Den automatiske Hobbyjogger-deteksjonsmaskinen
Den automatiske Hobbyjogger-deteksjonsmaskinen
Anonim

Å bruke maskinlæring for å gjenkjenne hvem som er en seriøs konkurranseløper og hvem som ikke er det, kan lære oss noe nyttig om å unngå skader

En av de mest varige tvangstankene til de kjente sprø Letsrun.com-oppslagstavlene er hvordan og hvor du trekker linjen mellom seriøse konkurranseløpere og bare fritidshobbyjoggere. Svaret koker vanligvis ned til noe i retning av "Alle som er raskere enn meg er en talentfull og hardtarbeidende atletisk koloss som overvinner verden, og alle tregere enn meg er en patetisk hobbyjogger som ikke burde få lov til å kjøpe joggesko."

Denne typen definisjoner klarer på en eller annen måte aldri å avgjøre debatten, så jeg er glad for å rapportere at forskere har laget en maskin som kan se deg løpe og umiddelbart klassifisere deg som enten en "konkurransedyktig" eller "rekreasjonsløper". Dette er ikke så dumt eller elitistisk som det høres ut – faktisk har det potensialet til å bidra til en mer nyansert tilnærming til å vurdere skaderisiko basert på subtile detaljer i løpeformen din. Forskningen kommer fra en velrespektert biomekanikkgruppe ved University of Calgary ledet av Reed Ferber, direktøren for universitetets Running Injury Clinic, og er publisert i Journal of Sports Sciences.

Det grunnleggende målet med studien var å feste et bærbart akselerometer på korsryggen til 41 løpere (de brukte et akselerometer kalt Shimmer3) og se om det kunne utlede hvilke løpere som var konkurransedyktige kontra rekreasjonsbruk ved hjelp av maskinlæring. De definerte konkurransedyktige som alle som nylig hadde en løpsprestasjon mellom 5K og maraton som oversteg 60 prosent av den aldersgraderte verdensrekorden for den distansen basert på World Masters Association Age Grading Performance Tables, en terskel som USA friidrett definerer som "lokal klasse." Etter denne definisjonen ble 17 av løperne ansett som konkurransedyktige, mens 24 ble ansett som rekreasjonsmessige.

De tredimensjonale skrittdataene samlet inn av akselerometeret genererte 24 distinkte karakteristikker for hver løpers skritt. Dette var ikke de vanlige tingene som tråkkfrekvens og skrittlengde, siden disse faktorene er sterkt påvirket av hvor fort du løper - noe som, som en hvilken som helst visnet mesterkonkurrent vet, ikke alltid er et godt barometer for hvor konkurransedyktig du er. I stedet var fokuset på mer subtile funksjoner knyttet til skrittvariabilitet (f.eks. hvor mye endres skrittlengden din fra ett trinn til det neste?) og regularitet (f.eks. hvor lik kroppens øyeblikkelige akselerasjon i hver av de tre dimensjonene gjennom påfølgende trinn).

Forskjellene mellom de to gruppene av løpere er mindre åpenbare for det blotte øye enn du kanskje forestiller deg. Hvis du holder deg til konvensjonelle skrittparametere, ser du ingenting i det hele tatt: kvinnelige konkurranseløpere hadde for eksempel en gjennomsnittlig tråkkfrekvens på 168,2; rekreasjonsmotpartene deres hadde et nesten identisk gjennomsnitt på 169,1. Selv med de mer sofistikerte målene for skrittkonsistens, er ikke forskjellene åpenbare. Så forskerne matet alle dataene inn i et maskinlæringssystem kalt en støttevektormaskin, og lot datamaskinen finne ut hvilke faktorer som skilte konkurranseløpere og rekreasjonsløpere. Det er viktig at de analyserte mannlige og kvinnelige løpere hver for seg, siden kjennetegnene på et "konkurrerende" skritt kan være forskjellige i de to gruppene.

Sikkert nok, ved å bruke data om skrittkonsistens, var datamaskinen i stand til å klassifisere mannlige løpere som konkurransedyktige eller rekreasjonsmessige 82,6 prosent av tiden, og kvinnelige løpere 80,4 prosent av tiden. De spesifikke faktorene som betydde mest var forskjellige i de to gruppene - noe som ikke er overraskende, forklarte hovedforfatter Christian Clermont i en e-post, fordi "de strukturelle forskjellene i mannlig og kvinnelig anatomi absolutt påvirker måten vi løper på." Herremodellen inneholdt 12 forskjellige skritttrekk, mens damemodellen inneholdt 10 forskjellige funksjoner, alle relatert til skrittvariabilitet og regelmessighet.

Fordelen med maskinlæring er at den kan plukke ut subtile mønstre i et stort antall variabler som du aldri vil finne bare ved å stirre på dataene. Ulempen er at det ikke alltid er åpenbart hva disse mønstrene betyr. Hvorfor, for eksempel, er det viktigste kjennetegnet for menn trinn-til-trinn-korrelasjonen av senter-av-masse-akselerasjon langs bak-til-fremre akse, mens for kvinner er det rot-middel-kvadrat-gjennomsnittet av den akselerasjonen? Men hvis du går tilbake fra detaljene, kan du se det større mønsteret: erfarne løpere løper mer konsekvent enn mindre erfarne løpere, med hvert trinn mer likt de før og etter det.

Hvorfor betyr dette noe? Selv om jeg avskyr å begi meg inn i verdivurderinger i Letsrun-stil, er det grunner til å tro at den konkurrerende løpegangen er bedre enn den rekreasjonsmessige. Studier har generelt funnet at uerfarne løpere skader seg mye mer enn erfarne til tross for at de løper mindre, og de har en tendens til å bli skadet forskjellige steder. Fritidsløpere har en tendens til å få flere kne- og hofteskader, kanskje på grunn av uoptimalisert løpeform; Konkurrerende løpere har en tendens til å få flere fot- og leggskader, kanskje fra overforbruk relatert til tyngre treningsbelastning. Så å vite om løpeformen din blir mer "konkurransedyktig" eller mer "rekreativ" kan teoretisk gi deg noen hint om hvorvidt treningen fungerer og hvor du kan være mest utsatt for skader.

Akselerometeret som brukes i denne studien er ikke egnet for forbrukerbruk. Likevel, sier Clermont, er det noen nyttige parametere som i prinsippet kan beregnes ved å bruke ting som Garmin Running Dynamics Pod eller LumoRun (som dessverre gikk konkurs forrige måned). Selv med enklere smartklokker eller fotsensorer kan du måle hvor lang tid hvert skritt tar – og deretter, avgjørende, beregne en variasjonskoeffisient, en indikator på hvor mye den tiden varierer fra skritt til skritt. Det vil gi deg en følelse av hvor konsekvent skrittet ditt er, om det blir mindre konsistent med tretthet, og om det blir mer konsistent over tid. Å se trendene kan gi deg en følelse av om treningen hjelper eller skader deg. Hvis nok folk ber om en slik funksjon, vil kanskje selskaper som Garmin gjøre den tilgjengelig. (Og kanskje den allerede er tilgjengelig et sted: den bærbare løpeteknologiske verdenen er så vidstrakt og i rask utvikling at det er vanskelig å holde oversikt.) Jeg vil foreslå et navn for denne parameteren: Hobbyjogger-indeksen.

Anbefalt: