Menggunakan pembelajaran mesin untuk menjawab pertanyaan khusus Baseball

Mengingat sifat permainan dalam bisbol, sebagian besar cedera terjadi dalam insiden non-kontak, yang berarti perlunya mengukur dan mengontrol beban latihan akan membantu mengurangi jenis cedera ini.

Dengan pemikiran ini, tim analitik Catapult telah menerapkan pembelajaran mesin yang memanfaatkan ribuan titik data yang diperoleh dengan perangkat OptimEye S5. Dengan menggunakan data mentah dan video dari pertandingan dan pelatihan profesional, Catapult telah mampu mengembangkan algoritme khusus olahraga yang mengukur volume dan intensitas untuk aktivitas seperti melempar dan mengayunkan tongkat pemukul.

Pengujian awal telah membuktikan tingkat akurasi lebih dari 90%, dengan fungsionalitas pembelajaran mesin yang memungkinkannya untuk meningkat dengan lebih banyak data yang dimasukkan ke dalamnya.

Mengurangi Daftar Penyandang Cacat di MLB

Studi dalam The American Journal of Orthopedics telah menunjukkan bahwa jumlah penetapan daftar cacat (DL) dan jumlah hari DL telah meningkat dari tahun ke tahun. Di antara para pemain yang cedera di DL, pelempar bola lebih sering mengalami cedera, dan menghabiskan waktu lebih lama di DL dibandingkan dengan posisi lainnya.

Tim analitik Catapult mulai mengukur gerakan-gerakan yang paling sering menyebabkan cedera yang berlebihan ini, dengan teori bahwa dengan menggunakan data yang obyektif tentang volume dan intensitas dalam gerakan-gerakan ini akan memberikan para praktisi kekuatan untuk mengontrol beban latihan.

Pembuatan Algoritme Bisbol

Untuk mengukur kejadian seperti lemparan dan ayunan pemukul, algoritme pembelajaran mesin yang diawasi dilatih untuk mencocokkan lemparan dan ayunan pemukul yang dikumpulkan selama latihan dengan pembacaan dari perangkat OptimEye S5.

Secara khusus, Catapult membangun algoritme Random Forest berdasarkan data yang dikumpulkan dari sesi latihan dari berbagai tim bisbol, baik profesional maupun perguruan tinggi. Data latihan berisi pembacaan akselerometer dan giroskop untuk lebih dari 6.000 peristiwa lemparan, ayunan pemukul, atau tidak keduanya, untuk lusinan pemain dan berbagai posisi.

Ambang batas pada beban pemain diperkenalkan untuk mengisolasi peristiwa ledakan dari peristiwa lain seperti berjalan. Hal ini akan memastikan bahwa algoritme hanya memilih lemparan dan ayunan kelelawar yang mirip permainan.

Di sekitar setiap peristiwa ini, Catapult mempelajari fitur yang diperoleh dari akselerometer tiga dimensi dan giroskop tiga dimensi dalam rentang waktu dua detik dari peristiwa: satu detik sebelum dan satu detik setelah. Contoh fitur-fitur tersebut termasuk nilai maksimum, rata-rata, dan standar deviasi untuk pembacaan akselerometer dan giroskop.

Masing-masing fitur ini dimasukkan untuk peristiwa yang menarik serta klasifikasinya sebagai lemparan, ayunan kelelawar, atau tidak keduanya untuk membangun set pelatihan bagi algoritme.

Hasil dan Pembahasan

Setelah dipaparkan pada sejumlah besar contoh yang mencakup banyak lemparan dan ayunan kelelawar, algoritme mampu mencapai akurasi lebih dari 90% dalam mendeteksi lemparan dan ayunan kelelawar selama sesi latihan. Lemparan yang terdeteksi dengan akurasi yang sangat baik meliputi:

• Bullpen
• Melempar dari gundukan ke penangkap bola
• Kualitas lemparan selama pemanasan
• Lemparan jarak jauh saat melakukan fielding
• Ayunan di dalam sangkar atau selama latihan memukul

Perkiraan konservatif ini mencerminkan fakta bahwa algoritme hanya diatur untuk menghitung lemparan dan ayunan yang cukup keras agar mirip permainan (yaitu lemparan dan ayunan pemukul yang "berkualitas"). Sebagian besar kesalahan berasal dari lemparan lunak di awal rutinitas yang terlalu lunak untuk dihitung.

Setelah mengklasifikasikan sesi latihan menjadi ayunan, lemparan, atau tidak keduanya, algoritme menghitung total beban yang terkait dengan setiap ayunan dan lemparan pemukul. Berbagai kuantitas seperti player load rata-rata player load atau waktu rata-rata di antara aktivitas ini, serta pita untuk setiap lemparan atau ayunan pemukul, dapat diperoleh melalui antarmuka.

Metrik Catapult untuk lemparan dan ayunan pemukul memungkinkan para praktisi bisbol untuk mengontrol volume dan intensitas gerakan kunci yang menyebabkan cedera yang berlebihan dan merugikan tim profesional dan perguruan tinggi jutaan dolar setiap tahunnya. Metrik ini memiliki kemampuan untuk menentukan masa depan periodisasi latihan pitcher dan pemukul bagi para pelatih yang menginginkan transparansi yang lebih baik mengenai efek latihan di dunia nyata.

Tertarik untuk mengetahui bagaimana Catapult dapat menjawab pertanyaan khusus olahraga Anda? Cari tahu lebih lanjut tentang analisis performa kami di sini.