Квантификация объёмов воздушных движений у женщин‑водного поло с помощью инерционных датчиков и методов машинного обучения: поперечное исследование

Почему важно отслеживать движения в водном поло

Для элитных игроков в водное поло каждая гребля, передача и бросок складываются в сотни мощных движений руками за одну тренировку. Эти повторяющиеся надголовные действия помогают выигрывать матчи, но одновременно создают серьёзную нагрузку на плечи и локти. Тренеры знают, что чрезмерное количество бросков или интенсивное плавание могут повысить риск болевых перегрузочных травм, однако сейчас они часто полагаются на трудоёмкий просмотр видео или интуицию, чтобы оценить тренировочную нагрузку. В этом исследовании изучается, могут ли небольшие водонепроницаемые датчики движения в сочетании с современными алгоритмами автоматически считать и классифицировать эти движения в реальном времени — предлагая новый способ защитить плечи спортсменок, не снижая эффективности тренировочного процесса.

От бортика бассейна к потоку данных

Исследователи работали с десятью игроками национального уровня из женской команды по водному поло в австралийской программе высокого уровня. Во время четырёх типичных тренировок под руководством тренера — каждая продолжительностью примерно час семьдесят пять минут — спортсменки носили два крошечных устройства, называемых инерционными датчиками: один приклеивали на предплечье, другой — чуть ниже шеи. Эти датчики фиксировали, как ускоряется и вращается рука и верхняя часть тела во время вольного стиля, передач, бросков и блоков. Одновременно с этим сессии записывали две видеокамеры. Опытный тренер затем просматривал отснятый материал и тщательно помечал каждое надголовное движение, создавая надёжную «эталонную правду», с которой система на основе датчиков могла быть сопоставлена.

Обучение компьютеров распознавать навыки в бассейне

Преобразование сырых сигналов с датчиков в распознаваемые действия потребовало нескольких этапов. Сначала команда фильтровала данные, чтобы убрать шум от всплесков и общемышечных движений, затем определяла резкие пики, обозначающие отдельные движения руки. Вокруг каждого пика вычисляли богатое множество простых статистик — например, среднее, разброс и форму распределения ускорения в каждом направлении на запястье и верхней части спины. Каждое событие было помечено как один из пяти классов: плавание, высокоинтенсивные броски по воротам, низкоинтенсивные передачи, блоки с контактом мяча по руке и блоки без контакта мяча. Поскольку некоторые действия, например мощные броски, встречались реже, чем постоянное плавание, исследователи применили приёмы балансировки данных, чтобы редкие события были видимы алгоритмам во время обучения.

Какая модель лучше «читает» воду?

Затем команда обучила и сравнила пять распространённых моделей машинного обучения — компьютерных методов, которые выявляют закономерности в данных — чтобы понять, какая из них лучше всего определяет тип движения по характеристикам датчиков. На основе более чем 18 000 размеченных движений наилучшие результаты показал метод случайного леса. Он правильно классифицировал около трёх четвертей всех событий и особенно хорошо различал плавание и мягкие передачи. Другие модели, включая простые деревья решений, логистическую регрессию и нейронную сеть, оказались менее точными. При анализе важности признаков исследователи выявили, что определённые направления ускорения руки, особенно на предплечье и верхней части спины, были особенно информативны для различения мощных блоков и бросков от более расслабленных движений.

Что это значит для тренировки и риска травм

Хотя система на основе случайного леса не достигла первоначальной цели исследователей в 95‑процентной точности, она всё равно представляет важное доказательство концепции. Исследование показывает, что возможно мониторить полный набор надголовных действий в реальных, шумных тренировках — а не только в строго контролируемых упражнениях — используя всего два небольших носимых датчика и автоматический классификатор. С большими наборами данных, собранными в течение более длительного времени и во время официальных матчей, подход можно доработать, чтобы отслеживать, как объём бросков и плавания каждого игрока меняется в течение сезона или при возвращении после травмы плеча. Такой объективный построчный журнал тренировок может помочь тренерам корректировать нагрузки, соотносить требования тренировки с реальными игровыми условиями и выявлять резкие всплески, которые могут сигнализировать об увеличенном риске травмы.

Короткое резюме для спортсменок и тренеров

Проще говоря, это исследование показывает, что умные датчики могут «наблюдать» за женской тренировкой по водному поло и с разумной точностью определять, плавает ли игрок, делает передачу, бросок или блок, без опоры на медленный ручной разбор видео. Хотя текущая система не идеальна, она даёт надёжную отправную точку для создания практичных инструментов, которые автоматически фиксируют, сколько надголовной работы выполняет каждая спортсменка. В будущем такие инструменты могли бы поддерживать совместные решения о тренировочных планах и безопасном возвращении в игру, давая тренерам, медперсоналу и спортсменкам более ясное представление о скрытой нагрузке на плечо — и потенциально помогая сохранить больше игроков здоровыми и в воде.

Цитирование: 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

Ключевые слова: водное поло, ношемые датчики, травмы плеча, машинное обучение, женщины‑спортсменки