機械学習を使用して野球特有の質問に答える
野球のプレーの性質を考慮すると、怪我の大部分は非接触事故で発生します。つまり、運動負荷を測定して制御する必要があることが、この種の怪我の軽減に役立つことを意味します。
これを念頭に置いて、Catapult の分析チームは、Catapult で取得した数千のデータ ポイントを活用する機械学習を実装しました。 オプティムアイ S5 デバイス。カタパルトは、プロの試合やトレーニングからの生データとビデオを使用して、投球やバットスイングなどの活動の量と強度を定量化するスポーツ固有のアルゴリズムを開発することができました。
初期のテストでは 90% を超える精度が証明されており、機械学習機能により、入力されるデータが増えるほど精度が向上します。
MLBにおける故障者リストの削減
での研究 アメリカ整形外科ジャーナル 故障者リスト（DL）の割り当て数とDLの総日数が年々増加していることが示されています。 DL で負傷した選手の中で、投手はより一般的に負傷しており、他のどのポジションと比較しても DL で過ごす時間が長くなります。
Catapult の分析チームは、これらの動きの量と強度に関する客観的なデータを使用できるようになれば、実践者がトレーニング負荷を制御できるようになるという理論に基づいて、これらのオーバーユース損傷に最も一般的につながる動きの定量化に着手しました。
野球アルゴリズムの作成
投球やバットスイングなどのイベントを定量化するために、トレーニング中に収集された投球やバットスイングを OptimEye S5 デバイスからの測定値と照合するように教師あり機械学習アルゴリズムがトレーニングされました。
具体的には、Catapult は、プロと大学のさまざまな野球チームのトレーニング セッションから収集したデータに基づいて、ランダム フォレスト アルゴリズムを構築しました。トレーニング データには、数十人の選手とさまざまなポジションに関する、投げ、バットのスイング、またはその両方の 6,000 を超える種目の加速度計とジャイロスコープの測定値が含まれています。
歩行などの他のイベントから爆発イベントを隔離するために、プレーヤーの負荷のしきい値が導入されました。これにより、アルゴリズムはゲームのような投球とバット スイングのみを選択するようになります。
これらの各イベントの前後で、カタパルトは、イベントから 2 秒以内 (1 秒前と 1 秒後) に、3 次元加速度計と 3 次元ジャイロスコープから得られた特徴を調査しました。特徴の例には、加速度計とジャイロスコープの読み取り値の最大値、平均、標準偏差が含まれます。
これらの各特徴は、アルゴリズムのトレーニング セットを構築するために、関心のあるイベントと、そのイベントの投げ、バット スイング、またはそのどちらでもないとしての分類に対して入力されました。
結果と考察
多くの投球とバットスイングをカバーするために多数の例にさらされた後、アルゴリズムはトレーニングセッション中に投球とバットスイングを検出する際に 90% 以上の精度を達成することができました。優れた精度で検出されるスローには次のものがあります。
- ブルペン
- マウンドからキャッチャーへの投球
- ウォームアップ中の質の高いスロー
- 守備時の遠投
- ケージ内または打撃練習中のスイング
この控えめな推定値は、アルゴリズムがゲームに近いほど難しい投球とスイング (つまり、「質の高い」投球とバットのスイング) のみをカウントするように設定されているという事実を反映しています。エラーのほとんどは、ルーチンの最初のソフトスローによるもので、柔らかすぎてカウントできません。
トレーニング セッションをスイング、スロー、またはどちらにも分類した後、アルゴリズムは各バットのスイングとスローに関連する合計負荷を計算します。プレーヤーの平均負荷やこれらのアクティビティ間の平均時間、各スローやバットスイングのバンディングなどのさまざまな量をインターフェイスを通じて取得できます。
Catapult の投球とバットのスイングに関する指標により、野球の実践者は、オーバーユースによる怪我につながり、プロチームや大学チームに毎年数百万ドルのコストをもたらす主要な動作の量と強度を制御することができます。これらの指標は、現実の環境でのトレーニング効果の透明性を高めることを望むコーチにとって、投手と打者のトレーニング期間の将来を決定する能力を持っています。
Catapult がスポーツ特有の質問にどのように答えられるか知りたいですか? パフォーマンス分析の詳細については、こちらをご覧ください.