Kvantifiering av kvinnors vattenpolos överhuvudrörelser med hjälp av inertiala mätenheter och maskininlärning: en tvärsnittsstudie

Varför det är viktigt att mäta vattenpolorörelser

För elitspelare i vattenpolo summerar varje simsims, passning och skott till hundratals kraftfulla armrörelser under ett enskilt träningspass. Dessa upprepade överarmsrörelser hjälper laget att vinna, men utsätter också axlar och armbågar för stor belastning. Tränare vet att för mycket kastande eller högintensivt simmande kan öka risken för smärtsamma belastningsskador, men förlitar sig idag ofta på tidskrävande videogranskning eller magkänsla för att bedöma träningsmängd. Denna studie undersöker om små vattentäta rörelsesensorer, kombinerade med moderna datoralgoritmer, kan räkna och klassificera dessa rörelser automatiskt i realtid — och därigenom erbjuda ett nytt sätt att skydda idrottarnas axlar samtidigt som man driver prestationsutvecklingen.

Från bassängkanten till dataström

Forskarlaget samarbetade med tio nationellt rankade kvinnliga fieldspelare i ett australiskt högpresterande program. Under fyra typiska, tränarledda träningspass — vardera ungefär en timme och tre kvart — bar idrottarna två små enheter kallade inertialsensorer: en tejpad på underarmen och en precis nedanför nacken. Dessa sensorer fångade hur armen och överkroppen accelererade och roterade under frisim, passningar, skott och blockeringar. Samtidigt filmade två kameror passen. En erfaren tränare granskade därefter materialet och märkte noggrant upp varje överhuvudrörelse, och skapade därmed en betrodd "ground truth" som sensorsystemet kunde testas mot.

Att lära datorer att känna igen bassängfärdigheter

För att omvandla råa sensorsignaler till igenkännbara handlingar krävdes flera steg. Först filtrerade teamet data för att ta bort brus från stänk och generell kroppsrörelse, och identifierade sedan skarpa toppar som markerade enskilda armaktioner. Runt varje topp beräknades en omfattande uppsättning enkla statistiska mått — såsom medelvärde, spridning och form av accelerationen i varje riktning vid handleden och övre ryggen. Varje händelse märktes som en av fem klasser: simning, högintensiva skott mot mål, lågintensiva passningar, block där bollen träffade handen, och block utan bollkontakt. Eftersom vissa handlingar, som hårda skott, förekom mer sällan än konstant simning, använde forskarna en teknik för att balansera data så att de sällsammare händelserna ändå blev synliga för algoritmerna under träningen.

Vilken modell tolkar vattnet bäst?

Teamet tränade och jämförde sedan fem vanliga maskininlärningsmodeller — datormetoder som lär sig mönster från data — för att se vilken som bäst kunde gissa rörelsetypen utifrån sensorfunktionerna ensam. Över mer än 18 000 märkta rörelser presterade en metod kallad random forest bäst. Den klassificerade korrekt ungefär tre fjärdedelar av alla händelser och var särskilt bra på att upptäcka simtag och mjukare passningar. Andra modeller, inklusive enkla beslutsträd, logistisk regression och ett neuralt nätverk, var mindre träffsäkra. Genom att undersöka vilka sensorfunktioner som var viktigast fann forskarna att vissa riktningar av armacceleration, särskilt vid underarm och övre rygg, var särskilt betydelsefulla för att skilja kraftfulla block och skott från mer avslappnade rörelser.

Vad detta betyder för träning och skaderisk

Även om random forest-systemet inte nådde forskarnas ursprungliga mål på 95 procents noggrannhet, utgör det ändå ett viktigt konceptbevis. Studien visar att det är möjligt att övervaka hela spektrat av överhuvudrörelser i verkliga, brusiga träningspass — inte bara i strikt kontrollerade övningar — med endast två små bärbara enheter och en automatisk klassificerare. Med större datamängder insamlade över längre perioder och under officiella matcher skulle metoden kunna förfinas för att följa hur varje spelares kast- och simvolym förändras över en säsong eller under återgång efter axelskada. Denna typ av objektiva, pass-för-pass register kan hjälpa tränare att anpassa belastningar, matcha träningskrav mot matchens realiteter och upptäcka plötsliga ökningar som kan signalera förhöjd skaderisk.

Huvudbudskap till idrottare och tränare

Enkelt uttryckt visar denna studie att smarta sensorer kan "övervaka" ett kvinnligt vattenpoloträning och med rimlig säkerhet avgöra om en spelare simmar, passar, skjuter eller blockerar, utan att förlita sig på långsam, manuell videoberäkning. Även om det nuvarande systemet inte är perfekt erbjuder det en stabil utgångspunkt för att bygga praktiska verktyg som automatiskt loggar hur mycket överhuvudsarbete varje idrottare utför. Framöver kan sådana verktyg stödja gemensamma beslut om träningsplaner och säker återgång till spel, ge tränare, medicinsk personal och idrottare klarare inblick i den dolda belastningen på axeln — och potentiellt hjälpa fler spelare att förbli friska och i bassängen.

Citering: 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

Nyckelord: water polo, wearable sensors, shoulder injury, machine learning, women athletes