머신 러닝을 사용하여 야구 관련 질문에 답하기

야구 경기의 특성을 고려할 때 부상의 대부분은 비접촉 사고에서 발생하므로 운동 부하를 측정하고 제어하면 이러한 유형의 부상을 줄이는 데 도움이 될 수 있습니다.

이를 염두에 두고 캐터펄트의 분석팀은 OptimEye S5 디바이스로 얻은 수천 개의 데이터 포인트를 활용하는 머신 러닝을 구현했습니다. 프로 경기와 훈련에서 얻은 원시 데이터와 비디오를 사용하여 캐터펄트는 던지기와 배트 스윙과 같은 활동의 양과 강도를 정량화하는 스포츠별 알고리즘을 개발할 수 있었습니다.

초기 테스트에서 90% 이상의 정확도가 입증되었으며, 머신 러닝 기능을 통해 더 많은 데이터를 입력할수록 정확도가 향상됩니다.

MLB에서 장애인 목록 줄이기

미국 정형외과학회지에 발표된 연구에 따르면 DL(부상자 명단) 지정 횟수와 총 DL 일수가 해마다 증가하고 있는 것으로 나타났습니다. 부상자 명단에 오른 선수들 중 투수는 다른 포지션에 비해 부상을 입는 빈도가 높고, 부상 기간도 더 길었습니다.

Catapult의 분석 팀은 이러한 과사용 부상을 가장 흔히 유발하는 동작을 정량화하기 시작했으며, 이러한 동작의 양과 강도에 대한 객관적인 데이터를 사용할 수 있다면 트레이너가 훈련 부하를 제어할 수 있다는 이론을 세웠습니다.

야구 알고리즘 만들기

투구 및 배트 스윙과 같은 이벤트를 정량화하기 위해 지도 머신러닝 알고리즘을 학습시켜 훈련 중에 수집한 투구 및 배트 스윙을 OptimEye S5 디바이스의 판독값과 일치하도록 학습시켰습니다.

특히, 캐터펄트는 프로 및 대학 야구팀의 다양한 훈련 세션에서 수집한 데이터를 기반으로 랜덤 포레스트 알고리즘을 구축했습니다. 훈련 데이터에는 수십 명의 선수와 다양한 포지션에 대한 6,000개 이상의 던지기, 배트 스윙 또는 둘 다에 대한 가속도계 및 자이로스코프 판독값이 포함되어 있습니다.

폭발적인 이벤트를 걷기와 같은 다른 이벤트와 분리하기 위해 플레이어의 부하 임계값이 도입되었습니다. 이렇게 하면 알고리즘이 게임과 유사한 던지기와 배트 스윙만 선택하게 됩니다.

이러한 각 이벤트에 대해 캐터펄트는 이벤트 발생 2초 전과 후 1초 동안 3차원 가속도계와 3차원 자이로스코프에서 얻은 특징을 연구했습니다. 특징의 예로는 가속도계와 자이로스코프 판독값의 최대값, 평균, 표준편차 등이 있습니다.

이러한 각 기능은 알고리즘에 대한 학습 집합을 구축하기 위해 관심 있는 이벤트와 던지기, 배트 스윙 또는 둘 다로 분류된 이벤트에 대해 입력되었습니다.

결과 및 토론

이 알고리즘은 다양한 던지기와 배트 스윙을 포괄하는 수많은 예제에 노출된 후 훈련 세션에서 던지기와 배트 스윙을 감지하는 정확도를 90% 이상 달성할 수 있었습니다. 뛰어난 정확도로 감지된 던지기는 다음과 같습니다:

• 불펜
• 마운드에서 포수까지 투구하기
• 워밍업 중 양질의 던지기
• 수비 중 장거리 던지기
• 케이지에서 또는 타격 연습 중 스윙하기

이 보수적인 추정치는 알고리즘이 게임과 비슷할 정도로 단단한 던지기와 스윙(즉, "품질" 던지기와 배트 스윙)만 계산하도록 설정되어 있다는 사실을 반영한 것입니다. 대부분의 오류는 루틴이 시작될 때 너무 부드러워서 카운트되지 않는 부드러운 던지기에서 발생합니다.

알고리즘은 훈련 세션을 스윙, 던지기 또는 둘 다로 분류한 후 각 배트 스윙 및 던지기와 관련된 총 부하를 계산합니다. 인터페이스를 통해 평균 player load 또는 이러한 활동 사이의 평균 시간, 각 던지기 또는 배트 스윙에 대한 밴딩과 같은 다양한 수치를 얻을 수 있습니다.

투구 및 배트 스윙에 대한 Catapult의 메트릭을 통해 야구 연습자는 과도한 부상으로 이어져 프로 및 대학 팀에 매년 수백만 달러의 비용을 초래하는 주요 동작의 양과 강도를 제어할 수 있습니다. 이러한 메트릭은 실제 환경에서 훈련 효과에 대한 투명성을 높이고자 하는 코치를 위해 투수 및 타자 훈련의 향후 기간을 결정할 수 있는 기능을 제공합니다.

캐터펄트가 스포츠별 질문에 어떻게 답하는지 알고 싶으신가요? 여기에서 성능 분석에 대해 자세히 알아보세요.