การใช้การเรียนรู้ของเครื่องเพื่อตอบคำถามเฉพาะเกี่ยวกับเบสบอล

เนื่องด้วยลักษณะของการเล่นเบสบอล อาการบาดเจ็บส่วนใหญ่จึงเกิดจากเหตุการณ์ที่ไม่ได้เกิดจากการปะทะกัน ดังนั้น การวัดและควบคุมภาระในการออกกำลังกายจึงช่วยลดอาการบาดเจ็บประเภทนี้ได้

ทีมวิเคราะห์ของ Catapult คำนึงถึงเรื่องนี้ จึงนำ การเรียนรู้ของเครื่องจักร มาใช้ โดยใช้ประโยชน์จากข้อมูลนับพันจุดที่ได้จากอุปกรณ์ OptimEye S5 โดยใช้ข้อมูลดิบและวิดีโอจากเกมและการฝึกอบรมระดับมืออาชีพ Catapult จึงสามารถพัฒนาอัลกอริทึมเฉพาะกีฬาที่วัดปริมาณและความเข้มข้นของกิจกรรมต่างๆ เช่น การขว้างและการเหวี่ยงไม้ได้

การทดสอบในระยะเริ่มต้นพิสูจน์ให้เห็นถึงอัตราความแม่นยำมากกว่า 90% โดยฟังก์ชันการเรียนรู้ของเครื่องช่วยให้สามารถปรับปรุงได้ด้วยการป้อนข้อมูลมากขึ้น

การลดรายชื่อผู้พิการใน MLB

การศึกษาวิจัยใน The American Journal of Orthopedics แสดงให้เห็นว่าจำนวนการมอบหมายรายชื่อผู้บาดเจ็บ (DL) และจำนวนวัน DL ทั้งหมดเพิ่มขึ้นทุกปี ในบรรดาผู้เล่นที่ได้รับบาดเจ็บใน DL นั้น นักขว้างมักจะได้รับบาดเจ็บมากกว่า และต้องใช้เวลาใน DL นานกว่าเมื่อเทียบกับตำแหน่งอื่นๆ

ทีมวิเคราะห์ของ Catapult ตั้งเป้าที่จะวัดปริมาณการเคลื่อนไหวที่มักนำไปสู่อาการบาดเจ็บจากการใช้งานมากเกินไป โดยมีทฤษฎีที่ว่าการใช้ข้อมูลเชิงวัตถุเกี่ยวกับปริมาตรและความเข้มข้นในการเคลื่อนไหวเหล่านี้จะทำให้ผู้ฝึกสามารถควบคุมภาระในการฝึกได้

การสร้างอัลกอริทึมเบสบอล

เพื่อวัดปริมาณเหตุการณ์ต่างๆ เช่น สนามและวงสวิงไม้ อัลกอริทึมการเรียนรู้ของเครื่องจักร ที่ได้รับการดูแลได้รับการฝึกให้จับคู่สนามและวงสวิงไม้ที่เก็บรวบรวมได้ระหว่างการฝึกกับค่าที่อ่านได้จากอุปกรณ์ OptimEye S5

โดยเฉพาะอย่างยิ่ง Catapult ได้สร้างอัลกอริทึม Random Forest ขึ้นโดยอิงจากข้อมูลที่รวบรวมจากเซสชันการฝึกซ้อมของทีมเบสบอลต่างๆ ทั้งระดับมืออาชีพและระดับวิทยาลัย ข้อมูลการฝึกซ้อมประกอบด้วยค่าการอ่านของเครื่องวัดความเร่งและไจโรสโคปสำหรับเหตุการณ์การขว้าง การเหวี่ยงไม้ หรือทั้งสองอย่างมากกว่า 6,000 ครั้งสำหรับผู้เล่นหลายสิบคนและตำแหน่งต่างๆ

มีการกำหนดเกณฑ์สำหรับภาระของผู้เล่นเพื่อแยกเหตุการณ์ระเบิดออกจากเหตุการณ์อื่น เช่น การเดิน ซึ่งจะทำให้มั่นใจได้ว่าอัลกอริทึมจะเลือกเฉพาะการขว้างและการเหวี่ยงไม้แบบเกมเท่านั้น

ในแต่ละเหตุการณ์ Catapult จะศึกษาคุณลักษณะที่ได้จากเครื่องวัดความเร่งสามมิติและไจโรสโคปสามมิติภายในช่วงเวลาสองวินาทีจากเหตุการณ์นั้น โดยหนึ่งวินาทีก่อนและหนึ่งวินาทีหลังเหตุการณ์ ตัวอย่างของคุณลักษณะเหล่านี้ ได้แก่ ค่าสูงสุด ค่าเฉลี่ย และค่าเบี่ยงเบนมาตรฐานสำหรับการอ่านค่าเครื่องวัดความเร่งและไจโรสโคป

คุณลักษณะแต่ละอย่างเหล่านี้ถูกป้อนไว้สำหรับเหตุการณ์ที่สนใจ รวมถึงการจำแนกประเภทเป็นการโยน การเหวี่ยงไม้ หรือไม่ใช่ทั้งสองอย่าง เพื่อสร้างชุดฝึกอบรมสำหรับอัลกอริทึม

ผลการวิจัยและการอภิปราย

หลังจากได้ทดลองใช้ตัวอย่างจำนวนมากเพื่อครอบคลุมการขว้างและการเหวี่ยงไม้เบสบอลหลายครั้ง อัลกอริทึมสามารถบรรลุความแม่นยำมากกว่า 90% ในการตรวจจับการขว้างและการเหวี่ยงไม้เบสบอลระหว่างการฝึกซ้อม การขว้างที่ตรวจจับได้ด้วยความแม่นยำที่ยอดเยี่ยม ได้แก่:

• คอกวัว
• การขว้างจากเนินไปยังผู้รับลูก
• การขว้างที่มีคุณภาพระหว่างการวอร์มอัพ
• การขว้างระยะไกลระหว่างการรับลูก
• การเหวี่ยงในกรงหรือระหว่างการซ้อมตี

การประมาณการแบบอนุรักษ์นิยมสะท้อนให้เห็นข้อเท็จจริงที่ว่าอัลกอริทึมถูกตั้งค่าให้นับเฉพาะการขว้างและการเหวี่ยงที่แรงพอที่จะเป็นเกมเท่านั้น (เช่น การขว้างและการเหวี่ยงไม้ที่มีคุณภาพ) ข้อผิดพลาดส่วนใหญ่เกิดจากการขว้างแบบเบาในช่วงเริ่มต้นของกิจกรรมซึ่งเบาเกินไปจนไม่สามารถนับได้

หลังจากแบ่งเซสชันการฝึกออกเป็นวงสวิง วงขว้าง หรือทั้งสองอย่าง อัลกอริธึมจะคำนวณภาระรวมที่เกี่ยวข้องกับวงสวิงและวงขว้างไม้แต่ละครั้ง ปริมาณต่างๆ เช่น ค่าเฉลี่ย player load หรือเวลาเฉลี่ยระหว่างกิจกรรมเหล่านี้ รวมถึงกำหนดเวลาสำหรับการโยนหรือการเหวี่ยงไม้แต่ละครั้ง สามารถรับได้ผ่านอินเทอร์เฟซ

ตัวชี้วัดของ Catapult สำหรับการขว้างและการเหวี่ยงไม้เบสบอลทำให้ผู้ฝึกเบสบอลสามารถควบคุมปริมาณและความเข้มข้นของการเคลื่อนไหวที่สำคัญซึ่งนำไปสู่การบาดเจ็บจากการใช้งานมากเกินไปและทำให้ทีมเบสบอลอาชีพและวิทยาลัยต้องสูญเสียเงินหลายล้านดอลลาร์ในแต่ละปี ตัวชี้วัดเหล่านี้สามารถกำหนดอนาคตของการฝึกขว้างและตีแบบแบ่งช่วงเวลาสำหรับโค้ชที่ต้องการความโปร่งใสมากขึ้นเกี่ยวกับผลของการฝึกในสถานการณ์จริง

สนใจที่จะทราบว่า Catapult สามารถตอบคำถามเฉพาะกีฬาของคุณได้อย่างไรหรือ ไม่ ดูข้อมูลเพิ่มเติมเกี่ยวกับการวิเคราะห์ประสิทธิภาพของเราได้ที่นี่