Football is a challenging research domain. Each match involves 22 players

Detection of real-time patterns

in sports interactions in football

Gudberg K. Jonsson, Sigridur H. Bjarkadottir, Baldvin Gislason,

Andrew Borrie et Magnus S. Magnusson

---

Gudberg K. Jonsson, Sigridur H. Bjarkadottir, Baldvin Gislason, Andrew Borrie et Magnus S. Magnusson

38

Figure 1:

A s c h e ma t ic re p r e s e nta t io n o f a T-p a tt e rn i s s h o w n i n fi g ur e 1 . If o n e

assumes that the letters in line 1 correspond to specific performance events

(e.g. pass, tackle and shot in football) that appear on the line in proportion to

th e time o f th e ir oc c ur re n ce t he n lin e 1 i s a v is ua l r e pr e se n tat io n o f t h e

temporal structure of a sports performance.

W it h in t h e u p p er l in e t h e re a r e fo u r e v e n ts (a , b , c , d ) th a t o c cu r in a

r e g u l a r t e m p o r a l pa t t e r n h o w e v e r t h e p a t te rn h a s b e e n m a s k e d b y th e

surro undin g, more ran dom, o ccurre nce of the eve nts w an d k . If a pe rfor-

mance analyst or coach were simply visually inspecting the data string it is

unlikely that the pattern would have been detected. The T-pattern analysis

w o u l d h a v e i d e n t i f i e d t h e p a t t e r n b e c a u s e o f i ts c o n s i s t e n t t e m p o r a l

structure. The T-pattern detection algorithms allow an analyst to separate out

rando mly occu rring eve nts from temporal pa tte rn s e ven whe n th e ran dom

events occur in between elements of the pattern.

A T-pattern is essentially a combination of events where the events occur

in the same order with the consecutive time distances between consecutive

pattern components remaining relatively invariant with respect to an expec-

tation assuming, as a null hypothesis, that each component is independently

and randomly distributed over time. As stated by Magnusson ’that is, if A is

an earlier and B a later component of the same recurring T-pattern then after

an occurrence of A at t, there is an interval that tends to contain at least one

occurrence of B more often than would be expected by chance’ (Magnusson,

20 00 , p. 9 4). The t empo ra l r ela tion sh ip b etwee n A an d B is d ef ine d as a

critical interval an d this con cept lies at th e cen tre of the pattern d etectio n

algorithms.

Th e pattern detection a lg orithms c an a nalyze both o rd in al and temporal

data however, for the algorithms to generate the most meaningful analyses

the raw data must be time coded i.e. an event must be coded according to

time of occurre nce as well as event type . The coding of many event-typ es

and corres pond in g times re sults in the type of d ata set shown in figure 2.

This figure displays a behaviour record from the second half of a club football

match and consists of 250 series of occurrence times (one for each coded

event type) ordered according to their first occurrence time.

Schematic representation

of a T-pattern viewed

within a normal data string

and as it appears

in isolation.

Présentation schématique

d’un T-pattern dans une

séquence normale

et lorsqu’il est isolé.

L’axe représente le temps.

a, b, c, d, k et w sont

des évènements-types.

---

Detection of real-time patterns in sports interactions in football