Ang Awtomatikong Hobbyjogger Detection Machine
Ang Awtomatikong Hobbyjogger Detection Machine
Anonim

Paggamit ng machine learning para kilalanin kung sino ang isang seryosong competitive na runner at kung sino ang hindi makapagtuturo sa amin ng isang bagay na kapaki-pakinabang tungkol sa pag-iwas sa mga pinsala

Ang isa sa mga pinakamatagal na kinahuhumalingan ng sikat na putol-putol na mga board ng mensahe ng Letsrun.com ay kung paano at saan mo iginuhit ang linya sa pagitan ng mga seryosong mananakbo sa kompetisyon at mga recreational hobbyjoggers lamang. Ang sagot ay kadalasang nagmumula sa isang bagay sa mga linya ng "Sinumang mas mabilis kaysa sa akin ay isang talento at masipag na athletic colossus na gumagabay sa mundo, at sinumang mas mabagal kaysa sa akin ay isang kalunus-lunos na hobbyjogger na hindi dapat payagang bumili ng running shoes."

Ang ganitong uri ng depinisyon kahit papaano ay hindi kailanman nagagawang lutasin ang debate, kaya nasasabik akong iulat na ang mga siyentipiko ay nakagawa ng isang makina na maaaring panoorin kang tumakbo at agad na uriin ka bilang alinman sa isang "mapagkumpitensya" o "libangan" na runner. Hindi ito hangal o elitist gaya ng sinasabi nito-sa katunayan, ito ay may potensyal na tumulong na magdala ng mas nuanced na diskarte sa pagtatasa ng panganib sa pinsala batay sa mga banayad na detalye sa iyong running form. Ang pananaliksik ay nagmula sa isang mahusay na iginagalang na biomechanics group sa Unibersidad ng Calgary na pinamumunuan ni Reed Ferber, ang direktor ng Running Injury Clinic ng unibersidad, at inilathala sa Journal of Sports Sciences.

Ang pangunahing layunin ng pag-aaral ay maglagay ng naisusuot na accelerometer sa ibabang likod ng 41 runner (gumamit sila ng accelerometer na tinatawag na Shimmer3) at tingnan kung mahuhulaan nito kung aling mga runner ang mapagkumpitensya kumpara sa recreational gamit ang machine learning. Tinukoy nila ang mapagkumpitensya bilang sinumang nagkaroon ng kamakailang pagganap sa karera sa pagitan ng 5K at marathon na lumampas sa 60 porsiyento ng rekord ng mundo na namarkahan ng edad para sa distansyang iyon batay sa World Masters Association Age Grading Performance Tables, isang threshold na tinukoy ng USA Track and Field bilang lokal klase.” Sa pamamagitan ng kahulugang ito, 17 sa mga runner ang itinuring na mapagkumpitensya, habang 24 ang itinuturing na libangan.

Ang tatlong-dimensional na data ng hakbang na nakolekta ng accelerometer ay nakabuo ng 24 natatanging katangian ng bawat hakbang ng runner. Hindi ito ang mga karaniwang bagay tulad ng ritmo at haba ng hakbang, dahil ang mga salik na iyon ay labis na naiimpluwensyahan ng kung gaano kabilis ang iyong pagtakbo-na, tulad ng alam ng sinumang wizened masters na katunggali, ay hindi palaging isang magandang barometer kung gaano ka mapagkumpitensya. Sa halip, ang pagtuon ay sa mas banayad na mga tampok na nauugnay sa pagkakaiba-iba ng hakbang (hal. gaano kalaki ang pagbabago ng haba ng iyong hakbang mula sa isang hakbang patungo sa susunod?) at pagiging regular (hal. gaano kapareho ang agarang pagbilis ng iyong katawan sa bawat isa sa tatlong dimensyon sa magkakasunod na hakbang.).

Ang mga pagkakaiba sa pagitan ng dalawang grupo ng mga runner ay hindi gaanong halata sa mata kaysa sa maaari mong isipin. Kung mananatili ka sa maginoo na mga parameter ng hakbang, wala kang makikitang kahit ano: halimbawa, ang mga babaeng mapagkumpitensyang runner, ay may average na indayog na 168.2; ang kanilang mga recreational counterparts ay may halos magkaparehong average na 169.1. Kahit na sa mas sopistikadong mga sukat ng pagkakapare-pareho ng hakbang, ang mga pagkakaiba ay hindi halata. Kaya't ang mga mananaliksik ay naglagay ng lahat ng data sa isang machine learning system na tinatawag na support vector machine, at hayaan ang computer na malaman kung aling mga salik ang nakikilala sa mapagkumpitensya at recreational runners. Ang mahalaga, pinag-aralan nila ang mga lalaki at babaeng runner nang hiwalay, dahil ang mga palatandaan ng isang "mapagkumpitensya" na hakbang ay maaaring magkaiba sa dalawang grupo.

Oo naman, sa pamamagitan ng paggamit ng data sa stride consistency, nagawa ng computer na wastong uriin ang mga lalaking runner bilang mapagkumpitensya o recreational 82.6 porsiyento ng oras, at babaeng runners 80.4 porsiyento ng oras. Ang mga partikular na salik na pinakamahalaga ay naiiba sa dalawang grupo-na hindi nakakagulat, ipinaliwanag ng nangungunang may-akda na si Christian Clermont sa isang email, dahil "ang mga pagkakaiba sa istruktura sa anatomy ng lalaki at babae ay tiyak na nakakaapekto sa paraan ng pagtakbo namin." Ang modelo ng mga lalaki ay may kasamang 12 iba't ibang mga tampok ng hakbang, habang ang modelo ng mga kababaihan ay nagsama ng 10 iba't ibang mga tampok, lahat ay nauugnay sa pagkakaiba-iba ng hakbang at regularidad.

Ang bentahe ng machine learning ay maaari itong pumili ng mga banayad na pattern sa isang malaking bilang ng mga variable na hindi mo mahahanap sa pamamagitan lamang ng pagtingin sa data. Ang kawalan ay hindi palaging halata kung ano ang ibig sabihin ng mga pattern na iyon. Bakit, halimbawa, ang pinakamahalagang tampok na nakikilala para sa mga lalaki ay ang step-to-step na ugnayan ng center-of-mass acceleration kasama ang back to front axis, habang para sa mga babae ito ang root-mean-square average ng acceleration na iyon? Ngunit kung aatras ka mula sa mga detalye, makikita mo ang mas malaking pattern: ang mga nakaranasang runner ay tumatakbo nang mas pare-pareho kaysa sa hindi gaanong karanasan na mga runner, na ang bawat hakbang ay mas katulad ng mga bago at pagkatapos nito.

Bakit ito mahalaga? Bagama't ayaw kong makipagsapalaran sa Letsrun-style na mga paghatol sa halaga, may mga dahilan upang maniwala na ang mapagkumpitensyang lakad sa pagtakbo ay mas mahusay kaysa sa libangan. Sa pangkalahatan, natuklasan ng mga pag-aaral na ang mga walang karanasan na mananakbo ay mas nasaktan kaysa sa mga may karanasan sa kabila ng mas kaunting pagtakbo, at malamang na masugatan sila sa iba't ibang lugar. Ang mga recreational runner ay may posibilidad na makakuha ng mas maraming pinsala sa tuhod at balakang, marahil dahil sa hindi na-optimize na anyo ng pagtakbo; ang mga mapagkumpitensyang mananakbo ay may posibilidad na makakuha ng mas maraming pinsala sa paa at ibabang binti, marahil mula sa labis na paggamit na may kaugnayan sa mas mabibigat na load sa pagsasanay. Kaya ang pag-alam kung ang iyong running form ay nagiging mas "mapagkumpitensya" o higit pang "libangan" ay maaaring theoretically magbigay sa iyo ng ilang mga pahiwatig tungkol sa kung ang iyong pagsasanay ay gumagana at kung saan maaari kang maging pinaka-bulnerable sa pinsala.

Ang accelerometer na ginamit sa partikular na pag-aaral na ito ay hindi angkop para sa off-the-shelf na paggamit ng consumer. Gayunpaman, sabi ni Clermont, mayroong ilang mga kapaki-pakinabang na parameter na sa prinsipyo ay maaaring kalkulahin gamit ang mga bagay tulad ng Garmin Running Dynamics Pod o LumoRun (na nakalulungkot na nabangkarote noong nakaraang buwan). Kahit na may mas simpleng mga smart watch o foot pod, maaari mong sukatin kung gaano katagal ang bawat hakbang-at pagkatapos, mahalaga, kalkulahin ang isang koepisyent ng variation, isang indicator kung gaano kalaki ang pagkakaiba-iba ng oras na iyon sa bawat hakbang. Iyon ay magbibigay sa iyo ng kaunting ideya kung gaano kaayon ang iyong hakbang, kung ito ay nagiging hindi gaanong pare-pareho sa pagkapagod, at kung ito ay nagiging mas pare-pareho sa paglipas ng panahon. Ang panonood sa mga uso ay maaaring magbigay sa iyo ng ideya kung ang iyong pagsasanay ay nakakatulong o nakakasakit sa iyo. Kung sapat na mga tao ang humihiling ng isang tampok na tulad nito, marahil ang mga kumpanya tulad ng Garmin ay gagawin itong magagamit. (At marahil ay magagamit na ito sa isang lugar: ang naisusuot na running tech na mundo ay napakalawak at mabilis na umuunlad na mahirap subaybayan.) Magmumungkahi ako ng pangalan para sa parameter na ito: ang Hobbyjogger Index.

Inirerekumendang: