou modalidades suportadas? 2. Quais as vari´aveis calculadas pelo sistema?
3. Como s˜ao recolhidos os dados e s˜ao dados espa¸cotemporais ou de jogada-a-jogada?
8 CAP´ITULO 2. ESTADO DA ARTE
4. Quais as tecnologias utilizadas para a constru¸c˜ao do sistema? 5. Quais s˜ao os tipos de visualiza¸c˜oes apresentadas pelo sistema?
6. Que testes foram realizados, com quem foram realizados e quais foram os resultados?
2.2
Sistemas de an´
alise desportiva
2.2.1
Visual Analysis of Time-Motion in Basketball Games
Ther´on and Casares (2010) apresentam uma ferramenta que facilita o estudo e an´alise dos movimentos dos jogadores durante jogos de basquetebol. Os dados s˜ao recolhidos por dispositivos individuais de d-GPS que permitem a recolha do posicionamento do jogador durante todo o jogo ou treino.
Quando a aplica¸c˜ao ´e iniciada, podem ser inseridos ficheiros do tipo .gpx, que s˜ao convertidos para o sistema Universal Transversa de Mercator (UTM) e escalados para serem corretamente visualizados no ecr˜a do dispositivo.
As distˆancias interpessoais s˜ao um tema de particular interesse para os treinadores e analistas e, como tal, a ferramenta permite calcular a distˆancia entre um pares (entre jogadores ou o jogador e um ponto espec´ıfico do campo, fixo). Os valores s˜ao mostrados, em metros, ao lado de uma linha reta que liga os dois pontos escolhidos. O espa¸co que est´a a ser ocupados pelos jogadores ´e um dos aspetos mais importantes no que concerne `a performance da equipa. O sistema consegue calcular a ´area coberta por 3 a 5 jogadores que o utilizador seleciona. Da mesma forma, o estudo de zonas ´e outro dos aspetos com importˆancia para a an´alise estat´ıstica de um jogador. O sistema divide o campo em zonas e apresenta o n´umero de minutos que o jogador esteve em cada zona.
O sistema apresenta visualmente a carga externa que compreende a dimens˜ao f´ısica ao longo do per´ıodo temporal definido, com diferentes cores que representam
2.2. SISTEMAS DE AN ´ALISE DESPORTIVA 9
intervalos de velocidade distintos.
Apesar de o sistema estar orientado para a an´alise visual dinˆamica, ele tamb´em consegue gerar relat´orios em formato PDF com as estat´ısticas relativas a um jogador ou uma an´alise comparativa das estat´ısticas de dois jogadores, com dados relativos `
as zonas ocupadas, distˆancias percorridas, velocidades e gr´aficos que mostram o progresso destas vari´aveis com o decorrer do jogo.
2.2.2
SnapShot: Visualization to Propel Ice Hockey Analytics
O SnapShot (Pileggi et al.,2012) ´e um sistema de an´alise dos jogos de h´oquei no gelo da National Hockey League, a liga que junta equipas do Estados Unidos da Am´erica e do Canad´a. Esta ferramenta permite a explora¸c˜ao, discuss˜ao e apresenta¸c˜ao de hip´oteses e descobertas com base nos dados de remates desta liga.
O analista consultado identificou as cinco vari´aveis mais importantes para a an´alise dos remates e a constru¸c˜ao do sistema centrou-se em volta das mesmas e de que forma elas podiam ser apresentadas de forma a diminuir o esfor¸co cognitivo proveniente das tarefas de an´alise habituais. As vari´aveis usadas foram: distˆancia do remate, se o remate foi ou n˜ao bem-sucedido, se o jogador que rematou estava na equipa que jogava em casa ou fora e, por fim, a localiza¸c˜ao do remate.
O sistema ´e alimentado pelos dados oficias da National Hockey League (NHL) que, ao contr´ario do que acontece em ligas de outros desportos, ainda n˜ao usam a vis˜ao por computador para captar os dados espa¸cotemporais e eventos durante o jogo. Uma equipa de 3 a 5 pessoas est´a encarregue de registar os eventos relativos ao jogo, incluindo os remates e o local do campo em que foram feitos. Este m´etodo de captura gera maiores imprecis˜oes e n˜ao permite a an´alise de dados como a velocidade que o disco atingiu ou por que zona da baliza entrou.
S˜ao disponibilizadas 3 t´ecnicas de visualiza¸c˜ao (Mapa de remates, mapa de calor tradicional e mapa de calor radial) que real¸cam as vari´aveis identificadas anteriormente. O mapa de calor tradicional foi criado para destacar as localiza¸c˜oes
10 CAP´ITULO 2. ESTADO DA ARTE
onde os remates ocorrem mais frequentemente. O mapa de calor radial gera an´eis em volta da baliza e pinta-os dependendo do n´umero de remates feitos dentro desse anel, com as cores mais intensas a representarem um maior n´umero de remates no anel.
O sistema foi construido pensando na partilha de informa¸c˜oes entre analistas, pelo que cada visualiza¸c˜ao tem um URL ´unico, que pode ser facilmente enviado para os colegas. Os dados podem tamb´em ser exportados como uma imagem Portable Network Graphics (PNG) ou para um ficheiro Comma-separated values (CSV).
O SnapShot foi criado com recurso ao Javascript e faz uso da biblioteca jQuery. As visualiza¸c˜oes interativas fazem uso de Scalable Vector Graphics (SVG) e da biblioteca D3.js. O prot´otipo funcional foi apresentado a 3 analistas, que ficaram agradados com a utilidade do sistema e destacaram os mapas de calor radiais como a funcionalidade com maior utilidade.
2.2.3
Football analysis using spatio-temporal tools
Gudmundsson and Wolle(2013) criaram uma aplica¸c˜ao para o Windows que re´une um conjunto de ferramentas que permitem a an´alise da performance de jogadores e equipas de futebol. As informa¸c˜oes relativas a um jogo de futebol podem ser divididas em duas partes, que s˜ao aceites pela aplica¸c˜ao. A primeira parte consiste nas informa¸c˜oes providenciadas antes do come¸co do jogo como a hora a que o jogo come¸ca, as equipas e os jogadores que participam. Na segunda parte est˜ao guardados os movimentos dos jogadores e eventos como faltas e cantos, que ocorrem durante o jogo.
A primeira funcionalidade, dada a posi¸c˜ao de um jogador num certo tempo, calcula todos as possibilidades de passe para os colegas de equipa. Visualmente, as possibilidades de passe s˜ao representadas por cones, que s˜ao mais largos quanto mais f´acil for o passe.
2.2. SISTEMAS DE AN ´ALISE DESPORTIVA 11
frequentes entre jogadores espec´ıficos. Desta forma, os analistas podem estudar jogos anteriores da equipa advers´aria, encontrar sequˆencias e agir em conformidade. O Clustering Movement ´e um algoritmo que tem como objetivo a an´alise dos movimentos do jogador ou jogadores e que mostra as trajet´orias que s˜ao mais frequentes. O Correlating Clusters ´e uma ferramenta semelhante `a anterior, mas que expande o algoritmo e deteta correla¸c˜oes entre os clusters de jogadores. Isto pode ser usado para, por exemplo, estudarmos o comportamento do bloco defensivo de uma equipa e a forma como se comportam coletivamente.
A ferramenta foi discutida com especialistas da ´area e recebeu bastante interesse, por considerarem que a dete¸c˜ao de correla¸c˜oes entre jogadores tem bastante utilidade.
2.2.4
SoccerStories: A Kick-off for Visual Soccer Analysis
O SoccerStories (Perin et al.,2013) permite a explora¸c˜ao dos dados jogada-a-jogada recolhidos por v´arias empresas em jogos de desporto de alta competi¸c˜ao. Para cada evento dos dados jogada-a-jogada (passes, remates, corridas, entre outros) foi definida uma faceta visual, para que o jogo pode ser recriado e entendido num campo 2D.
Das visualiza¸c˜oes criadas para facilitar a tarefa de an´alise, destaca-se o gr´afico de distribui¸c˜ao de remates, que mostra retas que incluem a posi¸c˜ao de origem e o destino. As cores das retas dependem do desfecho do remate (golo, poste, defendido ou fora). Quando existem demasiados remates, o analista pode mudar a visualiza¸c˜ao para um mapa de calor, que mostra as zonas com maior densidade de origens e destinos.
Esta aplica¸c˜ao Web foi implementada com recurso ao D3.js e ao jQuery. Os dados relativos aos jogos s˜ao recebidos pelo cliente dinamicamente em formato JSON. As estat´ısticas e os dados jogada-a-jogada foram previamente processados, para que as respostas ao pedidos dos utilizadores sejam mais r´apidas e eficientes. Os dados jogada-a-jogada foram providenciados pela Opta Sports e consistem em
12 CAP´ITULO 2. ESTADO DA ARTE
ficheiros no formato XML, que possuem os eventos, o tempo em que ocorreram e os intervenientes.
Os quatro analistas que usaram a plataforma acharam a interface intuitiva e as funcionalidades providenciadas ´uteis para uma an´alise mais r´apida e eficaz dos jogos.
2.2.5
Buckets: Basketball Shot Visualization
O Buckets (Beshai, 2014) ´e uma aplica¸c˜ao Web direcionada para adeptos da NBA e analistas casuais que permite a an´alise dos dados de lan¸camento da liga atrav´es de visualiza¸c˜oes interativas. S˜ao suportadas an´alises que incluem a distribui¸c˜ao de lan¸camentos, compara¸c˜oes de distribui¸c˜ao, performance de lan¸camento entre jogadores e equipas e a distribui¸c˜ao de lan¸camentos em toda a liga.
Os dados que alimentam a aplica¸c˜ao foram recolhidos do STATS NBA 1 e
armazenados localmente, dando origem a uma base de dados relacional com 4 tabelas: lan¸camentos, jogadores, equipas e jogos. A precis˜ao das coordenadas ´e de aproximadamente 1 polegada (2.54 cent´ımetros), o que reduz significativamente o n´umero de lan¸camentos sobrepostos e destr´oi a possibilidade de apresentar algumas das visualiza¸c˜oes desejadas. Com isto em mente, o campo foi divido num sistema de grelas, com quadrados de 1 polegada por 1 polegada e todos os remates foram agrupados conforme o quadrado em que se encontram. Para cada c´elula foram calculados o n´umero de lan¸camento feitos, o n´umero de lan¸camento bem sucedidos, a percentagem de lan¸camentos bem sucedidos e o valor em pontos do lan¸camento, no caso de ser bem sucedido (2 ou 3 pontos).
A plataforma est´a divida entre 3 p´aginas diferentes: p´agina de jogador, que permite observar os lan¸camentos do jogador em detalhe, a p´agina de compara¸c˜ao, onde podemos observar os gr´aficos dos jogadores escolhidos e compor´a-los, e a da liga que mostra as posi¸c˜oes de lan¸camento mais frequentes e as estat´ısticas das equipas.
2.2. SISTEMAS DE AN ´ALISE DESPORTIVA 13
O gr´afico de lan¸camentos ´e o ponto central da aplica¸c˜ao. Nele ´e mostrado o n´umero de lan¸camentos em cada c´elula, com uma colora¸c˜ao espec´ıfica, devidamente legendada, que compara a percentagem de efic´acia dos lan¸camentos com o resto da liga. Os gr´aficos de distˆancia mostram a frequˆencia de lan¸camentos conforme a distˆancia do cesto e como varia a efic´acia dos lan¸camentos nas v´arias distˆancias. Por fim, os gr´aficos de percentagem de acerto e de frequˆencia conforme a distˆancia mostram a compara¸c˜ao entre os lan¸camentos feitos do lado esquerdo e do lado direito do cesto.
A base de dados pode ser filtrada com a remo¸c˜ao de equipas pelo tipo de resultado (vit´oria ou derrota) e por jogos em casa ou fora. Cada uma destas filtragens gera um Uniform Resource Locator (URL) ´unico, que pode ser facilmente partilhado com outras partes interessadas. Todos os gr´aficos possuem uma op¸c˜ao para exportar como imagem que segue o mesmo objetivo, a partilha de descobertas.
No lado do cliente, o Buckets usa o AngularJS para a cria¸c˜ao e apresenta¸c˜ao de componentes. Foi criada uma Application Programming Interface (API) Representational State Transfer (REST) em PHP para aceder `a base de dados MySQL e devolver os dados necess´arios para as visualiza¸c˜oes ao cliente. O D3.js foi a biblioteca de JavaScript utilizada para gerar as visualiza¸c˜oes e adicionar interatividade `as mesmas. O heatmap.js foi utilizado na cria¸c˜ao de mapas de calor que mostram, com recurso a um gradiente, as zonas de lan¸camento mais frequentes.
2.2.6
BKViz: A Basketball Visual Analysis Tool
O BKViz (Losada et al., 2016) ´e uma ferramenta de visualiza¸c˜ao de jogos de basquetebol que permite perceber como os jogadores se comportam ao n´ıvel coletivo e individual. Esta ferramenta pretende dar resposta ao aumento dos dados gerados ap´os os jogos de basquetebol, que culminam em ficheiros com dezenas de colunas e centenas de milhares de linhas. A an´alise de todas estas vari´aveis de forma manual exige um esfor¸co cognitivo imenso, que pode ser reduzido com a utiliza¸c˜ao desta ferramenta.
14 CAP´ITULO 2. ESTADO DA ARTE
A p´agina de an´alise de jogo expande verticalmente e est´a organizada de forma a que o detalhe dos componentes aumente conforme se percorre a p´agina. A p´agina, que combina v´arias funcionalidades e vari´aveis, permite desta forma uma visualiza¸c˜ao mais eficiente dos dados.
O Game Outline apresenta a evolu¸c˜ao pontual do jogo escolhido em apenas um vislumbre e as diferen¸cas pontuais entre as duas equipas no per´ıodo definido. A sec¸c˜ao Virtual Player permite explorar as jogadas escolhidas, com uma visualiza¸c˜ao do tipo jogada-a-jogada, que recria num campo 2D os eventos do jogo como lan¸camento, passes e rece¸c˜oes.
Um dos aspetos cruciais para uma equipa ganhar vantagem competitiva sobre o advers´ario ´e observando a forma como estes jogam. O Sequence Finder encontra jogadas que se repetiram durante o jogo, de acordo com os filtros escolhidos pelo analista. Tamb´em ´e poss´ıvel observar todas as posi¸c˜oes dos lan¸camentos do jogador ou equipa escolhidos e filtrar por lan¸camentos falhados ou acertados e lan¸camentos feitos num determinado per´ıodo temporal.
A an´alise com recurso a v´ıdeo ´e a mais comum no basquetebol. Os analistas podem carregar o v´ıdeo relativo ao jogo que est˜ao a analisar e complementar a an´alise, sendo tamb´em poss´ıvel tiraram e gravarem notas. Apesar de o grande foco da aplica¸c˜ao ser a an´alise do ponto de vista jogada-a-jogada, os dados tamb´em permitem extrair informa¸c˜oes sobre a qu´ımica da equipa, que ´e exposta pelo n´umero de passes entre os v´arios jogadores. O prot´otipo usa os gr´aficos de radar para que as estat´ısticas do jogador no jogo escolhido possam ser demonstradas de forma simples e comparadas com as m´edias da sua carreira e a performance da equipa.
Quanto a tecnologias, o prot´otipo usou Javascript como tecnologia cliente-side e o MySQL para o armazenamento dos dados. O D3.js foi a biblioteca JavaScript usada para produzir as visualiza¸c˜oes. Depois de o analista escolher o jogo que deseja, o c´odigo cliente-side faz o parsing do site Basketball Reference 2, que contem os dados jogada-a-jogada, pontuais e das localiza¸c˜oes de lan¸camento.
2.2. SISTEMAS DE AN ´ALISE DESPORTIVA 15
O sistema foi validado junto dos analistas do Club Baloncesto Perfumer´ıas, que referiram que as funcionalidades do BKViz podiam reduzir o tempo que a equipa de analistas gasta na an´alise dos jogos. As funcionalidades Game Outline e Virtual Player saltaram `a vista como as de maior utilidade para as tarefas de an´alise.
2.2.7
Director’s Cut: Analysis and Annotation of Soccer
Matches
Stein et al. (2016) exploram como podemos transformar e representar visualmente dados posicionais para que possamos ajudar os analistas de futebol a detetar padr˜oes de interesse e a avaliar jogadores e grupos de jogadores. O Director’s Cut, ferramenta criada pelos investigadores, automatiza trˆes dos pilares da an´alise de jogos de futebol: o espa¸co de intera¸c˜ao, espa¸co livre e op¸c˜oes de passe. Durante um jogo de futebol, cada jogador tem uma ´area circundante que deseja controlar, ao que chamamos espa¸co de intera¸c˜ao. Esta ´area ´e aquela `a qual o jogador pode chegar antes dos jogadores advers´arios e foi calculada usando o algoritmo criado por Grehaigne et al. (1997). Quando ocorre a sobreposi¸c˜ao de duas ´areas ´e dif´ıcil perceber que jogador est´a em vantagem, pois est˜ao envolvidos fatores como o tempo de rea¸c˜ao e a habilidade individual.
O espa¸co livre ´e outra particularidade importante do futebol. Tendo a no¸c˜ao de que, para o c´alculo desta vari´avel, cada jogador cobre uma regi˜ao de 4 metros `a sua volta, com as medidas normais de um campo de futebol de 68 metros de altura e 105 metros de largura, ent˜ao os 22 jogadores em campo cobririam apenas 15% da ´
area do campo de jogo. Esta vis˜ao ´e muito simplificada e ´e necess´aria a inclus˜ao de outras vari´aveis para que ela se torne ´util e representativa.
Definiu-se o espa¸co livre como a medida da press˜ao colocada sobre um jogador. Essa press˜ao ir´a condicionar os movimentos dos jogadores e a habilidade para interagir com a bola. A visualiza¸c˜ao do espa¸co livre ´e feita colorindo-se as ´areas do campo correspondentes.
16 CAP´ITULO 2. ESTADO DA ARTE
pela press˜ao de um elemento advers´ario. O sistema apresenta as alternativas de passes poss´ıveis para o portador da bola, com setas a apontar para os jogadores que est˜ao em condi¸c˜oes de receber a bola. Em teoria o jogador pode passar para qualquer um dos 10 outros elementos em campo, mas na pr´atica esse n´umero ´e menor. No algoritmo usado para determinar as op¸c˜oes de passe s˜ao usados 5 crit´erios: o passe interseta com o espa¸co de intera¸c˜ao do advers´ario, a press˜ao do jogador que recebe o passe, a distˆancia do passe, o passe ser em dire¸c˜ao `a baliza advers´aria e o passe ser feito para longe do aglomerado de jogadores da equipa advers´aria. Estes fatores s˜ao usados para avaliar o risco do passe e a melhor op¸c˜ao ´e mostrada no campo de jogo.
Foi criada uma funcionalidade em que o analista define regras atrav´es de uma interface gr´afica, sem necessidade de saberem programar. O sistema encontra estas situa¸c˜oes para a equipa definida e apresenta-as ao utilizador.
O sistema foi mostrado a dois profissionais t´ecnicos da ´area do futebol com v´arios anos de experiˆencia, que o avaliaram como muito ´util na dete¸c˜ao, explora¸c˜ao e compara¸c˜ao de situa¸c˜oes de jogo interessantes. Referiram que o Director’s Cut diminuiria o tempo gasto nas tarefas de an´alise e que seria inclu´ıdo no fluxo de trabalho.
2.2.8
Visual soccer match analysis using spatiotemporal positions
of players
Machado et al. (2017) apresentam um sistema para a an´alise visual de jogos de futebol, baseada no posicionamento espa¸cotemporal dos jogadores. O sistema faz a recria¸c˜ao dos jogos em 2D e permite a cria¸c˜ao de mapas de calor em 1D para as as velocidades do jogador e em 2D para o posicionamento. Os esquemas t´aticos das equipas durante o jogo tamb´em s˜ao detetados e mostrados atrav´es de um mapa de calor. Cada esquema t´atico est´a associado a uma cor, que pode ser visualizada no mapa de calor. No segundo mapa de calor em 1D podemos observar o n´umero de jogadores no ataque, meio-campo e defesa durante o decorrer do jogo.
2.2. SISTEMAS DE AN ´ALISE DESPORTIVA 17
O estudo de trajet´orias tamb´em faz parte do leque de funcionalidades da aplica¸c˜ao. A aplica¸c˜ao do diagrama de Voronoi e os dados relativos aos passes s˜ao funcionalidades que est˜ao dispon´ıveis, mas que foram pouco abordadas no artigo.
Os dados usados nas visualiza¸c˜oes foram captados com recurso a cˆameras de tracking autom´aticas. As posi¸c˜oes dos jogadores foram detetadas a cada segundo e guardadas num ficheiro. Um segundo ficheiro guarda os dados do jogo, inseridos manualmente, que dizem respeito a faltas, passes, remates, entre outros.
Os analistas consultados revelaram que o sistema permitiu a compreens˜ao de duas dimens˜oes de um jogo de futebol, a f´ısica e a t´atica. A utiliza¸c˜ao da plataforma durante um jogo poderia ajudar a identificar quebras de performance relacionadas com a fadiga provocada pelo esfor¸co f´ısico cont´ınuo. A possibilidade de encontrar padr˜oes nos movimentos contribui para a elabora¸c˜ao de exerc´ıcios f´ısicos e t´aticos espec´ıficos que simulam situa¸c˜oes de jogo.
2.2.9
Data-Driven Visual Performance Analysis in Soccer:
An Exploratory Prototype
Entender o comportamento t´atico coletivo de uma equipa ´e uma parte fundamental da an´alise no futebol de alta competi¸c˜ao. Benito Santos et al. (2018) conceberam uma ferramenta que tem como objetivos a diminui¸c˜ao da carga cognitiva aliada `a an´alise de jogos de futebol e o estudo do comportamento de grupos de jogadores. O sistema recria os jogos em 2D e permite o controlo do tempo, assim como a defini¸c˜ao de intervalos de tempo, que delimitam os c´alculos e as visualiza¸c˜oes.
O primeiro conjunto de fun¸c˜oes permite a an´alise de um conjunto de jogadores preferidos. O analista deve escolher os jogadores que quer observar e adicion´a-los a um grupo. ´E calculada para o grupo escolhido, caso este tenha 3 elementos ou mais, a envolt´oria convexa, o menor pol´ıgono convexo que cont´em uma cole¸c˜ao dos jogadores escolhidos. A plataforma ir´a depois realizar v´arios c´alculos em cada frame como a ´area deste pol´ıgono, o seu centr´oide, a distˆancia m´edia dos jogadores que formam o pol´ıgono ao centr´oide e a sincronia da equipa, usando a ApEn, que mostra
18 CAP´ITULO 2. ESTADO DA ARTE
a regularidade de uma s´erie temporal.
O segundo conjunto de funcionalidades s˜ao referentes `a an´alise individual dos jogadores e permitem um suporte `as an´alises de grupo. Os mapas de calor gerados pela plataforma podem ser usados para visualizar vari´aveis como a posi¸c˜ao ou a velocidade. Pode ser analisada a velocidade dos jogadores durante o per´ıodo especificado e saber quanto tempo que estiverem parados, a andar, em jogging, a correr ou em sprint, com base em intervalos de velocidade definidos previamente.
´
E ainda poss´ıvel medir a distˆancia de um jogador a certos pontos do campo.
2.2.10
Interactive exploratory soccer data analytics
Dados espa¸cotemporais de jogos de futebol permitem uma an´alise a fundo dos jogos e das suas particularidades. Delibas et al. (2018) introduzem uma ferramenta de visualiza¸c˜ao interativa, feita para os analistas do futebol, que permite descobrir informa¸c˜oes importantes em conjuntos de dados enormes.
A aplica¸c˜ao faz a recria¸c˜ao dos jogos em 2D e permite diferentes intera¸c˜oes como pausa, mudan¸ca do momento de jogo e mudan¸ca de velocidade da visualiza¸c˜ao, at´e 5 vezes mais r´apida. Foi usada uma Support Vector Machine (SVM), treinada com os passes feitos durante o jogo. Este algoritmo ir´a calcular, ap´os a sele¸c˜ao do ponto de origem do passe, as ´areas para onde o passe ter´a uma maior probabilidade de sucesso e produzir uma visualiza¸c˜ao com recurso a um mapa de calor.
Devido `as limita¸c˜oes atuais de sensores e cˆamera de tracking, a localiza¸c˜ao da bola pode n˜ao ser detet´avel durante fases do jogo. Foi usado classificador SVM para prever a equipa que est´a na posse da bola, com recurso a dados como a velocidade m´edia das equipas, o total de mudan¸cas de velocidade e dire¸c˜ao, as distˆancias percorridas, o n´umero de jogadores a correr a velocidade elevados, entre outros. ´E poss´ıvel calcular o tempo que cada jogador esteve com a bola em sua posse, o n´umero de vezes que a perdeu, passou e recuperou.
2.3. DISCUSS ˜AO 19
em conta o risco envolvido e as vantagens para a equipa, tendo em conta quatro dimens˜oes. Durante a repeti¸c˜ao de um jogo, para cada passe, a aplica¸c˜ao mostra a probabilidade de este ser bem sucedido. Os analistas podem mover um jogador da posi¸c˜ao e testar a probabilidade de acerto de um passe que o envolva.
A an´alise das regi˜oes que os jogadores ocupam durante o jogo pode revelar detalhes importantes acerca da organiza¸c˜ao de uma equipa. Para esta an´alise foi calculado o diagrama de Voronoi, que representa no campo a regi˜ao que o jogador domina atrav´es da cor da sua equipa. O diagrama de Voronoi n˜ao tem em conta a dire¸c˜ao e velocidade dos jogadores, pelo que o resultado n˜ao ´e t˜ao preciso. Para contornar este problema foi usada uma vers˜ao melhorada deste diagrama conhecida por Dominant Region (Taki and Hasegawa, 1998) que considera a dire¸c˜ao e velocidade dos jogadores nos seus c´alculos.
2.3
Discuss˜
ao
A an´alise visual de dados relacionados com o desporto tem gerado interesse nos ´
ultimos anos, impulsionada pelos avan¸cos na aquisi¸c˜ao de dados espa¸cotemporais dos jogadores em v´arios desportos. As aplica¸c˜oes analisadas focam-se na apresenta¸c˜ao de diferentes visualiza¸c˜oes que permitam a diminui¸c˜ao da carga cognitiva dos analistas, abstraindo-os da manipula¸c˜ao dos dados, atrav´es de programas como o MatLab ou o Mathematica e linguagens de programa¸c˜ao como o Python ou o R.
Apenas Pileggi et al. (2012); Perin et al. (2013); Beshai (2014) referiram as tecnologias usadas para a cria¸c˜ao das plataformas. Optaram pela constru¸c˜ao de aplica¸c˜oes Web e o D3.js foi a framework de JavaScript escolhida para a constru¸c˜ao das visualiza¸c˜oes. Este tipo de aplica¸c˜oes enquadram-se com os objetivos de utiliza¸c˜ao, uma vez que uma plataforma Web construida com um design responsivo em mente pode ser utilizada por qualquer dispositivo com liga¸c˜ao `a Internet. Os tablets, por exemplo, s˜ao muitas vezes utilizados em contexto de treino pelos treinadores e restante equipa t´ecnica para simplificar a passagem de conhecimento aos jogadores. Uma aplica¸c˜ao desktop n˜ao oferece essa versatilidade .
20 CAP´ITULO 2. ESTADO DA ARTE
As plataformas dos autores Pileggi et al.(2012);Beshai(2014);Machado et al.
(2017) usaram dados oficiais, fornecidos pelas ligas do desporto analisado. Existe um crescimento do interesse das ligas na capta¸c˜ao deste tipo de dados e at´e mesmo de empresas externas como a Opta Sports ou STATS.
As plataformas apresentadas por Perin et al. (2013); Losada et al. (2016) apostaram na recria¸c˜ao dos jogos recorrendo a dados de jogada-a-jogada que contemplam eventos como faltas, cantos, passes, remates, entre outros, anotados manualmente pelas entidades que forneceram os datasets. Apesar de estes dados, por n˜ao serem espa¸cotemporais, n˜ao permitiram algumas das an´alises de grupo realizadas por
Benito Santos et al.(2018), eles possibilitam a cria¸c˜ao de visualiza¸c˜oes como redes de passes (Gon¸calves et al.,2017) ou ferramentas de an´alise de remates e lan¸camentos, como as criadas por (Goldsberry, 2012;Pileggi et al., 2012; Beshai, 2014).
Os trabalhos de Ther´on and Casares (2010); Benito Santos et al. (2018) possuem um leque de funcionalidades semelhantes, apesar de estudarem modalidades diferentes. Delibas et al.(2018) expandem o n´umero de funcionalidade disponibilizadas, usando um algoritmo de aprendizagem de m´aquina, um SVM, para calcular a probabilidade de sucesso de passes e prever a equipa que est´a na posse da bola. O diagrama de Voronoi, utilizado por Machado et al.(2017) para mostrar visualmente a ´area de dominˆancia de cada jogador e da equipa ´e melhorado para passar a ter tamb´em em conta a dire¸c˜ao para a qual o jogador se movimenta e a que velocidade se encontra, para demonstrar de forma mais fidedigna a ´area verdadeiramente dominada.
Gudmundsson and Wolle (2013) focou-se na dete¸c˜ao de padr˜oes, como a dete¸c˜ao de sequˆencias de passes e a dete¸c˜ao de padr˜oes de movimentos de jogadores e grupos de jogadores.
Apesar de muitos dos sistemas usados possu´ırem funcionalidades comuns, como o c´alculo de distˆancias, velocidades e regi˜oes de dominˆancia, eles s´o est˜ao dispon´ıveis para uma modalidade. Sendo este leque de funcionalidades transversal e ´util para os desportos de equipa, faria sentido a cria¸c˜ao de uma plataforma em que se possa, dinamicamente, inserir ficheiros relativos a jogos de v´arias modalidades.
2.3. DISCUSS ˜AO 21
treinadores e restante equipa t´ecnica ´e uma parte essencial ap´os a constru¸c˜ao deste tipo de plataformas. Pileggi et al. (2012); Gudmundsson and Wolle (2013); Perin et al. (2013); Losada et al. (2016); Stein et al. (2016); Machado et al. (2017) procuraram a opini˜ao de analistas e outros agentes do desporto. Os sistemas foram avaliados positivamente, com as visualiza¸c˜oes a revelarem detalhes que n˜ao s˜ao, normalmente, f´aceis de detetar. Os consultados conseguiram incluir os sistemas no fluxo de trabalho e pouparam tempo na realiza¸c˜ao de tarefas que habitualmente exigiriam uma maior carga cognitiva.
Na Tabela 2.1 foram resumidos os artigos em pontos chave de interesse, por ordem da data de publica¸c˜ao. As plataformas podem, desta forma, ser rapidamente descritas e comparadas.
Artigo Modalidade Tecnologias
usadas
Dados Visualiza¸c˜oes e funcionalidades principais (Ther´on and Casares,2010) Basquetebol N/A O utilizador importa
ficheiros .gpx para a aplica¸c˜ao
Recria¸c˜ao do jogo em 2D, distˆancia percorrida, distˆancia entre jogadores e pontos, velocidades e an´alises de grupo (Pileggi et al.,2012) H´oquei no gelo JavaScript,
jQuery, D3.js
Dados oficiais da North American National Hockey League
Visualiza¸c˜ao dos remates, mapa de calor e mapa de calor radial
(Gudmundsson and Wolle,2013) Futebol N/A N/A Recria¸c˜ao do jogo em 2D, possibilidade de passe, dete¸c˜ao de sequˆencias de passe frequentes, Clustering Movement e Correlating Clusters
(Perin et al.,2013) Futebol JavaScript, jQuery, D3.js
Dados da Opta Sports Recria¸c˜ao do jogo jogada-a-jogada com base em facetas visuais e an´alise de rema (Beshai,2014) Basquetebol JavaScript,
jQuery, D3.js,
PHP, MySQL,
AngularJS
Dados oficiais retirados do site da NBA
An´alise completa dos remates com v´arias possibilidades de filtros, compara¸c˜ao entre jogadores e an´alise dos remates de uma equipa
(Losada et al.,2016) Basquetebol N/A Dados do site Basketball Reference
Recria¸c˜ao do jogo jogada-a-jogada, dete¸c˜ao de sequˆencias de passe, redes de passes e gr´aficos de radar com estat´ısticas dos jogadores
(Stein et al.,2016) Futebol N/A N/A Recria¸c˜ao do jogo em 2D, an´alise do espa¸co de intera¸c˜ao, espa¸co livre e das op¸c˜oes de passe
(Machado et al.,2017) Futebol N/A Cˆameras de tracking autom´atico em jogos da Liga Brasileira
Recria¸c˜ao do jogo em 2D, mapas de calor posicionais, mapas de calor t´aticos e estudo de trajet´orias
(Benito Santos et al.,2018) Futebol N/A N/A Recria¸c˜ao do jogo em 2D, distˆancia percorrida, distˆancia entre jogadores e pontos, velocidades, an´alises de grupo e c´alculo de entropias
(Delibas et al.,2018) Futebol N/A N/A Recria¸c˜ao do jogo em 2D, c´alculo de sucesso dos passes, previs˜ao de posse de bola e estat´ısticas relacionadas avalia¸c˜ao da qualidade dos passes e diagrama de Voronoi com pesos
22 CAP´ITULO 2. ESTADO DA ARTE
2.4
Considera¸
c˜
oes finais
Neste cap´ıtulo foram abordados artigos cient´ıficos com as solu¸c˜oes atuais para a an´alise de jogos de desportos de equipa. Antes do processo de revis˜ao, foram definidas perguntas `as quais tentar´ıamos responder durante a revis˜ao das solu¸c˜oes.
Nos ´ultimos 10 anos tem-se assistido a um aumento do interesse por parte dos clubes e ligas pela capta¸c˜ao de dados espa¸cotemporais dos jogadores. Este interesse tem sido acompanhado pelo aparecimento de plataformas que aceitam e analisam estes dados, em v´arias modalidades.
Os artigos que referiram as tecnologias usadas optaram pela constru¸c˜ao de plataformas Web, que podem ser acedidas por qualquer dispositivo com liga¸c˜ao `a Internet. A escolha do D3.js para a constru¸c˜ao das visualiza¸c˜oes e para a recria¸c˜ao dos jogos em 2D foi unˆanime.
As plataformas testadas por analistas obtiveram rea¸c˜oes positivas, com os analistas a reconhecerem a utilidade das visualiza¸c˜oes apresentadas, a diminui¸c˜ao da carga cognitiva e do tempo necess´ario para an´alise dos jogos.
3
Modelo conceptual
A modelagem conceptual ´e o nome dado `a atividade onde se faz o levantamento de requisitos, se descreve os dados com que o sistema vai trabalhar e de que forma o far´a (Oliv´e,2007).
Neste cap´ıtulo ser˜ao identificadas as necessidades do Swish e analisados alguns ficheiros com dados espa¸cotemporais fornecidos, que servir˜ao de suporte para a constru¸c˜ao do modelo conceptual de classes. No final do cap´ıtulo ´e proposta uma arquitetura geral para o sistema.
3.1
Levantamento dos requisitos
O levantamento de requisitos ´e um dos processos fundamentais na Engenharia de Requisitos e consiste na procura, aquisi¸c˜ao e elabora¸c˜ao de requerimentos para a produ¸c˜ao de um projeto. Pesquisas mostram que muitos dos projetos de grande dimens˜ao falham pelo levamento de requisitos inadequado (Boehm, 1981).
Esta atividade multifacetada e iterativa assenta nas qualidades comunicacionais de quem est´a a desenvolver o projeto e do compromisso e coopera¸c˜ao dos stakeholders
24 CAP´ITULO 3. MODELO CONCEPTUAL
do sistema. Um dos principais problemas ´e a existˆencia de barreiras de comunica¸c˜ao entre as duas partes, pois conceitos que s˜ao conhecidos por uma das partes podem ser completamente desconhecidos pela outra (Zowghi and Coulin, 2005).
Antes do desenvolvimento do projeto foram feitas v´arias entrevistas com membros do Centro de Investiga¸c˜ao em Desporto, Sa´ude e Desenvolvimento Humano (CIDESD) para se perceber o tipo de an´alises desejadas, para se definir como iria ser a intera¸c˜ao com a aplica¸c˜ao e a sua arquitetura. Como resultado das sucessivas reuni˜oes surgiu um documento final, que cont´em as necessidades que a plataforma ter´a de suprir.
Em rela¸c˜ao aos ficheiros de dados espa¸cotemporais e ao processamento inicial:
D1: Permitir o upload de ficheiros com dados espa¸cotemporais;
D2: Uso de filtro de suaviza¸c˜ao, caso necess´ario, para melhorar a fluidez dos dados; D3: Fornecer op¸c˜oes para a inser¸c˜ao de ficheiros em diferentes formatos, frequˆencias
e desportos;
D4: Possibilidade de definir um dos dispositivos como bola de jogo e outras op¸c˜oes de gest˜ao.
No que toca `a intera¸c˜ao com os jogos previamente carregados, o sistema dever´a permitir:
J1: Recria¸c˜ao do jogo em 2D, com a necessidade de existirem elementos de controlo com jogo como pausa, repeti¸c˜ao, velocidade da recria¸c˜ao e uma barra de intervalos, que delimita a recria¸c˜ao 2D e os c´alculos realizados;
J2: Ocultar jogadores da recria¸c˜ao 2D;
J3: Coloca¸c˜ao de elementos de referˆencia fixos em campo;
J4: Aumentar ou diminuir as janelas de recria¸c˜ao e das visualiza¸c˜oes em gr´afico, conforme a necessidade do analista;
3.1. LEVANTAMENTO DOS REQUISITOS 25
J5: Op¸c˜oes de configura¸c˜ao para mudar valores relativos ao c´alculo de vari´aveis e as cores dos elementos da recria¸c˜ao (jogadores, bordas, grupos, entre outros). J6: A visualiza¸c˜ao dos dados calculados, se poss´ıvel, com recurso a gr´aficos que
permitam a exporta¸c˜ao nos formatos mais comuns.
Para facilitar a tarefa de an´alise e de gest˜ao de informa¸c˜ao, a plataforma ter´a de permitir:
G1: Cria¸c˜ao e gest˜ao de equipas e a possibilidade de associar duas equipas diferentes a um jogo.
G2: Cria¸c˜ao e gest˜ao de jogadores, com os respetivos dados identificativos e bi´ometricos e a possibilidade de se associar um jogador a um dispositivo de localiza¸c˜ao.
Por fim, o sistema dever´a conseguir calcular vari´aveis e gerar diagramas com base dos dados espa¸cotemporais de cada jogo, mais especificamente:
C1: An´alises de grupo (gest˜ao de grupos de jogadores, c´alculo da envolt´oria convexa, do centroide, da ´area do pol´ıgono e do ´ındice de dispers˜ao da equipa, o stretch index );
C2: Mapa de calor para a localiza¸c˜ao do jogador escolhido; C3: Diagrama de Voronoi;
C4: C´alculo de distˆancias (distˆancia percorrida pelos jogadores, distˆancias entre jogadores ou jogadores e pontos fixos);
C5: C´alculo de velocidades, distˆancia percorrida em cada intervalo de velocidade, tempo passado em cada intervalo de velocidade e r´acios entre velocidades; C6: C´alculo de entropia (ApEn ou SmEn) para os dados especificados.
26 CAP´ITULO 3. MODELO CONCEPTUAL
Figura 3.1 – Diagrama de casos de uso do sistema.
3.2
Casos de uso
A cria¸c˜ao dos diagramas de casos de uso tem como base o levamento de requisitos junto dos stakeholders do sistema feito no subcap´ıtulo 3.1. Este diagrama mostra as principais funcionalidades do sistema e a intera¸c˜ao com os atores. Atrav´es do uso de liga¸c˜oes extend e include podemos perceber o fluxo das funcionalidades e de que forma se interligam.
O diagrama de casos de uso da Figura 3.1 representa a intera¸c˜ao do analista quando este seleciona um dos jogos previamente inseridos na plataforma. Para que
3.3. DADOS ESPAC¸ OTEMPORAIS USADOS 27
possam ser realizados c´alculo de comportamento de grupo, como o c´alculo da ´area de campo ocupado pelo grupo ou o stretch index, o grupo ter´a de ter pelo menos 3 elementos.
O c´alculo de vari´aveis ao longo de intervalos de tempo, como a velocidade instantˆanea, a ´area das equipas ou a distˆancia percorrida cumulativa s˜ao visualizadas com recurso a gr´aficos interativos. O gr´afico, por sua vez, ter´a a op¸c˜ao para exportar a visualiza¸c˜ao em PNG ou os dados para os formatos Comma-separated Value (CSV) ou XLS. O gr´afico ter´a ainda uma op¸c˜ao para computar, caso esteja representada uma s´erie temporal, a SmEn e a ApEn.
Atrav´es da intera¸c˜ao com a plataforma ser´a poss´ıvel gerar mapas de calor para o jogador e intervalo de tempo definidos, sendo poss´ıvel a mudan¸ca de parˆametros como o raio dos pontos e do desfoque, que podem facilitar a visualiza¸c˜ao das zonas de maior densidade.
3.3
Dados espa¸
cotemporais usados
Um dos objetivos da plataforma, supramencionado nos Objetivos, ´e o de conseguir aceitar e processar ficheiros gerados por alguns dos sistemas de tracking mais comuns do mercado. Foram disponibilizados 3 ficheiros, captados por sistemas de rastreamento diferentes, que iremos analisar de seguida e tentar encontrar pontos comuns, que permitam a cria¸c˜ao de uma base de dados que possa ser comum a dados espa¸cotemporais de v´arios provedores.
3.3.1
Sistema da NBN23
O sistema da NBN23 tem como objetivo a localiza¸c˜ao de jogadores em espa¸cos fechados, como campos de basquetebol e ´e baseado em radiofrequˆencias e canais de Bluetooth Low Eenergy (BLE). Os dispositivos de localiza¸c˜ao usam o BLE para enviar a radiofrequˆencia para um positioning engine, que usa algoritmos
28 CAP´ITULO 3. MODELO CONCEPTUAL
propriet´arios para calcular a posi¸c˜ao dos jogadores (Figueira et al.,2018).
No final de cada atividade, o ficheiro resultante dos dados espa¸cotemporais recolhidos pode ser exportado em formato CSV, em que cada linha cont´em os dados relativos a um dispositivo de localiza¸c˜ao ou jogador. Este ficheiro tem uma organiza¸c˜ao igual ao exemplo de jogo 3.1, um excerto de um treino com a dura¸c˜ao de 2 horas, 5 minuto e 17 segundos realizado no Pavilh˜ao Municipal de Vila Real, que tem o sistema da NBN23 em funcionamento.
As colunas ” id”e DrillID s˜ao usadas como chaves de identifica¸c˜ao dentro do pr´oprio sistema da NBN23 e como tal n˜ao s˜ao dados de interesse para o planeamento da base de dados. A coluna TagID identifica a quem pertencem os dados posicionais da linha, enquanto que o TimeStamp, representado em UNIX Epoch time, guarda o momento em ocorreu o envio da coordenada para o positioning engine.
As colunas Position.0, Position.1 e Position.2 contˆem os dados posicionais dos jogadores, assumindo que o campo de jogo ´e um espa¸co cartesiano tridimensional, em que a origem ´e o centro do campo, ao n´ıvel do ch˜ao. Este sistema est´a preparado para a recolha de dados espaciais tridimensionais, dependendo do n´umero de antenas usadas, sendo que no ficheiro fornecido estes dados s˜ao bidimensionais. Nas colunas Velocity.0, Velocity.1 e Velocity.2 ´e exibida a velocidade unidimensional, calculada com as coordenadas recolhidas anteriormente do jogador respetivo.
1 ” i d ” , D r i l l I D , P o s i t i o n . 0 , P o s i t i o n . 1 , P o s i t i o n . 2 , TagID , TimeStamp , V e l o c i t y . 0 , V e l o c i t y . 1 , V e l o c i t y . 2 2 5 9 8 0 3 6 1 4 1 5 1 1 9 4 0 f 2 8 0 0 2 3 5 0 , 5 9 8 0 3 6 1 4 1 5 1 1 9 4 0 f 2 8 0 0 2 3 4 e , 3 . 8 5 6 9 9 5 7 1 1 5 9 0 6 1 1 3 , − 1 . 8 1 8 7 3 3 0 6 1 5 2 7 0 6 3 , 1 . 2 , d 0 5 f b 8 1 7 f 5 8 b , 1 5 0 1 5 7 4 6 7 5 8 7 1 , 0 . 0 , 0 . 0 , 0 . 0 3 5 9 8 0 3 6 1 4 1 5 1 1 9 4 0 f 2 8 0 0 2 3 5 1 , 5 9 8 0 3 6 1 4 1 5 1 1 9 4 0 f 2 8 0 0 2 3 4 e , − 1 2 . 5 8 9 6 2 1 8 0 1 8 2 9 5 2 5 , 3 . 9 9 5 2 6 3 2 3 8 5 7 8 3 9 1 7 , 1 . 2 , b 4 9 9 4 c 8 b c c 2 0 , 1 5 0 1 5 7 4 6 7 5 9 1 3 , − 0 . 0 4 3 7 5 3 1 8 3 6 9 7 4 6 9 8 7 5 , 0 . 1 2 3 1 0 7 6 8 6 7 2 1 4 9 9 3 5 , 0 . 0 4 5 9 8 0 3 6 1 4 1 5 1 1 9 4 0 f 2 8 0 0 2 3 5 3 , 5 9 8 0 3 6 1 4 1 5 1 1 9 4 0 f 2 8 0 0 2 3 4 e , 5 . 4 4 4 4 0 9 9 1 9 3 5 5 6 7 4 5 , − 1 . 9 8 6 2 9 0 6 8 2 2 6 0 4 7 1 3 , 1 . 2 , d 0 5 f b 8 1 7 c 7 6 f , 1 5 0 1 5 7 4 6 7 5 9 5 2 , 0 . 0 , 0 . 0 , 0 . 0 5 5 9 8 0 3 6 1 4 1 5 1 1 9 4 0 f 2 8 0 0 2 3 5 5 , 5 9 8 0 3 6 1 4 1 5 1 1 9 4 0 f 2 8 0 0 2 3 4 e , 4 . 6 6 9 9 5 5 5 0 8 4 6 9 7 3 4 , − 1 . 1 9 3 3 7 8 8 2 5 5 1 0 1 0 7 4 , 1 . 2 , b4994c876dc5 , 1 5 0 1 5 7 4 6 7 5 9 1 4 , 0 . 0 , 0 . 0 , 0 . 0
3.3. DADOS ESPAC¸ OTEMPORAIS USADOS 29 6 5 9 8 0 3 6 1 4 1 5 1 1 9 4 0 f 2 8 0 0 2 3 5 7 , 5 9 8 0 3 6 1 4 1 5 1 1 9 4 0 f 2 8 0 0 2 3 4 e , − 1 1 . 5 9 9 9 7 3 4 2 5 8 3 5 2 4 , − 1 . 8 2 5 3 1 8 7 9 6 0 5 6 4 2 0 1 , 1 . 2 , b 4 9 9 4 c 8 7 7 e a 9 , 1 5 0 1 5 7 4 6 7 5 9 1 4 , − 1 . 8 4 2 1 8 5 6 3 9 7 4 1 7 2 8 2 , − 3 . 0 6 8 6 5 3 9 0 3 8 6 1 6 2 9 , 0 . 0 7 5 9 8 0 3 6 1 4 1 5 1 1 9 4 0 f 2 8 0 0 2 3 5 8 , 5 9 8 0 3 6 1 4 1 5 1 1 9 4 0 f 2 8 0 0 2 3 4 e , − 1 . 6 9 1 8 0 2 7 6 5 3 3 6 4 0 7 6 , − 0 . 3 8 9 0 1 9 9 8 2 8 6 2 8 0 4 8 7 , 1 . 2 , b 4 9 9 4 c 8 7 7 a f f , 1 5 0 1 5 7 4 6 7 5 8 7 2 , 1 . 7 6 4 6 9 2 2 3 3 9 7 0 1 9 3 8 , − 0 . 4 9 4 6 0 7 3 8 5 8 3 3 5 5 6 9 , 0 . 0 8 5 9 8 0 3 6 1 4 1 5 1 1 9 4 0 f 2 8 0 0 2 3 5 a , 5 9 8 0 3 6 1 4 1 5 1 1 9 4 0 f 2 8 0 0 2 3 4 e , 5 . 6 3 4 1 0 9 7 3 6 2 9 1 0 4 1 , − 1 . 0 3 8 7 9 0 5 9 6 7 8 4 1 2 2 9 , 1 . 2 , b4994c877791 , 1 5 0 1 5 7 4 6 7 5 8 7 3 , 0 . 0 8 1 1 5 1 2 9 6 8 1 0 1 5 0 3 9 , 0 . 0 9 7 1 9 3 7 4 7 2 5 5 2 4 4 2 4 , 0 . 0
Listing 3.1: Excerto de um treino de Basquetebol no Pavilh˜ao Municipal de Vila Real.
3.3.2
SportVU para o basquetebol
O SportVU para o basquetebol ´e um sistema de tracking que utiliza 6 cˆameras para detetar, com recurso a algoritmos de processamento de imagem, os dados posicionais dos jogadores e da bola de basquetebol. Foi-nos fornecido um ficheiro produzido pelo SportVU com parte de um jogo da NBA, com uma dura¸c˜ao total de 24 minutos e 36 segundos e um tamanho de 13.4MB, com a recolha dos dados espaciais a ser feita a cada 25 segundos. A organiza¸c˜ao do ficheiro CSV resultante deste processo est´a expl´ıcita no excerto 3.2.
Os dados espa¸cotemporais s˜ao guardados nas colunas TimeStamp, Position.0 e Position.1. O sistema de coordenadas assume o campo como um espa¸co cartesiano bidimensional, em que a origem ´e o centro do campo. O TimeStamp est´a representado em UNIX Epoch time. S˜ao ainda guardados, com recurso a n´umeros inteiros identificadores a equipa e o jogador ou bola a que pertence o dado espa¸cotemporal em quest˜ao.
1 TimeStamp , Team , TagID , P o s i t i o n . 0 , P o s i t i o n . 1
2 1 4 6 1 1 1 6 4 0 5 7 1 5 , − 1 , 3 0 0 0 , 0 . 4 5 1 6 4 6 5 1 5 9 3 1 6 8 5 , 0 . 8 2 8 8 2 1 5 4 8 6 7 7 8 7 2 3 1 4 6 1 1 1 6 4 0 5 7 1 5 , 2 4 , 3 1 5 5 , − 1 . 3 5 8 9 2 6 4 9 6 5 0 2 5 1 , − 1 . 8 7 7 6 3 1 8 4 1 7 0 1 0 2 4 1 4 6 1 1 1 6 4 0 5 7 1 5 , 2 4 , 3 5 0 8 , 5 . 7 4 4 1 3 9 0 0 5 2 0 2 2 7 , 0 . 1 1 0 4 0 4 8 7 9 8 7 2 5 2 6 5 1 4 6 1 1 1 6 4 0 5 7 1 5 , 2 4 , 2 6 6 5 5 4 , − 1 . 3 5 8 9 2 6 4 9 6 5 0 2 5 1 , − 1 . 8 7 7 6 3 1 8 4 1 7 0 1 0 2 6 1 4 6 1 1 1 6 4 0 5 7 1 5 , 2 4 , 2 9 5 9 2 2 , 1 . 5 0 6 3 6 4 2 7 4 4 7 6 3 1 , − 4 . 4 1 1 4 4 6 5 0 7 0 8 0 2 9 7 1 4 6 1 1 1 6 4 0 5 7 1 5 , 2 4 , 5 1 2 5 9 1 , − 0 . 8 2 2 1 5 5 3 9 2 9 5 7 6 2 1 , 2 . 2 5 0 1 9 2 3 8 1 8 4 0 7 7 8 1 4 6 1 1 1 6 4 0 5 7 1 5 , 2 9 , 3 2 3 0 , − 1 . 1 0 0 8 7 0 6 1 7 0 2 9 2 1 , − 2 . 3 3 7 1 7 5 7 6 7 0 0 9 4 1
