💻 computer science

Towards Athlete Fatigue Assessment from Association Football Videos

Este artigo investiga a viabilidade de utilizar vídeos de transmissão monocular para avaliar a fadiga no futebol, propondo um pipeline que reconstrói trajetórias de jogadores e gera perfis de aceleração-velocidade, demonstrando que, embora promissor como solução de baixo custo, o método enfrenta desafios relacionados a ruídos e inconsistências temporais inerentes às imagens de transmissão.

Autores originais: Xavier Bou, Nathan Correger, Alexandre Cloots, Cédric Gavage, Silvio Giancola, Cédric Schwartz, François Delvaux, Rudi Cloots, Marc Van Droogenbroeck, Anthony Cioppa

Publicado 2026-04-08

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Xavier Bou, Nathan Correger, Alexandre Cloots, Cédric Gavage, Silvio Giancola, Cédric Schwartz, François Delvaux, Rudi Cloots, Marc Van Droogenbroeck, Anthony Cioppa

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um treinador de futebol e quer saber se seus jogadores estão cansados. Normalmente, você teria que colocar um sensor no peito deles (como um monitor cardíaco) ou usar um GPS no colete, o que é caro e invasivo.

Este artigo de pesquisa pergunta: "E se pudéssemos descobrir o cansaço dos jogadores apenas assistindo ao jogo na TV, sem nenhum sensor neles?"

A resposta é: Sim, é possível, mas é como tentar adivinhar o clima olhando para as nuvens de longe.

Aqui está a explicação simples do que eles fizeram, usando analogias do dia a dia:

1. O Grande Desafio: Ver o Invisível

O futebol é jogado em um campo enorme, mas a câmera da TV fica longe e só vê o campo de um ângulo. É como tentar medir a velocidade de um carro apenas olhando para ele passar pela janela de uma casa longe da estrada.

Os pesquisadores usaram uma tecnologia de "Inteligência Artificial" chamada Reconstrução do Estado do Jogo. Pense nisso como um mágico digital que pega a imagem plana da TV e a transforma em um mapa 3D do campo. Ele consegue dizer: "O jogador com a camisa 10 está exatamente aqui, no metro 20 da linha lateral".

2. O Problema do "Sinal de Rádio Ruim"

O problema é que a IA não é perfeita. Às vezes, ela perde o jogador por um segundo (porque ele foi coberto por outro) ou erra um pouco a posição. É como tentar ouvir uma conversa em um show de rock: você entende as palavras, mas há muito ruído de fundo.

Se você tentar calcular a velocidade e a aceleração (o quanto o jogador pisa no acelerador) diretamente dessas posições imperfeitas, o resultado fica cheio de "tremores" e erros, como um carro que parece estar acelerando e freando sozinho porque o velocímetro está quebrado.

3. A Solução: O "Filtro de Café"

Para consertar isso, os pesquisadores criaram um novo algoritmo de processamento. Eles agiram como um filtro de café ou um equilibrador de áudio:

Eles pegaram os dados "sujos" da IA.
Aplicaram um filtro matemático (chamado de Kalman Filter) que suaviza os tremores, removendo o ruído mas mantendo o movimento real.
Isso permitiu calcular a velocidade e a aceleração de forma muito mais suave e confiável.

4. O "Mapa de Energia" (Perfil Aceleração-Velocidade)

Agora que eles tinham dados limpos, eles criaram o que chamam de Perfil Aceleração-Velocidade.
Imagine que cada jogador tem um motor interno.

Quando o motor está novo e o jogador está descansado, ele consegue acelerar muito rápido, mesmo já andando rápido.
Quando o motor está cansado (fadiga), ele ainda consegue andar rápido, mas perde a força para acelerar. Ele demora mais para sair do lugar ou mudar de direção.

O estudo traça um gráfico (uma linha) mostrando essa relação. Se a linha ficar mais "íngreme" ou mudar de forma ao longo do jogo, isso é um sinal de que o "motor" do jogador está ficando cansado.

5. O Resultado: Funciona?

Eles testaram isso em vídeos reais de jogos (incluindo meio jogo inteiro de 45 minutos).

O que deu certo: Para os jogadores que a IA conseguiu acompanhar bem (sem perder de vista), o sistema conseguiu detectar padrões de cansaço muito parecidos com os dados reais.
O que é difícil: Se a IA perde o jogador (por causa de uma torcida apertada ou chuva), os dados ficam ruins. É como tentar medir a velocidade de um carro que você só vê por 5 segundos a cada 1 minuto.

Conclusão em uma frase

Este trabalho mostra que, no futuro, podemos usar apenas a transmissão de TV para monitorar a fadiga dos jogadores, economizando milhões em sensores caros, mas ainda precisamos treinar a IA para não "perder de vista" os jogadores quando a ação fica muito intensa.

É como dizer: "Não precisamos mais colocar um sensor no peito do jogador para saber se ele está exausto; basta a câmera da TV e um bom computador para nos contar a história do cansaço dele."

Título: Avaliação da Fadiga de Atletas a partir de Vídeos de Transmissão de Futebol Associado

1. Problema e Motivação

A monitorização da fadiga no futebol é crucial para a prevenção de lesões e otimização do desempenho tático. Tradicionalmente, os indicadores de fadiga são obtidos através de:

Métricas subjetivas (relatos dos atletas).
Biomarcadores laboratoriais (sangue, urina), que são invasivos e não permitem monitorização em tempo real.
Sensores intrusivos (GPS, monitores cardíacos), que são caros e limitam a escalabilidade e reprodutibilidade dos estudos.

O artigo propõe investigar se vídeos de transmissão monoculares (câmera única) podem fornecer sinais espaço-temporais de qualidade suficiente para estimar a fadiga de forma objetiva, não invasiva e de baixo custo, substituindo ou complementando os sensores físicos.

2. Metodologia

O trabalho propõe um pipeline completo que transforma vídeos brutos em indicadores de fadiga, baseando-se na reconstrução do estado do jogo (Game State Reconstruction - GSR).

A. Reconstrução do Estado do Jogo (GSR):

Utiliza métodos de ponta (como Broadcast2Pitch e SoccerMaster) treinados no benchmark SoccerNet.
O sistema detecta jogadores, calibra a câmara e projeta as detecções 2D para coordenadas métricas no campo (pitch), gerando trajetórias $(x, y)$ ao longo do tempo para cada atleta.

B. Processamento de Cinemática (Velocidade e Aceleração):

Interpolação e Suavização: As trajetórias brutas contêm ruído e lacunas (devido a oclusões). O método aplica interpolação linear para lacunas curtas (até 3 quadros) e utiliza filtros temporais (Kalman ou Savitzky-Golay) para reduzir o ruído de alta frequência.
Cálculo de Derivadas: Para evitar o amplificação de ruído inerente à diferenciação direta (especialmente na aceleração, segunda derivada), o método calcula a velocidade e a aceleração sobre uma janela temporal mais ampla (0,5 a 2 segundos), em vez de quadro a quadro.
Filtragem Final: Valores de velocidade acima de 15 m/s são removidos (saltos irreais) e a aceleração é suavizada com uma média móvel central.

C. Construção do Perfil Aceleração-Velocidade (A-S):

Com os sinais de velocidade e aceleração limpos, constrói-se o perfil Aceleração-Velocidade (A-S).
Este modelo linear relaciona a aceleração instantânea com a velocidade de corrida.
Parâmetros Extraídos:
- $A_0$ : Aceleração máxima teórica (intercepto no eixo Y).
- $S_0$ : Velocidade máxima teórica (intercepto no eixo X).
- Inclinação (Slope): Reflete o equilíbrio entre capacidade de aceleração e velocidade.
A evolução destes parâmetros ao longo do tempo do jogo serve como indicador de fadiga (ex: diminuição da capacidade de gerar aceleração em altas velocidades).

3. Contribuições Principais

Primeiro Estudo de seu Tipo: Investigação pioneira de indicadores de fadiga derivados exclusivamente de vídeos de transmissão monoculares, sem dependência de dados GPS proprietários.
Novo Algoritmo de Processamento: Introdução de um método robusto para extrair sinais de velocidade e aceleração temporalmente consistentes a partir de trajetórias reconstruídas por GSR, permitindo a criação de perfis A-S a partir de vídeo.
Análise Empírica e Benchmarking: Avaliação rigorosa no conjunto de dados SoccerNet-GSR, cobrindo tanto clipes curtos (30s) quanto meias-fases completas (45 min), identificando limitações e direções futuras.

4. Resultados e Análise

Os experimentos foram realizados no conjunto de teste do SoccerNet-GSR (49 sequências de vídeo, 773 atletas).

Qualidade das Trajetórias: As trajetórias preditas seguem de perto as trajetórias reais (Ground Truth), embora apresentem algum ruído de localização.
Estimativa de Velocidade e Aceleração:
- O uso de filtros (especialmente o Filtro de Kalman) e janelas temporais maiores ( $l_n$ ) melhorou significativamente a consistência temporal e reduziu o erro (MAE/RMSE).
- A velocidade foi estimada com alta precisão nas detecções mais confiáveis.
- A aceleração, sendo uma segunda derivada, é mais ruidosa, mas ainda mostra correlação significativa com os dados reais nas melhores trajetórias.
Análise de Confiabilidade:
- Foi definida uma métrica de confiabilidade combinando correlação, erro de amplitude e fração de quadros visíveis.
- As 30% mais confiáveis das detecções apresentaram alta correlação temporal e baixo erro, sendo adequadas para análise de fadiga.
- As 30% menos confiáveis (geralmente devido a oclusões severas ou áreas de grande aglomeração) falharam em fornecer dados úteis, destacando a necessidade de filtrar dados ruins.
Perfis A-S:
- Em clipes curtos, os perfis A-S preditos seguiram a tendência do Ground Truth, apesar de flutuações de amplitude.
- Em uma análise de meio-jogo completo (45 min), observou-se qualitativamente que o perfil do segundo tempo apresentou uma inclinação mais íngreme (declínio mais rápido da aceleração com o aumento da velocidade) comparado ao primeiro tempo, sugerindo o surgimento de fadiga.

5. Significado e Conclusão

Viabilidade: O estudo demonstra que pipelines de visão computacional baseados em câmera única são capazes de gerar sinais espaço-temporais de qualidade suficiente para apoiar a análise de fadiga no futebol profissional.
Custo e Escalabilidade: Oferece uma alternativa de baixo custo e não invasiva aos sistemas GPS, permitindo que clubes sem orçamentos elevados monitorem o desempenho físico.
Desafios Identificados:
- A precisão depende criticamente da qualidade da reconstrução do estado do jogo (GSR). Oclusões e ruídos em áreas densas ainda limitam a confiabilidade.
- A avaliação quantitativa absoluta é dificultada pela falta de um benchmark público com dados GPS de referência (Ground Truth) para velocidade/aceleração.
Futuro: O trabalho estabelece as bases para pesquisas futuras focadas na identificação e mitigação de detecções não confiáveis e na criação de benchmarks públicos com dados de sensores para validação rigorosa.

Em suma, o artigo valida o potencial da visão computacional para transformar vídeos de transmissão em ferramentas analíticas avançadas para a ciência do esporte, democratizando o acesso à monitorização de fadiga.