Verwendung von maschinellem Lernen zur Beantwortung Baseball-spezifischer Fragen

Aufgrund der Natur des Baseballspiels ereignen sich viele Verletzungen bei Zwischenfällen ohne Körperkontakt. Das 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 Vorteile der Tausenden von Datenpunkten nutzt, die damit gewonnen wurden OptimEye S5 Gerät. Anhand dieser Rohdaten und Videos von professionellen Spielen und Trainings konnte Catapult sportspezifische Algorithmen entwickeln, die Volumen und Intensität für Aktivitäten wie Werfen und Schlägerschwingen quantifizieren.

Erste Tests haben eine Genauigkeitsrate von über 90% gezeigt, wobei die maschinelle Lernfunktion eine Verbesserung mit der zunehmenden Datenmenge ermöglicht, die in das Gerät eingespeist wird.

Reduzierung der Behindertenliste in MLB

Studium in Das American Journal of Orthopaedics haben gezeigt, dass die Anzahl der Einsätze auf der Behindertenliste (DL) 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 allen anderen Positionen 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 Verwendung objektiver Daten zu Volumen und Intensität dieser Bewegungen den Praktikern die Möglichkeit gibt, die Trainingsbelastung zu kontrollieren.

Die Entwicklung eines Baseball-Algorithmus

Um Ereignisse wie Pitches und Schlägerschwünge zu quantifizieren, wurde ein überwachter Algorithmus für maschinelles Lernen darauf trainiert, die während des Trainings gesammelten Pitches und Schlägerschwünge mit den Messwerten des OptimEye S5-Geräts abzugleichen.

Konkret hat Catapult einen Random Forest-Algorithmus entwickelt, der auf Daten basiert, die aus Trainingseinheiten verschiedener Baseballteams, sowohl Profi- als auch College-Baseballteams, gesammelt wurden. Die Trainingsdaten enthalten Beschleunigungsmesser- und Gyroskopwerte für über 6.000 Würfe, Schlägerschwünge oder keines von beidem 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.

Bei jedem dieser Ereignisse untersuchte Catapult Merkmale, die vom dreidimensionalen Beschleunigungsmesser und dem dreidimensionalen Gyroskop innerhalb eines Zeitfensters von zwei Sekunden nach dem Ereignis erhalten wurden: eine Sekunde vor und eine Sekunde nach dem Ereignis. Zu den Merkmalen gehören beispielsweise der Maximalwert, der Mittelwert und die Standardabweichung für die Messwerte der Beschleunigungsmesser und Gyroskope.

Jedes dieser Merkmale wurde für das Ereignis von Interesse sowie seine Klassifizierung als Wurf, Schlägerschwung oder keines von beidem eingegeben, um einen Trainingssatz für den Algorithmus zu erstellen.

Resultate und Diskussion

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

• Bullpen
• Vom Hügel zum Fänger werfen
• Hochwertige Würfe beim Aufwärmen
• Weitwürfe beim Fielding
• Schaukeln im Käfig oder beim Schlagtraining

Die konservative Schätzung spiegelt die Tatsache wider, dass der Algorithmus nur Würfe und Schwünge zählt, die schwer genug sind, um spielähnlich zu sein (d. h. „hochwertige“ Würfe und Schlägerschwünge). Die meisten Fehler entstehen durch weiche Würfe zu Beginn der Übung, die zu weich sind, um gezählt zu werden.

Nach der Klassifizierung einer Trainingseinheit in Schwünge, Würfe oder keines von beidem berechnet der Algorithmus die Gesamtbelastung, die mit jedem Schlägerschwung und -wurf verbunden ist. Über die Schnittstelle können verschiedene Größen wie die durchschnittliche Spielerbelastung oder die durchschnittliche Zeit zwischen diesen Aktivitäten sowie die Streifenbildung für jeden Wurf oder Schlägerschwung ermittelt werden.

Die Metriken von Catapult für Pitching und Schlägerschwünge ermöglichen es Baseballspielern, die Lautstärke und Intensität wichtiger Bewegungen zu kontrollieren, die zu Verletzungen durch Überbeanspruchung führen und Profi- und College-Teams jedes Jahr Millionen von Dollar kosten. Diese Kennzahlen können die Zukunft der Periodisierung des Pitcher- und Batter-Trainings für Trainer bestimmen, die eine bessere Transparenz über den Trainingseffekt in einer realen Umgebung wünschen.

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