Kwantyfikacja objętości ruchów nadgłowowych u kobiet grających w piłkę wodną przy użyciu jednostek pomiaru inercji i technik uczenia maszynowego: badanie przekrojowe

Dlaczego warto mierzyć ruchy w piłce wodnej

Dla elity zawodniczek piłki wodnej każdy ruch ramienia — pociągnięcie, podanie i rzut — sumuje się do setek silnych czynności podczas jednej sesji treningowej. Te powtarzane ruchy nad głową pomagają wygrywać mecze, ale jednocześnie mocno obciążają barki i łokcie. Trenerzy wiedzą, że nadmierna ilość rzutów lub intensywne pływanie może zwiększać ryzyko bolesnych urazów przeciążeniowych, jednak obecnie opierają się na czasochłonnej analizie wideo lub intuicji przy ocenie obciążenia treningowego. W tym badaniu sprawdzono, czy małe wodoodporne czujniki ruchu w połączeniu z nowoczesnymi algorytmami komputerowymi mogą automatycznie zliczać i klasyfikować te ruchy w czasie rzeczywistym — oferując nowy sposób ochrony barków zawodniczek, przy jednoczesnym wspieraniu wyników sportowych.

Z pokładu pływalni do strumienia danych

Badacze współpracowali z dziesięcioma reprezentacyjnymi zawodniczkami pola z australijskiego programu wysokiej wydajności. Podczas czterech typowych, prowadzonych przez trenera sesji treningowych — każda trwająca około godziny i trzech kwadransów — zawodniczki nosiły dwa niewielkie urządzenia zwane czujnikami inercyjnymi: jeden przyklejony do przedramienia i drugi tuż pod szyją. Czujniki rejestrowały przyspieszenia i obroty ramienia oraz górnej części ciała podczas kraula, podań, rzutów i bloków. Równocześnie sesje nagrywały dwie kamery wideo. Doświadczony trener następnie oglądał nagrania i starannie oznaczał każde nadgłowowe działanie, tworząc zaufaną „prawdę podstawową” (ground truth), wobec której testowano system oparty na czujnikach.

Nauczanie komputerów rozpoznawania umiejętności basenowych

Przekształcenie surowych sygnałów z czujników w rozpoznawalne akcje wymagało kilku etapów. Najpierw zespół przefiltrował dane, aby usunąć szumy spowodowane chlapiącą wodą i ogólnym ruchem ciała, a następnie zidentyfikował ostre szczyty wskazujące pojedyncze ruchy ramienia. Wokół każdego szczytu obliczono bogaty zestaw prostych statystyk — takich jak średnia, rozrzut i kształt przyspieszenia w każdym kierunku na nadgarstku i górnych plecach. Każde zdarzenie oznaczono jako jedną z pięciu klas: pływanie, rzuty o wysokiej intensywności na bramkę, podań o niskiej intensywności, bloki z kontaktem piłki z ręką oraz bloki bez kontaktu z piłką. Ponieważ niektóre akcje, jak mocne strzały, występowały rzadziej niż ciągłe pływanie, badacze zastosowali technikę wyrównywania danych, aby upewnić się, że rzadsze zdarzenia były widoczne dla algorytmów podczas uczenia.

Który model najlepiej czyta wodę?

Zespół wytrenował i porównał pięć powszechnych modeli uczenia maszynowego — metod komputerowych uczących się wzorców z danych — aby sprawdzić, który najlepiej rozpoznaje typ ruchu na podstawie cech z czujników. Na ponad 18 000 oznaczonych ruchów najlepiej wypadła metoda zwana lasem losowym (random forest). Prawidłowo sklasyfikowała około trzech czwartych wszystkich zdarzeń i szczególnie dobrze wykrywała pociągnięcia pływackie oraz łagodne podania. Inne modele, w tym proste drzewa decyzyjne, regresja logistyczna i sieć neuronowa, okazały się mniej trafne. Analiza istotności cech wykazała, że pewne kierunki przyspieszenia ramienia, zwłaszcza na przedramieniu i górnych plecach, były szczególnie ważne do odróżniania silnych bloków i rzutów od bardziej zrelaksowanych ruchów.

Co to oznacza dla treningu i ryzyka urazów

Chociaż system lasu losowego nie osiągnął pierwotnej nadziei badaczy — 95 procent dokładności — nadal stanowi ważne potwierdzenie koncepcji. Badanie pokazuje, że możliwe jest monitorowanie pełnego miksu nadgłowowych działań podczas rzeczywistych, hałaśliwych sesji treningowych — nie tylko w ściśle kontrolowanych ćwiczeniach — używając wyłącznie dwóch małych urządzeń noszonych i automatycznego klasyfikatora. Przy większych zbiorach danych zebranych przez dłuższy czas i podczas oficjalnych meczów podejście to można by dopracować, by śledzić, jak objętość rzutów i pływania każdej zawodniczki zmienia się w sezonie lub podczas powrotu po urazie barku. Taki obiektywny zapis sesja po sesji mógłby pomóc trenerom dopasować obciążenia, zrównoważyć wymagania treningowe z realiami meczowymi i wykrywać nagłe skoki, które mogą sygnalizować zwiększone ryzyko urazu.

Wniosek dla zawodniczek i trenerów

Mówiąc najprościej, badanie pokazuje, że inteligentne czujniki mogą „obserwować” trening piłki wodnej kobiet i z rozsądną dokładnością określić, czy zawodniczka pływa, podaje, strzela czy blokuje, bez polegania na powolnej, ręcznej analizie wideo. Chociaż obecny system nie jest doskonały, stanowi solidny punkt wyjścia do budowy praktycznych narzędzi, które automatycznie rejestrują, ile pracy nad głową wykonuje każda zawodniczka. W przyszłości takie narzędzia mogłyby wspierać wspólne decyzje dotyczące planów treningowych i bezpiecznego powrotu do gry, dostarczając trenerom, sztabowi medycznemu i zawodniczkom jaśniejszego wglądu w ukryte obciążenie barku — i potencjalnie pomagając utrzymać więcej zawodniczek zdrowych i w wodzie.

Cytowanie: 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

Słowa kluczowe: piłka wodna, czujniki noszone, uraz barku, uczenie maszynowe, zawodniczki