Автоматическая машина для обнаружения хобби-джоггеров
Автоматическая машина для обнаружения хобби-джоггеров
Anonim

Использование машинного обучения для определения того, кто является серьезным бегуном, а кто нет, может научить нас чему-то полезному о том, как избежать травм.

Одна из самых стойких навязчивых идей на знаменитых досках объявлений Letsrun.com - это то, как и где вы проводите грань между серьезными соревновательными бегунами и простыми любителями-любителями. Ответ обычно сводится к чему-то вроде: «Любой, кто быстрее меня, - это талантливый и трудолюбивый атлетический колосс, оседлавший мир, а любой, кто медленнее меня, - жалкий хобби-бегун, которому нельзя разрешать покупать кроссовки».

Такого рода определение почему-то никогда не разрешает спор, поэтому я рад сообщить, что ученые создали машину, которая может наблюдать за вашим бегом и сразу же классифицировать вас как «соревнующегося» или «рекреационного» бегуна. Это не так глупо или элитарно, как кажется - на самом деле, это может помочь внести более тонкий подход к оценке риска травм, основанный на тонких деталях вашей беговой формы. Исследование проводится авторитетной группой биомехаников в Университете Калгари, возглавляемой Ридом Фербером, директором университетской клиники беговых травм, и опубликовано в Journal of Sports Sciences.

Основная цель исследования заключалась в том, чтобы прикрепить носимый акселерометр к нижней части спины 41 бегуна (они использовали акселерометр под названием Shimmer3) и посмотреть, сможет ли он определить, какие бегуны были конкурентоспособными, а какие - развлекательными, с помощью машинного обучения. Они определили конкурентоспособным как любого, кто недавно показал результативность в беге на дистанцию 5 км и марафон, который превысил 60 процентов мирового рекорда для этой дистанции по возрастным таблицам Всемирной ассоциации мастеров, порог, который в США по легкой атлетике определяется как «местный». класс. Согласно этому определению 17 бегунов считались конкурентоспособными, а 24 - любителями.

Трехмерные данные о шаге, собранные акселерометром, позволили получить 24 различных характеристики шага каждого бегуна. Это были необычные вещи, такие как частота шагов и длина шага, поскольку на эти факторы сильно влияет то, насколько быстро вы бежите, что, как знает любой опытный участник соревнований, не всегда является хорошим индикатором того, насколько вы конкурентоспособны. Вместо этого основное внимание уделялось более тонким характеристикам, связанным с вариативностью шага (например, насколько изменяется длина вашего шага от одного шага к следующему?) И регулярностью (например, насколько похоже мгновенное ускорение вашего тела в каждом из трех измерений на протяжении последовательных шагов.).

Различия между двумя группами бегунов менее очевидны невооруженным глазом, чем вы можете себе представить. Если вы придерживаетесь обычных параметров шага, вы вообще ничего не увидите: например, у соревнующихся женщин-бегунов средняя частота педалирования составляет 168,2; их коллеги-любители имели почти идентичный средний показатель - 169,1. Даже при более сложных измерениях последовательности шагов различия не очевидны. Таким образом, исследователи загрузили все данные в систему машинного обучения, называемую машиной опорных векторов, и позволили компьютеру выяснить, какие факторы отличают бегунов-спортсменов и бегунов-любителей. Важно отметить, что они проанализировали бегунов мужского и женского пола отдельно, поскольку признаки «соревновательного» шага могут быть разными в этих двух группах.

Разумеется, используя данные о постоянстве шага, компьютер смог правильно классифицировать бегунов-мужчин как соревнующихся или развлекательных в 82,6% случаев, а бегунов-женщин - в 80,4%. Конкретные факторы, которые имели наибольшее значение, были разными в этих двух группах, что неудивительно, как объяснил ведущий автор Кристиан Клермон в электронном письме, потому что «структурные различия в мужской и женской анатомии, безусловно, влияют на то, как мы бегаем». Мужская модель включает 12 различных характеристик шага, а женская модель включает 10 различных характеристик, все из которых связаны с изменчивостью и регулярностью шага.

Преимущество машинного обучения в том, что оно может выявлять тонкие закономерности в большом количестве переменных, которые вы никогда не найдете, просто глядя на данные. Недостаток в том, что не всегда очевидно, что означают эти шаблоны. Почему, например, наиболее важной отличительной чертой для мужчин является ступенчатая корреляция ускорения центра масс вдоль задней оси к передней, а для женщин - это среднеквадратическое значение этого ускорения? Но если вы отойдете от деталей, вы увидите более широкую картину: опытные бегуны бегают более стабильно, чем менее опытные бегуны, причем каждый шаг больше похож на шаги до и после него.

Почему это важно? Хотя я не хочу рисковать оценочными суждениями в стиле Летсруна, есть основания полагать, что спортивная беговая походка лучше, чем развлекательная. Исследования в целом показали, что неопытные бегуны получают травмы намного чаще, чем опытные, несмотря на то, что бегают меньше, и они, как правило, получают травмы в разных местах. У бегунов-любителей чаще травмы коленей и бедер, возможно, из-за неоптимизированной формы бега; соревнующиеся бегуны, как правило, получают больше травм ступней и голеней, возможно, из-за чрезмерного использования, связанного с более тяжелыми тренировочными нагрузками. Таким образом, знание того, становится ли ваша беговая форма более «конкурентоспособной» или более «развлекательной», теоретически может дать вам некоторые подсказки о том, работают ли ваши тренировки и где вы можете быть наиболее уязвимы для травм.

Акселерометр, использованный в этом конкретном исследовании, не подходит для серийного использования. Тем не менее, говорит Клермон, есть некоторые полезные параметры, которые в принципе можно рассчитать с помощью таких вещей, как Garmin Running Dynamics Pod или LumoRun (который, к сожалению, обанкротился в прошлом месяце). Даже с более простыми умными часами или подставками для ног вы можете измерить продолжительность каждого шага, а затем, что особенно важно, рассчитать коэффициент вариации, показатель того, насколько это время меняется от шага к шагу. Это дало бы вам некоторое представление о том, насколько последовательна ваша походка, становится ли она менее согласованной с усталостью и становится ли она более последовательной со временем. Наблюдение за тенденциями может дать вам представление о том, помогает ли вам ваше обучение или вредит ему. Если достаточное количество людей попросят такую функцию, возможно, такие компании, как Garmin, сделают ее доступной. (И, возможно, он уже где-то доступен: мир носимых беговых технологий настолько разрастается и быстро развивается, что его трудно отслеживать.) Я предлагаю название для этого параметра: индекс Hobbyjogger.

Рекомендуемые: