Blog

Verwendung von maschinellem Lernen zur Beantwortung Baseball-spezifischer Fragen

22. November 2017

Angesichts der Natur des Baseballspiels tritt ein großer Teil der Verletzungen bei berührungslosen Vorfällen auf, was bedeutet, dass die Notwendigkeit, die Trainingsbelastung zu messen und zu kontrollieren, dazu beitragen wird, diese Art von Verletzungen zu reduzieren.

Vor diesem Hintergrund hat das Analyseteam von Catapult maschinelles Lernen implementiert, das die Tausenden von Datenpunkten nutzt, die mit seinem OptimEye S5 Gerät. Mit diesen Rohdaten und Videos aus professionellen Spielen und Trainings konnte Catapult sportspezifische Algorithmen entwickeln, die Volumen und Intensität für Aktivitäten wie Werfen und Schlägerschwingen quantifizieren.

Frühe Tests haben eine Genauigkeitsrate von über 90% bewiesen, wobei die maschinelle Lernfunktion es ermöglicht, sich mit den mehr eingegebenen Daten zu verbessern.

Reduzieren der Behindertenliste in MLB

Studium in Das American Journal of Orthopedics haben gezeigt, dass die Zahl der DL-Zuweisungen und die Gesamtzahl der DL-Tage von Jahr zu Jahr gestiegen sind. Unter den verletzten Spielern auf der DL sind Pitcher häufiger verletzt und verbringen im Vergleich zu jeder anderen Position länger auf der DL.

Das Analyseteam von Catapult hat sich zum Ziel gesetzt, die Bewegungen zu quantifizieren, die am häufigsten zu diesen Überlastungsverletzungen führen, mit der Theorie, dass die Möglichkeit, objektive Daten zu Volumen und Intensität dieser Bewegungen zu verwenden, den Praktikern die Möglichkeit gibt, die Trainingsbelastung zu kontrollieren.

Die Herstellung eines Baseball-Algorithmus

Um Ereignisse wie Tonhöhen und Schlägerschwingen zu quantifizieren, wurde ein überwachter maschineller Lernalgorithmus trainiert, um die während des Trainings gesammelten Tonhöhen und Schlägerschwingen mit den Messwerten des OptimEye S5-Geräts abzugleichen.

Insbesondere hat Catapult einen Random-Forest-Algorithmus entwickelt, der auf Daten basiert, die aus Trainingssitzungen verschiedener Baseballteams gesammelt wurden, sowohl von Profis als auch von Colleges. Die Trainingsdaten enthalten Beschleunigungs- und Gyroskopwerte für über 6.000 Würfe, Schlägerschwünge oder beides für Dutzende von Spielern und verschiedene Positionen.

Es wurde ein Schwellenwert für die Belastung des Spielers eingeführt, um die explosiven Ereignisse von anderen Ereignissen wie dem Gehen zu isolieren. Dadurch wird sichergestellt, dass der Algorithmus nur spielähnliche Würfe und Schlägerschwünge auswählt.

Um jedes dieser Ereignisse herum untersuchte Catapult die Merkmale des dreidimensionalen Beschleunigungsmessers und des dreidimensionalen Gyroskops innerhalb eines Fensters von zwei Sekunden vor dem Ereignis: eine Sekunde vor und eine Sekunde danach. Beispiele für die Merkmale sind der Maximalwert, der Mittelwert und die Standardabweichung für das Ablesen der Beschleunigungsmesser und der Gyroskope.

Jedes dieser Merkmale wurde für das interessierende Ereignis sowie seine Klassifizierung als Wurf, Schlägerschwung oder keines von beiden eingegeben, um ein Trainingsset für den Algorithmus zu erstellen.

Resultate und Diskussion

Nachdem er einer großen Anzahl von Beispielen ausgesetzt war, um viele Würfe und Schlägerschwünge abzudecken, konnte der Algorithmus eine Genauigkeit von über 90% bei der Erkennung von Würfen und Schlägerschwung während einer Trainingseinheit erreichen. Zu den mit hervorragender Genauigkeit erkannten Würfen gehören:

  • Bullpen
  • Pitching vom Hügel zum Fänger
  • Qualitätswürfe beim Aufwärmen
  • Weitwürfe während des Fieldings
  • Schaukeln im Käfig oder beim Schlagtraining

Die konservative Schätzung spiegelt die Tatsache wider, dass der Algorithmus nur so eingestellt ist, dass er nur Würfe und Schwünge zählt, die hart genug sind, um spielähnlich zu sein (dh „Qualitäts“-Würfe und Schlägerschwünge). Die meisten Fehler stammen von weichen Würfen zu Beginn der Routine, die zu weich sind, um gezählt zu werden.

Nach der Klassifizierung einer Trainingseinheit in Schwünge, Würfe oder keines davon berechnet der Algorithmus die mit jedem Schlägerschwung und jedem Wurf verbundene Gesamtbelastung. Über die Benutzeroberfläche können verschiedene Größen wie die durchschnittliche Spielerbelastung oder die durchschnittliche Zeit zwischen diesen Aktivitäten sowie die Streifenbildung für jeden Wurf oder Schlägerschwung abgerufen werden.

Die Metriken von Catapult für Pitching und Schlägerschwung ermöglichen es Baseball-Praktikern, das Volumen und die Intensität wichtiger Bewegungen zu kontrollieren, die zu Überlastungsverletzungen führen und Profi- und College-Teams jedes Jahr Millionen von Dollar kosten. Diese Metriken können die Zukunft der Periodisierung des Pitcher- und Schlagtrainings für Trainer bestimmen, die eine bessere Transparenz des Trainingseffekts in einer realen Umgebung wünschen.

Möchten Sie herausfinden, wie Catapult Ihre sportspezifischen Fragen beantworten kann? Erfahren Sie hier mehr über unsere Leistungsanalysen.