博客文章

从中继数据测量推销工作量?没那么快...

  • 通过  本汉森
  • 2019年11月07日

随着MEMS和IMU技术的发展,生物力学跟踪已经从实验室跳入实验室,并进入了许多行业,包括家庭医疗保健,工作场所安全和运动。在棒球运动中,非常需要了解投手的累积工作量’防止严重伤害并最大程度提高体力和承受能力。选手和练习者应如何使用MEMS和IMU监控投手’s throwing workload? 

为了跟踪累积的投掷工作量,需要准确地跟踪投掷的数量和所有投掷的强度。事实证明,MotusTHROW可准确可靠地跟踪训练和比赛中每次投掷产生的肘部外翻扭矩峰值[1-3]。

随着投手以更高的速度投掷,肘部扭矩在每位球员的基础上增加[4]。划定高低投入是对工作负荷进行跟踪的关键。如果所有掷球都以相等的工作负荷重量进行处理,那么实际上,在比赛中100轻掷将被视为与100球相同。从疲劳对手臂的影响角度来看,这显然是错误的逻辑。 

最近,出现了一种新技术,试图监视投手的工作量 —上装的IMU(弹射器)。该软件声称机器学习算法以大约74%-79%的精度检测投掷活动,并根据躯干传感器的平均角速率数据计算投掷工作量[5,6]。 

Murray等。

关于体积跟踪,游戏中74%的特异性表示检测到的事件中有26.6%是错误的。在训练(练习,牛棚)中,特异性更高(79.8%),其中检测到158次非掷球,传感器检测到765次掷球。在运动员监视中,是否可以接受26%的体积跟踪误差容限? 

特定于使用安装在躯干上的传感器检测投掷强度,我们查看了运动捕捉数据库,以查看躯干旋转速度是否是有用的度量。在抛弃了96个专业投手的子集中进行的1,007次投掷过程中,我们投入了16台MAC Raptor-E摄像机跟踪的56个反光标记,我们注意到以下几点: 

峰值躯干旋转速度(比平均躯干旋转速度更好的度量值),与受试者之间的肘外翻扭矩无相关性(R2 = 0.032),与受试者内部的肘部扭矩无相关性(R2 = 0.234)。这表明在工作量监视中,躯干旋转速度不能用作肘部扭矩的代理。 

此外,躯干的峰值旋转速度与受试者之间的球速度没有相关性(R2 = 0.013),与受试者内部的球速度的相关性很弱(R2 = 0.190)。这表明躯干旋转速度不能用作投掷强度的指标。 

虽然看似易于使用的IMU用于棒球投手监控很诱人,但从中收集的数据的效果并不令人鼓舞。玩家和练习者应使用更具体的衡量工作量的方法,以基于玩家的发展和康复决策。 

在Motus,我们通过MotusTHROW臂套为投手提供特定于关节的工作量数据。在每个俯仰时都受到峰值肘部外翻扭矩的驱动,用户有信心知道自己的工作量是棒球的一项特定措施。此外,通过Motus’通过WASP程序,团队现在可以将球跟踪数据融合到我们的平台中,以根据球员特定的扭矩速度模型计算肘部外翻扭矩。 

要设置此服务,球员和团队必须在牛棚训练期间逐个校准扭矩-速度曲线。作为WASP客户,团队和球员与经过认证的Motus体育科学家配对,以捕获球员模型并将其正确加载到他们的帐户中。然后,团队可以上载Trackman,Rapsodo和Hawk-Eye球跟踪数据,以在不穿MotusTHROW套筒时计算肘部扭矩。 

要了解有关WASP以及您的组织如何受益的更多信息,请安排咨询 这里 或电子邮件 [email protected] 欲获得更多信息。 WASP链接



本汉森是生物力学副总裁&Motus Global的创新。他的教育学历是生物医学工程和数学(BS。),在获得博士学位期间,他曾在密尔沃基酿酒师的生物力学工程师任职。在Marquette大学获得生物电子学博士学位。

他于2012年加入Motus,成为第一位员工,并帮助领导产品开发团队设计IMU硬件,基于传感器的生物力学算法和用于人员工作量管理的软件投影系统。


来自作者的更多信息:

参考文献:

[1] Dines,J等“投掷臂力学与肘内翻托克斯鲁的关系:82,000次投掷中职业棒球投手的受试者内变异”,Orthop J Sports Med,2017年7月5(7)

[2] Boddy,K等“探索可穿戴传感器,以替代投球中基于标记的运动捕捉”,PeerJ,7(e6365)2019年1月

[3] Melugin,H等“Baseball Pitchers’结构化长投掷程序中的感知努力与实际测得的努力不匹配”,Am J Sports Med,2019年5月

[4] Slowik等。“Fastball Velocity and Elbow-Varus Torque in Professional 棒球投手”,J。Athl。培养。 2019年3月; 54(3):296-301 //www.ncbi.nlm.nih.gov/pubmed/30721094 

[5] Murray等。使用惯性测量传感器自动检测棒球中的投球和投掷事件。 //journals.humankinetics.com/view/journals/ijspp/12/4/article-p533.xml

[6]使用机器学习回答棒球特定问题, //www.catapultsports.com/blog/machine-learning-baseball 

分享: