Performance Management for Athletes via Artificial Intelligence Using Sensor Data

Yıl 2025, Cilt: 15 Sayı: 1, 56 - 74, 22.04.2025

Yasin Zencir , Emrah Aydemir

Öz

Today, athletes’ performance data is obtained through various sensor-based devices and later used as a performance evaluation tool through different methods. In this study, performance data of athletes was collected using a device designed with an Arduino microcontroller board, obstacle sensors, and nRF wireless communication technology. This data was analyzed using supervised machine learning techniques to develop a performance evaluation model. The model provides a scientific, AI-based performance management system for both athletes and their coaches.

The device was tested on 18 students aged 11-12, with each student completing 20 trials. Each student interacted with a total of 25 devices in a sequence, resulting in 500 data points per student. A total of 9,000 data points were collected, including the students’ weight, height, gender, and expert-provided evaluation labels, which were recorded in a database. The data was analyzed using Weka software with 32 different classification methods, with the highest accuracy rate of 95.8333% achieved using the MultilayerPerceptron method.

The device and developed models can be applied not only in the sports field but also in healthcare and education. For example, it can be used in hospitals to make physical therapy exercises more engaging. It can also be utilized in schools to enhance physical education classes and prepare students for sports competitions. Additionally, it can serve as a play material in early childhood education to improve children’s psychomotor skills.

Anahtar Kelimeler

Aerobic and anaerobic skills , model development , psychomotor skills , reactive agility.

Sporcular için Sensör Verileri Üzerinden Yapay Zeka ile Performans Yönetimi

Öz

Günümüzde sensör tabanlı birçok cihaz yardımıyla sporcuların performans verileri elde edilmekte ve bu veriler daha sonra farkı yöntemler kullanılarak performans değerlendirme aracı olarak kullanılmaktadır. Bu çalışmada arduino mikrodenetleyici kartı, engel sensörü ve nRF kablosuz iletişim teknolojisi kullanılarak tasarlanan bir cihaz yardımıyla sporcular ile ilgili performans veriler elde edilmiştir. Bu veriler denetimli makine öğrenmesi yöntemi ile analiz edilerek bir performans belirleme modeli oluşturulmuştur. Bu model, sporcu ve sporcu çalıştırıcıları için bilimsel veriye dayalı ve yapay zeka tabanlı bir performans yönetim sistemi sağlamaktadır.

Tasarlanan cihaz 11-12 yaş aralığındaki 18 öğrenci üzerinde uygulanmış ve her öğrencinin 20 deneme yapması sağlanmıştır. 5 cihaz arasında koşarak toplamda 25 cihaza uğramaları sağlanan her bir öğrenci için 500 veri elde edilmiştir. 18 öğrenciden elde edilen 9000 veri, öğrencilere ait kilo, boy, cinsiyet ve bir uzman tarafından verilen değerlendirme etiketi ile birlikte bir veri tabanına kaydedilmiştir. Bu veriler Weka programı ile 32 adet sınıflandırma yöntemi kullanılarak analiz edilmiş ve en başarılı oran %95.8333 ile MultilayerPerceptron yöntemi ile elde edilmiştir.

Bu çalışmada tasarlanan cihaz ve oluşturulan modeller sadece spor alanında değil, sağlık ve eğitim alanlarında da kullanılabilir. Örneğin; hastanelerde fizik tedavi çalışmalarını eğlenceli hale getirmek için kullanılabilir. Okullarda beden eğitimi derslerini sevdirmek ve öğrencileri spor müsabakalarına hazırlamak için kullanılabilir. Ayrıca okul öncesi eğitiminde de hem oyun materyali olarak hem de çocukların psiko-motor becerilerinin geliştirilmesi amacıyla kullanılabilir.

Anahtar Kelimeler

Aerobik ve anaerobik beceri , model oluşturma , psiko-motor beceri , reaktif çeviklik.

Kaynakça

• Abdelrahim, SOO., Hassan, MZM., Salih, AMS., Abdo-Alrahiem, AAM., Abdelgadir Mohamed, M. 2022. RF performance evaluation of the nRF24L01+ based wireless water quality monitoring sensor node: Khartoum city propagation scenario. Journal of Electrical Systems and Information Technology, 9(1):13. Doi: 10.1186/s43067-022-00052-3
• Adetya, FB., Hidayat, S., Al Fansyuri, B. 2021. nRF24L01 distance and error link when operated on orange plant garden. In Journal of Physics: Conference Series IOP Publishing. s.1, Indonesia.
• Arı, E., İnce, A., Çakmak, E. 2020. Genç kadın futbol oyuncularında çeviklik, sürat ve reaksiyon sürati parametreleri arasındaki ilişkilerin incelenmesi. Spor ve Performans Araştırmaları Dergisi, 11(1):12-23. Doi: 10.17155/omuspd.604875
• Armstrong, R., Greig, M. 2018. The Functional Movement Screen and modified Star Excursion Balance Test as predictors of T-test agility performance in university rugby union and netball players. Physical Therapy in Sport, 31:15-21. Doi: 10.1016/j.ptsp.2018.01.003
• Atalay, M., Çelik, E. 2017. Büyük veri analizinde yapay zekâ ve makine öğrenmesi uygulamalari-artificial intelligence and machine learning applications in big data analysis. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9(22), 155-172. Doi: 10.20875/makusobed.309727
• Balsalobre-Fernandez, C., Bishop, C., Beltrán-Garrido, JV., Cecilia-Gallego, P., Cuenca-Amigó, A., Romero-Rodríguez, D., Madruga-Parera, M. 2019. The validity and reliability of a novel app for the measurement of change of direction performance. Journal of sports Sciences, 37(21):420-2424. Doi: 10.1080/02640414.2019.1640029
• Born, DP., Zinner, C., Düking, P., Sperlich, B. 2016. Multi-directional sprint training improves change-of-direction speed and reactive agility in young highly trained soccer players, Journal of Sports Science and Medicine, 15(2):314.
• Chelladurai, P. 1976. Manifestations of agility. Journal of the Canadian Association of Health, Physical Education and Recreation, 42(3):36-41. Doi: 10.1080/00221473.1971.10617197
• Coswig, V., Silva, ADACE., Barbalho, M., De Faria, FR., Nogueira, CD., Borges, M., Gorla, JI. 2019. Assessing the validity of the MyJUMP2 app for measuring different jumps in professional cerebral palsy football players: an experimental study. JMIR mHealth and uHealth, 7(1): e11099. Doı: 10.2196/11099
• Doğru, Z., Balçık, D., Yiğit, B., Aydın, Y. 2020. Farklı çeviklik testleri arasındaki ilişkinin incelenmesi. Journal of Global Sport and Education Research, 3(2):1-14.
• Donuk, K., Hanbay, D. 2021. Sınıflandırma algoritmalarına dayalı VGG-11 ile yüzde duygu tanıma. Computer Science, Special:359-365. Doi: 10.53070/bbd.990613
• Driller, M., Tavares, F., McMaster, D., O’Donnell, S. 2017. Assessing a smartphone application to measure counter-movement jumps in recreational athletes. International Journal of Sports Science and Coaching, 12(5):661–664. Doi: 10.1177/1747954117727846
• Dündar, ÖM., Aydın, A., 2021. Sporcuların Kalp Atım Hızının ESP-NOW Kullanılarak Kablosuz İletimi. Konya Journal of Engineering Sciences, 9(3):633-646. Doi: 10.36306/konjes.879392 Erdaş, ÇB. 2017. Taşınabilir Sensörlerden Aktivite ve kişi tanıma. Yüksek lisans tezi, Başkent Üniversitesi, 72s.
• Escobar Alvarez, J. A., Carrasco Zahínos, R., Olivares Sánchez-Toledo, PR., Feu Molina, S., Ramírez Vélez, R., Pérez Sousa, MA. 2020. The validity and reliability of a novel mobile app to measure agility performance in the physically active youth population. European Journal of Human Movement, 45. Doi: 10.21134/eurjhm.2020.45.9
• Esmer, O. 2020. Farklı branşlardaki kadın sporcular ile yapılan özel antrenmanların çabukluk ve çeviklik üzerine etkisi. International Journal of Social Humanities Scıences Research, 7(53):1068-1072. Doi: 10.26450/jshsr.1861
• Farrow, D., Young, W., Bruce, L. 2005. The development of a test of reactive agility for netball: A newme tho dology. Journal of Scienceand Medicine in Sport, 8(1):52-60. Doi: 10.1016/s1440-2440(05)80024-6
• Hastie, T., Tibshirani, R., Friedman, JH., Friedman, JH. 2009. The elements of statistical learning: data mining, inference, and prediction (Vol. 2, pp. 1-758). New York: springer. Doi: 10.1111/j.1751-5823.2009.00095_18.x
• Haynes, T., Bishop, C., Antrobus, M., Brazier, J. 2019. The validity and reliability of the My Jump 2 app for measuring the reactive strength index and drop jump performance. The Journal of Sports Medicine and Physical Fitness, 1-16. Doi: 10.23736/S0022-4707.18.08195-1
• Jordan, MI., Mitchell, TM. 2015. Machine learning: Trends, perspectives, and prospects. Science, 349(6245):255–260. Doi: 10.1126/science.aaa8415. Kamuk, YU. 2020. Reliability and validity of a novel agility measurement device for badminton players. African Educational Research Journal, 8(1):54-61. Doi: 10.30918/AERJ.8S1.20.008
• Kartal, A., Gökmen, K. 2023. Futbol tenisi oyununun çeviklik, reaksiyon ve şut isabetine etkisi. Kilis 7 Aralık Üniversitesi Beden Eğitimi ve Spor Bilimleri Dergisi, 7(2):241-249.
• Keskenler, MF., Keskenler, EF. 2017. Geçmişten günümüze yapay sinir ağları ve tarihçesi. Takvim-i Vekayi, 5(2):8-18.
• Kızılet, A., Atilan, O., Erdemir, I. 2010. 12-14 yaş grubu basketbol oyuncularinin çabukluk ve siçrama yetilerine farkli kuvvet antrenmanlarinin etkisi. Journal of Physical Education and Sport Sciences, 12.
• Kirby, R. 1971. A simple test of agility. Coach and athlete, 25(6):30-31. Doi: 10.1007/978-981-19-8159-3_6
• Kuhn, M., Johnson, K. 2013. Applied predictiözzzzve modeling (Vol. 26, p. 13). New York: Springer. Doi: 10.1111/biom.12855
• Kuvancı, G., Bozdoğan, T., Kızılet, A. 2021. 18–22 yaş genç sporcularda mobil uygulamalarda bulunan dikey sıçrama, çeviklik ve kas dayanıklılık ölçümünün geçerliliğinin incelenmesi. Spor Eğitim Dergisi, 5(3):178-186.
• Lantz, B. 2019. Machine learning with R: expert techniques for predictive modeling. Packt publishing ltd. Doi: 10.1080/10686967.2019.1648086
• MEB. 2013. Milli eğitim bakanlığı çocuk gelişim ve eğitimi psiko-motor gelişim. http://ismek.ist/files/ismekOrg/file/2014_hbo_program_modulleri/Psiko_MotorGelisim.pdf. Erişim: 02.02.2024
• Mor, A., Karakaş, F., Mor, H., Yurtseven, R., Yılmaz, AK., Acar, K. 2022. Genç futbolcularda direnç bandı egzersizlerinin bazı performans parametrelerine etkisi. Spormetre Beden Eğitimi Ve Spor Bilimleri Dergisi, 20(3):128-142. Doi: 10.33689/spormetre.1095371
• Mucherino, A., Papajorgji, PJ., Pardalos, PM. 2009. K-nearest neighbor classification. Data Mining in Agriculture, 83:106. Doi: 0.1007/978-0-387-88615-2_4
• Nabiyev, VV. 2012. Yapay zeka: insan-bilgisayar etkileşimi. Seçkin Yayıncılık, Türkiye, 776 s.
• Navega, D., Coelho, C., Vicente, R., Ferreira, MT., Wasterlain, S., Cunha, E. 2015. AncesTrees: ancestry estimation with randomized decision trees. International journal of legal medicine, 129:1145-1153. Doi: 10.1007/s00414-014-1050-9
• Ocak, Y. 2023. Futbolcularda reaktif çeviklik ve hızlı yön değiştirme becerilerinin karşılaştırılması. Kilis 7 Aralık Üniversitesi Beden Eğitimi ve Spor Bilimleri Dergisi, 7(2):230-240.
• Oliver, JL., Meyers, RW. 2009. Reliability and generality of measures of acceleration, planned agility, and reactive agility. International journal of sports physiology and performance, 4(3):345-354. Doi: 10.1123/ijspp.4.3.345
• Orhan, R., Ayan, S. 2018. Psiko-motor ve gelişim kuramları açısından spor pedagojisi. Kırıkkale Üniversitesi Sosyal Bilimler Dergisi, 8(2):523-540.
• Özpunar, R. 2022. Bireysel, takım ve raket sporlarında reaktif çeviklik ve planlı yön değiştirme becerilerinin karşılaştırılması. Yüksek lisans tezi, Afyon Kocatepe Üniversitesi, 56s.
• Rahmat, H., Cahyadi, A. 2021. Design of automatic pull-up and chin-up machine as automatic tools to count pull-up and chin-up repetition test. Lınguıstıca Antverpıensıa, 3(3):861-867.
• Rasouliyan, L., Miller, DP. 2006. The logic and logistics of logistic regression. Western users of SAS software, 1-14.
• Serpell, BG., Young, WB., Ford, M. 2011. Are the perceptual and decision-making components of agility trainable? A preliminary investigation. The journal of strength and conditioning research, 25(5):1240-1248. Doi: 10.1519/JSC.0b013e3181d682e6
• Smola, AJ., Schölkopf, B. 2004. A tutorial on support vector regression. Statistics and computing, 14, 199-222.
• Tandara, M. 2020. NRF24 modul za komunikaciju između mikroupravljača. Doctoral dissertation, Josip Juraj Strossmayer University of Osijek, 28 pp.
• Taşar, B. 2021. Giyilebilir Minyatür Atalet ve Manyetik Sensörler (MIMU) Vasıtasıyla Alt Ekstremite Aktivitelerinin Makine Öğrenmesi Algoritmaları İle Sınıflandırılması. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 26(3):123-134. Doi: 10.53433/yyufbed.931553
• Tortu, E., Akınoğlu, B., Hasanoğlu, A., Kocahan, T. 2022. Kadın ve Erkek Sporcularda Anaerobik Performans ve Reaktif Çeviklik Arasındaki İlişkinin İncelenmesi: Kesitsel Bir Çalışma. Turkiye Klinikleri Journal of Sports Sciences, 14(1). Doi: 10.5336/sportsci.2021-85051
• Turgut, A., Çoban, G.Ö., ve Gelen, E. 2018. Dikey sıçrama performansının belirlenmesinde akıllı telefon uygulaması kullanılabilir mi?. International Journal of Sport Exercise and Training Sciences-IJSETS, 4(2): 79-83.
• TDK 2024. Çevik. https://sozluk.gov.tr (Erişim tarihi: 15 Nisan 2024).
• User, MA. 2016. Çeviklik ölçüm sisteminin tasarımı ve gerçekleştirilmesi. Yüksek Lisans Tezi. Afyon Kocatepe Üniversitesi, 53s.
• Wenzel, H., Smit, D., Sardesai, S. 2019. A literature review on machine learning in supply chain management. In Artificial Intelligence and Digital Transformation in Supply Chain Management: Innovative Approaches for Supply Chains. Proceedings of the Hamburg International Conference of Logistics (HICL), Vol. 27 (pp. 413-441). Berlin: epubli GmbH. Doi: 10.15480/882.2478
• Yıldız, M., Fidan, U. 2019. Fitspeed Çok fonksiyonlu sportif performans ölçüm ve antrenman sisteminin geçerliği. Spor Bilimleri Dergisi, 29(4):187-195. Doi: 10.17644/sbd.522607
• Yingling, VR., Castro, DA., Duong, JT., Malpartida, FJ., Usher, JR., Jenny, O. 2018. The reliability of vertical jump tests between the Vertec and My Jump phone application. PeerJ, 6:e4669. Doi: 10.7717/peerj.466
• Zemkova, E. 2016. Differential contribution of reaction time and movement velocity to the agility performance reflects sport-specific demands. Human movement, 17(2):94-101. Doi: 10.1515/humo-2016-0013