Catapult
Блог

Использование машинного обучения для ответов на вопросы о бейсболе

22 ноября 2017

Учитывая характер игры в бейсбол, большая часть травм происходит в результате неконтактных происшествий, а это означает, что необходимость измерения и контроля физической нагрузки поможет уменьшить эти типы травм.

Имея это в виду, аналитическая команда Catapult внедрила машинное обучение, которое использует тысячи точек данных, полученных с ее помощью. OptimEye S5 устройство. Используя эти необработанные данные и видео из профессиональных игр и тренировок, Catapult смогла разработать алгоритмы для конкретных видов спорта, которые количественно определяют объем и интенсивность таких действий, как метание и размахивание битой.

Раннее тестирование показало, что уровень точности превышает 90%, а функция машинного обучения позволяет ему улучшаться с увеличением количества вводимых в него данных.

Сокращение списка инвалидов в MLB

Исследования в Американский журнал ортопедии показали, что количество назначений списков отключенных (DL) и общее количество дней DL увеличивается из года в год. Среди травмированных игроков на DL питчеры чаще травмируются и проводят больше времени на DL по сравнению с любой другой позицией.

Команда аналитиков Catapult поставила перед собой задачу количественно оценить движения, которые чаще всего приводят к этим травмам от чрезмерного использования, с теорией, согласно которой способность использовать объективные данные об объеме и интенсивности этих движений даст практикующим возможность контролировать тренировочные нагрузки.

Создание алгоритма бейсбола

Для количественной оценки таких событий, как питчи и взмахи битой, контролируемый алгоритм машинного обучения был обучен сопоставлению шагов и движений битой, собранных во время тренировки, с показаниями устройства OptimEye S5.

В частности, Catapult построил алгоритм случайного леса, основанный на данных, собранных во время тренировок различных бейсбольных команд, как профессиональных, так и студенческих. Данные тренировки содержат показания акселерометра и гироскопа для более чем 6000 событий бросков, взмахов битой или ни одного для десятков игроков и различных позиций.

Был введен порог нагрузки игрока, чтобы изолировать взрывные события от других событий, таких как ходьба. Это гарантирует, что алгоритм будет выбирать только броски и взмахи битой, как в игре.

Вокруг каждого из этих событий Catapult изучала особенности, полученные с помощью трехмерного акселерометра и трехмерного гироскопа в пределах окна в две секунды от события: одна секунда до и одна секунда после. Примеры функций включают максимальное значение, среднее значение и стандартное отклонение для показаний акселерометров и гироскопов.

Каждая из этих характеристик была введена для интересующего события, а также для его классификации как бросок, взмах летучей мыши или ни то, ни другое, чтобы построить обучающий набор для алгоритма.

Результаты и обсуждение

После демонстрации большого количества примеров, охватывающих множество бросков и взмахов битой, алгоритм смог достичь точности более 90% при обнаружении бросков и замахов битой во время тренировки. Броски, обнаруживаемые с превосходной точностью, включают:

  • КПЗ
  • Переход от насыпи к ловушке
  • Качественные броски во время разминки
  • Броски с дальней дистанции во время игры
  • Качели в клетке или во время тренировки ватином

Консервативная оценка отражает тот факт, что алгоритм настроен на подсчет только тех бросков и ударов, которые достаточно сложны, чтобы быть похожими на игру (например, «качественные» броски и взмахи битой). Большинство ошибок происходит из-за мягких бросков в начале упражнения, которые слишком мягкие, чтобы их можно было подсчитать.

После классификации тренировки на махи, броски или ни то, ни другое, алгоритм вычисляет общую нагрузку, связанную с каждым махом и броском битой. Различные величины, такие как средняя загрузка игрока или среднее время между этими действиями, а также диапазон для каждого броска или взмаха битой, можно получить через интерфейс.

Метрики Catapult для подачи и взмахов битой позволяют бейсболистам контролировать объем и интенсивность ключевых движений, которые приводят к чрезмерным травмам и обходятся профессиональным и студенческим командам в миллионы долларов каждый год. Эти показатели могут определять будущее периодизации тренировок питчера и бэттера для тренеров, которые хотят большей прозрачности в тренировочном эффекте в реальных условиях.

Хотите узнать, как Catapult может ответить на ваши спортивные вопросы? Узнайте больше о нашей аналитике производительности здесь.