使用机器学习回答棒球特定问题

鉴于棒球比赛的性质，很大一部分伤害发生在非接触事件中，这意味着测量和控制运动负荷的需要将有助于减少此类伤害。

考虑到这一点，Catapult 的分析团队实施了机器学习，利用其获得的数千个数据点 优普眼S5 设备。利用来自专业比赛和训练的原始数据和视频，Catapult 已经能够开发出特定运动的算法，可以量化投掷和挥棒等活动的数量和强度。

早期测试已证明其准确率超过 90%，机器学习功能使其能够随着输入的数据越多而提高。

减少美国职业棒球大联盟的残疾人名单

研究于 美国骨科杂志 数据显示，伤残名单（DL）分配数量和 DL 总天数逐年增加。在 DL 受伤的球员中，投手更容易受伤，并且与其他位置相比，在 DL 上花费的时间更长。

Catapult 的分析团队着手量化最常导致这些过度使用伤害的动作，其理论是，能够使用这些动作的体积和强度的客观数据将使练习者能够控制训练负荷。

棒球算法的制定

为了量化投球和球棒挥动等事件，训练了监督机器学习算法，将训练期间收集的投球和球棒挥动与 OptimEye S5 设备的读数进行匹配。

具体来说，Catapult 根据从各个职业棒球队和大学棒球队的训练中收集的数据构建了随机森林算法。训练数据包含数十名球员和各种位置的 6,000 多个投掷、挥棒或两者都没有的事件的加速度计和陀螺仪读数。

引入了玩家负荷的阈值，以便将爆炸事件与其他事件（例如步行）隔离。这将确保算法只选择类似游戏的投掷和挥棒动作。

围绕这些事件中的每一个，Catapult 研究了从事件发生后两秒窗口内从三维加速度计和三维陀螺仪获得的特征：事件前一秒和事件后一秒。特征示例包括加速度计和陀螺仪读数的最大值、平均值和标准偏差。

这些特征中的每一个都针对感兴趣的事件及其分类（投掷、挥棒或两者都不是）输入，以便为算法构建训练集。

结果与讨论

在接触了大量涵盖许多投掷和球棒挥动的示例后，该算法在训练过程中检测投掷和球棒挥动的准确度达到了 90% 以上。高精度检测到的投掷包括：

• 牛棚
• 从投手丘到接球手投球
• 热身期间的质量投掷
• 防守时的长距离投掷
• 在笼子里或击球练习时摇摆

保守的估计反映了这样一个事实：该算法仅设置为计算足够困难以类似于游戏的投掷和挥杆（即“质量”投掷和蝙蝠挥杆）。大多数错误都是由于程序开始时的软抛出而导致的，这些错误太软而无法计数。

将训练课程分类为挥杆、投掷或两者均不分类后，算法会计算与每次球棒挥杆和投掷相关的总负荷。可以通过该界面获得各种量，例如平均玩家负荷或这些活动之间的平均时间，以及每次投掷或挥棒的条带。

Catapult 的投球和球棒挥动指标使棒球从业者能够控制关键动作的音量和强度，这些动作会导致过度使用伤害，并导致专业队和大学队每年损失数百万美元。这些指标能够为希望更好地了解现实环境中训练效果的教练决定投手和击球手训练周期的未来。

有兴趣了解 Catapult 如何回答您的运动特定问题？ 在此处了解有关我们的绩效分析的更多信息.