Quantifizierung von Überkopf‑Bewegungsvolumina bei Wasserballspielerinnen mithilfe von inertialen Messeinheiten und Machine‑Learning‑Verfahren: eine Querschnittsstudie

Warum das Erfassen von Wasserball‑Bewegungen wichtig ist

Für Elite‑Wasserballspielerinnen summiert sich jeder Schlag, Pass und Schuss in einer einzigen Einheit auf Hunderte kräftiger Armbewegungen. Diese wiederholten Überkopf‑Aktionen gewinnen Spiele, belasten jedoch auch stark Schultern und Ellbogen. Trainer wissen, dass zu viel Werfen oder intensives Schwimmen das Risiko schmerzhafter Überlastungsverletzungen erhöhen kann, verlassen sich aber derzeit auf zeitaufwändige Videoauswertung oder Intuition, um die Trainingsbelastung zu beurteilen. Diese Studie untersucht, ob kleine wasserdichte Bewegungssensoren in Kombination mit modernen Computeralgorithmen diese Bewegungen in Echtzeit automatisch zählen und klassifizieren können — und damit eine neue Möglichkeit bieten, die Schultern der Athletinnen zu schützen und gleichzeitig Leistung zu fördern.

Vom Beckenrand zum Datenstrom

Die Forschenden arbeiteten mit zehn national eingestuften Feldspielerinnen eines australischen Leistungsprogramms. Während vier typischer, vom Trainer geleiteter Trainingseinheiten — jeweils etwa eine Dreiviertelstunde — trugen die Athletinnen zwei winzige Geräte, sogenannte Inertialsensoren: eines am Unterarm befestigt und eines knapp unter dem Nacken. Diese Sensoren erfassten, wie sich Arm und Oberkörper während Freistilschwimmen, Passen, Schießen und Abwehren beschleunigten und drehten. Gleichzeitig zeichneten zwei Videokameras die Einheiten auf. Ein erfahrener Trainer sichtete später das Filmmaterial und etikettierte sorgfältig jede Überkopf‑Bewegung, wodurch eine verlässliche „Ground‑Truth“ entstand, an der das sensorbasierte System getestet werden konnte.

Computern beibringen, Fähigkeiten im Becken zu erkennen

Rohsignale der Sensoren in erkennbare Aktionen zu verwandeln erforderte mehrere Schritte. Zuerst filterte das Team die Daten, um Störgeräusche durch Spritzwasser und allgemeine Körperbewegung zu entfernen, und identifizierte dann scharfe Spitzen, die einzelne Armaktionen markierten. Um jede Spitze herum berechneten sie eine Fülle einfacher Kennzahlen — etwa Mittelwert, Streuung und Form der Beschleunigung in jeder Richtung am Handgelenk und oberen Rücken. Jedes Ereignis wurde einer von fünf Klassen zugeordnet: Schwimmen, hochintensive Torwürfe, niedrigintensive Pässe, Abwehraktionen, bei denen der Ball die Hand traf, und Abwehr ohne Ballkontakt. Da manche Aktionen, wie harte Würfe, seltener vorkamen als kontinuierliches Schwimmen, nutzten die Forschenden eine Daten‑Ausgleichstechnik, damit auch die selteneren Ereignisse den Algorithmen während des Trainings sichtbar blieben.

Welches Modell liest das Wasser am besten?

Das Team trainierte und verglich anschließend fünf gängige Machine‑Learning‑Modelle — Computerverfahren, die Muster aus Daten erlernen — um zu prüfen, welches am besten den Bewegungstyp allein aus den Sensormerkmalen vorhersagen konnte. Über mehr als 18.000 etikettierte Bewegungen erwies sich ein als Random Forest bekanntes Verfahren als leistungsstärkstes Modell. Es klassifizierte etwa drei Viertel aller Ereignisse korrekt und war besonders gut darin, Schwimmzüge und sanfte Pässe zu erkennen. Andere Modelle, darunter einfache Entscheidungsbäume, logistische Regression und ein neuronales Netzwerk, waren weniger genau. Durch die Untersuchung, welche Sensormerkmale am wichtigsten waren, fanden die Forschenden heraus, dass bestimmte Richtungen der Arm‑Beschleunigung, insbesondere am Unterarm und oberen Rücken, entscheidend zur Unterscheidung kraftvoller Abwehr‑ und Schussaktionen von entspannteren Bewegungen beitrugen.

Was das für Training und Verletzungsrisiko bedeutet

Obwohl das Random‑Forest‑System die ursprüngliche Hoffnung der Forschenden auf 95 Prozent Genauigkeit verfehlte, stellt es dennoch einen wichtigen Konzeptnachweis dar. Die Studie zeigt, dass es machbar ist, die gesamte Bandbreite von Überkopf‑Aktionen in realen, lauten Trainingseinheiten zu überwachen — nicht nur in streng kontrollierten Übungen — und dabei nur zwei kleine Wearables und einen automatischen Klassifikator zu verwenden. Mit größeren Datensätzen, gesammelt über längere Zeiträume und während offizieller Spiele, könnte der Ansatz verfeinert werden, um zu verfolgen, wie sich Wurf‑ und Schwimmvolumen jeder Spielerin über eine Saison verändern oder während einer Rückkehr nach einer Schulterverletzung. Solch eine objektive, einheitenweise Aufzeichnung könnte Trainerinnen und Trainern helfen, Belastungen gezielt anzupassen, Trainingsanforderungen an Spielrealitäten auszurichten und plötzliche Spitzen zu erkennen, die auf ein erhöhtes Verletzungsrisiko hindeuten könnten.

Kernergebnis für Athletinnen und Trainer

Einfach gesagt zeigt diese Studie, dass intelligente Sensoren eine Wasserball‑Einheit von Frauen „beobachten“ und mit angemessener Sicherheit sagen können, ob eine Spielerin schwimmt, passt, schießt oder abwehrt — ohne auf langsame, manuelle Videoanalyse angewiesen zu sein. Obwohl das aktuelle System nicht perfekt ist, bietet es einen soliden Ausgangspunkt für die Entwicklung praktischer Werkzeuge, die automatisch protokollieren, wie viel Überkopf‑Arbeit jede Athletin verrichtet. In Zukunft könnten solche Werkzeuge gemeinsame Entscheidungen über Trainingspläne und sicheres Return‑to‑Play unterstützen, Trainer, medizinisches Personal und Athletinnen mit klareren Einblicken in die versteckte Belastung der Schulter versorgen und so möglicherweise helfen, mehr Spielerinnen gesund und im Wasser zu halten.

Zitation: King, M.H., Sanchez, R., Watson, K. et al. Quantifying women’s water polo overhead movement volumes using inertial measurement units and machine learning techniques: a cross-sectional study. Sci Rep 16, 5773 (2026). https://doi.org/10.1038/s41598-026-36402-8

Schlüsselwörter: Wasserball, tragbare Sensoren, Schulterverletzung, Machine Learning, weibliche Athletinnen