azyl.damian@gmail.com

azyl.biegacza

Azyl-Biegacza.pl

Miejsce dla Ciebie

W 2005 roku 17-letni początkujący piłkarz Alessio Rossi zerwał dwa więzadła w prawej kostce podczas treningu w niższej ligi włoskiego klubu piłkarskiego USD Olginatese. Kontuzja zakończyła jego marzenie o grze na najwyższym poziomie. Dziś Rossi jest naukowcem ze stopniem doktora na Uniwersytecie w Pizie we Włoszech, gdzie zbiera i analizuje mnóstwo danych, aby pomóc graczom w najlepszych drużynach uniknąć własnych kontuzji.

 

Kiedy Rossi grał, instynkty i doświadczenia jego trenerów były wszystkim, oni musieli przewidzieć, czy może doznać kontuzji. Teraz piłkarz trenujący z drużynami na najwyższym poziomie, na przykład z angielskiej Premier League, będzie nosił obcisły top pod koszulką wyposażony w GPS, akcelerometr, żyroskop i cyfrowy kompas. Podczas ćwiczeń czujniki śledzą jego tętno, prędkość i pokonany dystans.

 

„Śledzimy zespół przez cały sezon, rejestrując dane GPS podczas treningów i meczów” - wyjaśnia Rossi. Następnie wykorzystuje uczenie maszynowe, aby spróbować wykryć wzorce. „To daje nam prawdopodobieństwo, że zawodnik odniesie kontuzję w ciągu najbliższych dni lub tygodni”.

 

Dane te ujawniają obciążenie pracą sportowca - jak często trenuję i jak intensywnie. Wystarczający trening może utorować drogę do medali, ale zbyt duży wywiera nacisk na organizm i może prowadzić do kontuzji. Podczas planowania treningów trenerzy zawsze brali pod uwagę kondycję zawodników. Teraz mogą dokładniej obliczyć prawdopodobieństwo kontuzji poszczególnych sportowców w następnym meczu, w następnym tygodniu lub w następnym miesiącu.

Zawodowi piłkarze doświadczają od 2,5 do 9,4 kontuzji na 1000 godzin wysiłku, z czego około jedna trzecia jest wynikiem nadużywania, a zatem jest potencjalnie przewidywalna. Większość urazów trwa około tygodnia, ale nawracające - około 15% wszystkich - często wymagają dłuższego odpoczynku. W tym czasie kondycja fizyczna i psychiczna gracza spada, a jego kariera może ucierpieć w wyniku utraty reputacji lub obaw o możliwość pełnego wyzdrowienia. Czas wolny może również zwiększyć obciążenie pracą kolegów z drużyny, zwiększając prawdopodobieństwo kontuzji w całej drużynie.

 

Poza elitarną lekkoatletyką problem jest jeszcze gorszy. Na przykład sport młodzieżowy przeżywa „pandemię urazów”, mówi Dhruv Seshadri, inżynier biomedyczny z Case Western Reserve University w Cleveland w stanie Ohio. Zawodnicy w wieku 10 lat starają się coraz bardziej forsować, próbując przyspieszyć karierę w sporcie zawodowym. Na przykład wskaźnik kontuzji młodych piłkarzy może dochodzić do 19,4 kontuzji na 1000 godzin wysiłku.

 

Naukowcy zajmujący się sportem zaczęli korzystać z analiz danych, takich jak te, których używa Rossi, dopiero w ostatniej dekadzie, ale istnieje nadzieja, że takie podejście może uratować karierę i zaoszczędzić pieniądze, a także poprawić wyniki. Naukowcy i trenerzy pracują nad opracowaniem metod gromadzenia i analizowania ilości danych potrzebnych do prognozowania, nie tylko dla sportów zespołowych, takich jak piłka nożna czy koszykówka, ale także dla wydarzeń takich jak łyżwiarstwo figurowe czy tenis, w których ludzie rywalizują indywidualnie .

 

Podejście wielowymiarowe

 

Ocena obciążenia pracą i przewidywanie kontuzji w staromodny sposób - poprzez doświadczenie - ma pewną wartość, ale także ograniczenia. Celem Rossiego jest pomóc trenerom połączyć to, co podpowiada im intuicja, z tym, co ujawniają dane. Aby to zrobić, pierwszym krokiem jest zebranie jak największej ilości informacji.

 

W badaniu jego zespół wykorzystał pakiet czujników włożony do ubrania, aby monitorować 26 elitarnych piłkarzy, rejestrując 931 indywidualnych sesji treningowych w ciągu 23 tygodni. Na tej podstawie naukowcy wyodrębnili 12 zmiennych, w tym całkowity przebieg odległości, przebieg dystansu z prędkością większą niż 5,5 metra na sekundę oraz liczbę przyspieszeń i opóźnień o dużej intensywności, które dodatkowo obciążają organizm.

 

W przypadku innych sportów najbardziej przydatne dane mogą się różnić. Na przykład gracze w baseball mogą nosić inteligentne rękawy z akcelerometrami, które mierzą kąty stawów, prędkość i naprężenie, podczas gdy łyżwiarze figurowi mogą przymocować akcelerometry i żyroskopy do bioder, aby rejestrować skoki. Kolczyki,  kamizelki lub opaski mogą mierzyć tętno i nasycenie tlenem, a opaski na rękę mogą rejestrować jakość snu i temperaturę ciała. Niektórzy naukowcy zajmujący się sportem uwzględniają również dane kontekstowe, takie jak nastrój zawodnika, wskaźnik masy ciała i poprzednie kontuzje, a także ilość wody, jaką zawodnicy wypili w danym okresie i jak daleko przebyli ostatnio autobusem lub samolotem.

 

To wieloczynnikowe podejście ma kluczowe znaczenie dla przewidywania urazów, mówi Derek McHugh, analityk danych z Kitman Labs w Dublinie. Firma zajmująca się analityką sportową współpracuje z profesjonalnymi drużynami piłkarskimi, koszykarskimi i hokejowymi. „W ciągu ostatnich pięciu lub dziesięciu lat zespoły gromadziły ogromne ilości danych” - mówi McHugh. Ale posiadanie tych informacji to jedno, a nadanie temu sensu to inna sprawa. „Jest różnica między ilością danych, które udało nam się zebrać, a tym, co faktycznie z nimi zrobiono” - mówi. „Staramy się wypełnić tę lukę za pomocą systemów uczących się”.

 

Wartość rozumowania

 

W próbie Rossi użył klasyfikatorów drzewa decyzyjnego - nadzorowanej techniki uczenia maszynowego, która polega na zadawaniu serii pytań opartych na różnych zmiennych, aby dojść do wniosków. Zmienne w modelu Rossiego obejmują wcześniejsze problemy zdrowotne sportowca, całkowity dystans pokonany podczas sesji treningowej oraz dystans pokonany z dużą prędkością. Zadając serię pytań dotyczących danych, system jest w stanie przewidzieć 80% urazów - chociaż w przypadku niektórych powtarzających się problemów zdrowotnych, takich jak określone skręcenia i nadwyrężenia, system może niemal za każdym razem wykryć znaki ostrzegawcze.

 

Inni badacze stosują odmiany metody opartej na drzewie decyzyjnym Rossiego, takie jak techniki „losowego lasu” lub „wzmocnienia gradientu”, które wykorzystują wiele drzew decyzyjnych do stopniowego ulepszania prognoz.

 

McHugh podkreśla, że umiejętność wyjaśnienia, w jaki sposób algorytm doszedł do takiego wniosku, ma ogromne znaczenie w sportach zespołowych. „Jeśli trener nie może łatwo zrozumieć, dlaczego algorytm przewidywał kontuzje, nie może zacząć podejmować działań, aby złagodzić podwyższone ryzyko atlety” - mówi. „Podobnie, kiedy sportowiec zostaje kontuzjowany, chce wiedzieć, jakie rzeczy były pod jego kontrolą, a które przyczyniły się do urazu i co mogą zrobić, aby uniknąć ich w przyszłości”.

 

Jednak w dyscyplinach indywidualnych, takich jak łyżwiarstwo figurowe, systemy uczenia maszynowego używane przez analityków, takich jak Rossi, są nadal poza zasięgiem. Stosunkowo niewielka ilość informacji, które można zebrać od osoby, oznacza, że analiza jest często wykonywana ręcznie, tydzień po tygodniu, mówi Lindsay Slater, naukowiec zajmujący się sportem z University of Illinois w Chicago. „Ostatecznym celem jest zautomatyzowanie wszystkiego, ale jest to po prostu trudne, gdy wszystko jest tak wyjątkowe dla każdego łyżwiarza” - mówi Slater, który jest również kierownikiem ds. Nauki o sporcie w reprezentacji Stanów Zjednoczonych w łyżwiarstwie figurowym. Dopiero gdy więcej sportowców będzie nosić czujniki, naukowcy będą mieli szansę zebrać wystarczającą ilość danych, aby zautomatyzować proces.

 

Możliwym rozwiązaniem byłoby zebranie danych z wielu drużyn i osób uprawiających ten sam sport. McHugh i Rossi uważają to za ostateczny cel analizy sportowej - krok, który może znacznie poprawić przewidywanie kontuzji. Ale zrobienie tego będzie wyzwaniem. Po pierwsze, zespoły grają na różnych poziomach i w różnych ligach. Po drugie, sportowcy noszą różne urządzenia, więc producenci musieliby zgodzić się na przestrzeganie tych samych standardów. Po trzecie, konkurenci potrzebowaliby zachęt do dzielenia się informacjami, które mogłyby poprawić kondycję ich rywali, a także ich.

 

Kolega z drużyny - sztuczna inteligencja

 

Sport stopniowo wkracza w nową erę, w której sztuczna inteligencja może pełnić rolę asystenta trenera. Algorytmy mogą umożliwić nastolatkowi mądrzejsze trenowanie i uniknięcie kontuzji kończącej karierę lub pomóc zawodowemu sportowcowi konkurować przez kilka lat dłużej. Jednak sukces technologii zależy częściowo od zdolności naukowców zajmujących się danymi do przekonania trenerów do uwzględnienia danych w procesie decyzyjnym.

 

Dodaje, że zespoły, z którymi współpracował McHugh, odnotowały zmniejszenie liczby urazów od 5% do 40%. Jednak nie każdy trener jest szczęśliwy, łącząc siły ze sztuczną inteligencją. „Trenerzy czasami nie czują się dobrze, ponieważ wydaje się, że próbują zastąpić element ludzki” - mówi Rossi. Ale w rzeczywistości dane to tylko narzędzie. „Interpretację wyników, zmianę obciążenia treningowego, dokonują trenerzy” - mówi.

 

McHugh zgadza się, że ludzie muszą podjąć ostateczną decyzję. „Gdy prawdopodobieństwo kontuzji sportowca w danym dniu zostanie wyprowadzone z modelu kontuzji, sportowiec lub trener musi następnie zdecydować, czy przewidywane ryzyko jest akceptowalne, czy nie, zwykle w zależności od kontekstu” - mówi. Tego dnia może być ważny mecz, a zawodnik może być szczególnie ważny dla zespołu. „Nawet jeśli przewidywane prawdopodobieństwo kontuzji może sięgać nawet 70%, trener może zechcieć skorzystać z tej szansy” - mówi.

 

Szkolenie trenerów powinno polegać na tym, że połączenie ich wieloletniego doświadczenia z analizą algorytmu daje przewagę nad poleganiem wyłącznie na intuicji. W miarę jak czujniki stają się dokładniejsze i łatwiejsze do noszenia, a algorytmy stają się potężniejsze, dokładność prognoz kontuzji opartych na sztucznej inteligencji wzrośnie. „To, co budzi mnie rano, to możliwość pomocy sportowcowi w sposób, którego nie mogliśmy zrobić wczoraj” - mówi Seshadri. Jednak w sporcie zawsze będzie element zaskoczenia. „Kontrolujemy, co możemy, i wiemy, że możemy spodziewać się nieoczekiwanego” - mówi Slater.

 

Ciekawy jestem w jakim stopniu mogłoby to znaleźć odzwierciedlenie w bieganiu. Wydaje mi się, że nie powinno być to trudne w realizacji i podejrzewam, że wielkie zespoły z tego typu systemów korzystają, ale nie mają danych z wielu źródeł, co z pewnością mogłoby pomóc biegaczom amatorom w bezpiecznym rozwijaniu swojej pasji.

Przewidywanie urazów A.I.

17 maja 2021