İnertial ölçüm birimleri ve makine öğrenmesi teknikleri kullanarak kadın su topu baş üstü hareket hacimlerinin nicelenmesi: kesitsel bir çalışma

Su topu hareketlerini izlemek neden önemli

Elit su topu oyuncuları için her bir kulaç, pas ve şut tek antrenmanda yüzlerce güçlü kol hareketine eklenir. Bu tekrarlayan baş üstü eylemler maç kazanılmasına yardımcı olur, ancak omuzlar ve dirsekler üzerinde ağır bir yük oluşturur. Antrenörler çok fazla atış yapmak veya yüksek yoğunlukta yüzmek gibi durumların ağrılı tekrarlayıcı yaralanma riskini artırabileceğini bilir, ancak şu anda antrenman yükünü değerlendirmek için zaman alıcı video incelemesine veya sezgilere dayanıyorlar. Bu çalışma, küçük su geçirmez hareket sensörlerinin modern bilgisayar algoritmalarıyla birleştirildiğinde bu hareketleri gerçek zamanlı olarak otomatik şekilde sayıp sınıflandırıp sınıflandıramayacağını araştırıyor — böylece performansı zorlamaya devam ederken sporcuların omuzlarını korumanın yeni bir yolunu sunuyor.

Pistten veri akışına

Araştırmacılar Avustralya yüksek performans programında ulusal sıralamalı on kadın su topu saha oyuncusuyla çalıştı. Her biri yaklaşık bir saat on beş dakika süren dört tipik, antrenör liderliğindeki antrenman sırasında sporcular iki küçük cihaz olan inersiyal sensörleri taktılar: birisi ön kola bantlandı, diğeri boynun hemen altına yerleştirildi. Bu sensörler serbest yüzme, pas, şut ve bloklar sırasında kolun ve üst vücudun nasıl ivmelendiğini ve döndüğünü yakaladı. Aynı zamanda iki video kamera oturumları kaydetti. Deneyimli bir antrenör daha sonra görüntüleri izleyip her baş üstü hareketi dikkatle etiketleyerek sensör tabanlı sistemin test edilebileceği güvenilir bir “gerçek durum” (ground truth) oluşturdu.

Bilgisayarlara havuz becerilerini öğretmek

Ham sensör sinyallerini tanınabilir eylemlere dönüştürmek birkaç adım gerektirdi. Önce ekip su sıçramaları ve genel vücut hareketinden kaynaklanan gürültüyü gidermek için veriyi filtreledi, sonra bireysel kol hareketlerini işaretleyen keskin tepeleri (peak) tespit etti. Her tepke etrafında bilek ve üst sırttaki ivmelenmenin her yöndeki ortalaması, yayılımı ve şekli gibi zengin bir dizi basit istatistik hesaplandı. Her olay yüzme, kaleye yüksek yoğunluklu atışlar, düşük yoğunluklu paslar, topun ele çarptığı bloklar ve temas olmayan bloklar olmak üzere beş sınıftan birine etiketlendi. Sert şutlar gibi bazı eylemler sürekli yüzmeye göre daha az gerçekleştiğinden, araştırmacılar nadir olayların eğitim sırasında algoritmalar tarafından görülmesini sağlamak için veri dengeleme tekniği kullandılar.

Hangi model suyu en iyi 'okuyor'?

Ardından ekip, sensör özelliklerinden yalnızca hareket türünü en iyi tahmin edebilenleri görmek için beş yaygın makine öğrenmesi modelini eğitti ve karşılaştırdı — veriden desen öğrenen bilgisayar yöntemleri. 18.000’den fazla etiketlenmiş hareket üzerinde rastgele orman (random forest) adlı yöntem en güçlü performansı sergiledi. Tüm olayların yaklaşık dörtte üçünü doğru sınıflandırdı ve özellikle yüzme kulakçıklarını ve hafif pasları tespit etmede başarılı oldu. Basit karar ağaçları, lojistik regresyon ve bir sinir ağı dahil diğer modeller daha az doğruydu. Hangi sensör özelliklerinin en önemli olduğunu araştırarak, araştırmacılar önkol ve üst sırtta belirli ivmelenme yönlerinin güçlü bloklar ve şutları daha gevşek hareketlerden ayırt etmede özellikle önemli olduğunu buldular.

Bu durum antrenman ve yaralanma riski için ne anlama geliyor

Rastgele orman sistemi araştırmacıların başlangıçtaki %95 doğruluk beklentisinin gerisinde kalsa da yine de önemli bir kavram kanıtı teşkil ediyor. Çalışma, sadece iki küçük giyilebilir cihaz ve otomatik bir sınıflandırıcı kullanarak gerçek, gürültülü antrenman oturumlarında —sıkı kontrol edilen drillere değil— baş üstü eylemlerin tüm karışımını izlemenin mümkün olduğunu gösteriyor. Daha büyük veri setleri daha uzun dönemlerde ve resmi maçlar sırasında toplandığında, yaklaşım bir oyuncunun sezon boyunca veya omuz yaralanmasından dönüş sırasında atış ve yüzme hacminin nasıl değiştiğini izlemek için iyileştirilebilir. Bu tür nesnel, oturum bazlı kayıtlar antrenörlerin iş yüklerini kişiselleştirmesine, antrenman taleplerini maç gerçekleriyle eşleştirmesine ve artan yaralanma riskine işaret edebilecek ani sıçramaları tespit etmesine yardımcı olabilir.

Sporcular ve antrenörler için alınacak mesaj

Basitçe söylemek gerekirse, bu çalışma akıllı sensörlerin bir kadın su topu antrenmanını “izleyebileceğini” ve bir oyuncunun yüzdüğünü, pas verdiğini, şut çektiğini veya blok yaptığını yavaş elle video analizine dayanmadan makul ölçüde söyleyebileceğini gösteriyor. Mevcut sistem mükemmel olmasa da, her sporcunun ne kadar baş üstü iş yaptığına ilişkin verileri otomatik olarak kaydeden pratik araçlar oluşturmak için sağlam bir başlangıç sunuyor. Gelecekte bu tür araçlar antrenman planları ve güvenli dönüş kararlarında ortaklaşa kullanılabilir; antrenörlere, sağlık ekibine ve sporculara omuz üzerindeki gizli yük hakkında daha net bir içgörü sağlayarak daha fazla oyuncunun sağlıklı kalmasına ve havuzda kalmasına yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: su topu, giyilebilir sensörler, omuz yaralanması, makine öğrenmesi, kadın sporcular