Vědci z národního superpočítačového centra IT4Innovations využili metody strojového učení k analýze pohybových dat dětí. Cílem bylo zjistit, zda lze z údajů získaných jediným senzorem na těle rozpoznat různé typy pohybových aktivit a odhalit jejich vzájemnou podobnost. Výsledky mohou v budoucnu najít využití ve sportovním tréninku, tělesné výchově i rehabilitaci.

Do studie se zapojilo 81 dětí ve věku 9 až 11 let, které absolvovaly sérii pohybových úloh zahrnujících například člunkové běhy, lezení nebo přeskoky přes lavičku. Pohyb byl během celého testování zaznamenáván pomocí jediného senzoru umístěného mezi lopatkami. Ten měřil zrychlení a rotační pohyb trupu, což výzkumníkům poskytlo rozsáhlý soubor dat o průběhu jednotlivých aktivit.

Klíčovou roli v analýze sehrálo strojové učení. Vědci využili algoritmus XGBoost, který z velkého množství vypočtených charakteristik automaticky vybral ty nejdůležitější pro rozlišení jednotlivých aktivit. „Ukázalo se, že zapojení metod strojového učení do procesu výběru charakteristik výrazně zlepšuje schopnost systémů rozpoznávat a organizovat pohybové aktivity,“ vysvětluje Radek Halfar z IT4Innovations.

Vybrané charakteristiky následně posloužily k vytvoření tzv. Self-Organizing Map, která seskupuje podobné pohybové vzory blízko sebe. Nejde o novou metodu, ale o osvědčený nástroj strojového učení, který výzkumný tým využil k vytvoření přehledné mapy vztahů mezi jednotlivými cvičeními. Model dokázal rozlišit sledované pohybové aktivity s více než devadesátiprocentní přesností.

Podle autorů může podobný přístup pomoci při výběru vhodných cvičení pro různé skupiny dětí nebo pacientů. Díky schopnosti identifikovat pohybově podobné aktivity by mohl přispět k návrhu pestřejších tréninkových programů, sledování pohybového rozvoje nebo hodnocení pokroku během rehabilitace. Pokud například dítě nebo pacient nemůže z důvodu zdravotního omezení vykonávat konkrétní cvičení, model může pomoci najít jinou aktivitu s podobnými pohybovými nároky a zachovat tak požadovaný tréninkový či rehabilitační efekt.

 

Obrázek: Mapa podobnosti pohybových aktivit vytvořená metodou Self-Organizing Map (SOM)

Mapa ukazuje, které cviky tělo vykonává podobným způsobem a které naopak využívají zcela odlišné pohybové strategie. Barevně odlišené oblasti představují skupiny biomechanicky podobných aktivit, zatímco vzdálenost mezi nimi odráží míru jejich odlišnosti.

Např. Shuttle Run a Progressive Cone Shuttle Run, běhy, které charakterizují změny směru, skončily na mapě blízko sebe v horní části. SOM rozpoznala, že jejich pohybová dynamika je podobná. Naopak Head-to-Foot Hoop Crawl, který spočívá hlavně v ohýbání trupu a práci na místě, a Shuttle Run, který obsahuje prudké akcelerace, brzdění i změny směru, skončily na opačných stranách mapy, neboť senzor na zádech zaznamenal úplně jiné pohybové vzorce.

Odborné články

Essential time series characteristics for human motion analysis based on Self-Organizing Map clustering: https://gymnica.upol.cz/artkey/gym-202601-0004_essential_time_series_characteristics_for_human_motion_analysis_based_on_self-organizing_map_clustering.php

Studie „Essential time series characteristics for human motion analysis based on Self-Organizing Map clustering“ vznikla ve spolupráci vědců z IT4Innovations a Institutu aktivního životního stylu Fakulty tělesné kultury Univerzity Palackého v Olomouci.

Tento výzkum byl realizován za podpory Ministerstva školství, mládeže a tělovýchovy České republiky prostřednictvím projektu e-INFRA CZ (ID: 90254).