使用机器学习回答棒球问题

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，这意味着需要测量和控制运动负荷，这将有助于减少这类伤害。

有鉴于此，Catapult 的分析团队实施了机器学习，利用OptimEye S5设备获得的数千个数据点。利用这些原始数据以及来自专业比赛和训练的视频，Catapult 开发出了针对特定运动的算法，可以量化投掷和挥棒等活动的运动量和强度。

早期测试证明其准确率超过 90%，机器学习功能使其能够随着输入数据的增加而不断改进。

减少美国职业棒球联盟的伤残名单

美国骨科杂志》上的研究表明，伤残名单（DL）上的任务数和伤残名单上的总天数逐年增加。在伤病名单上的受伤球员中，投手比其他任何位置的球员都更容易受伤，在伤病名单上的时间也更长。

Catapult 的分析团队着手量化最常导致这些过度运动损伤的动作，其理论依据是，能够利用这些动作的运动量和强度的客观数据，将为从业人员提供控制训练负荷的能力。

制作棒球算法

为了量化投球和挥棒等事件，我们训练了一种有监督的机器学习算法，以便将训练期间收集的投球和挥棒数据与 OptimEye S5 设备的读数相匹配。

具体来说，Catapult 根据从各种棒球队（包括职业棒球队和大学棒球队）的训练课程中收集到的数据建立了随机森林算法。训练数据包含数十名球员和不同位置的 6,000 多次投掷、挥棒或两者皆非事件的加速度计和陀螺仪读数。

为了将爆发性事件与行走等其他事件区分开来，对球员的负荷引入了一个阈值。这将确保算法只选择类似比赛的投掷和挥棒动作。

围绕每个事件，Catapult 都会研究从三维加速度计和三维陀螺仪上获得的特征，这些特征的时间窗口为事件发生后的两秒内：事件发生前一秒和事件发生后一秒。这些特征包括加速度计和陀螺仪读数的最大值、平均值和标准偏差。

输入这些特征中的每一个特征，并将其分类为投掷、挥棒或两者皆非，从而为算法建立训练集。

结果与讨论

在训练活动中，该算法在检测投掷和挥棒方面的准确率超过了 90%。准确率极高的投掷检测包括

• 牛棚
• 从投手丘到捕手
• 热身时的投掷质量
• 出外勤时的长距离投掷
• 在笼子里或击球练习时挥棒

这一保守估计反映了这样一个事实，即算法只计算力度足够大、类似比赛的投掷和挥棒（即 "高质量 "投掷和挥棒）。大部分失误都是由于开始时的投掷太软，无法计算在内。

在将训练活动 分类为挥棒、投掷或两者都不是之后，算法会计算与每次挥棒和投掷相关的总负荷。通过界面可以获得各种数量，如player load 平均player load 或这些活动之间的平均时间，以及每次投掷或挥棒的分段。

Catapult 的投球和挥棒指标使棒球从业人员能够控制关键动作的运动量和强度，而这些关键动作会导致过度运动损伤，每年会给职业棒球队和大学棒球队造成数百万美元的损失。这些指标能够决定投手和击球手训练周期的未来，使教练能够在现实环境中更好地了解训练效果。

有兴趣了解 Catapult 如何回答您的体育问题吗？点击这里了解更多关于我们的性能分析。