بررسی استعدادیابی و پیشبینی آسیبهای ورزشی در پژوهشگاه تربیتبدنی و علوم ورزشی
به گزارش روابط عمومی پژوهشگاه تربیت بدنی و علوم ورزشی، در ادامه سلسله گفتگوهای زنده اینستاگرامی پژوهشگاه تربیتبدنی و علوم ورزشی، موضوع یادگیری ماشین و کاربردهای آن در تربیتبدنی و علوم ورزشی، استعدادیابی و پیشبینی آسیبهای ورزشی با حضوردکتر حامد عباسی متخصص آسیبشناسی ورزشی و حرکات اصلاحی و دکتر داود خضری متخصص بیومکانیک ورزشی از اعضای هیات علمی پژوهشگاه برگزار شد.
در ابتدای این گفتگوی زنده دکترعباسی گفت: کاربردهای متعدد هوش مصنوعی و یادگیری ماشین در حیطههای دیگر مانند اینترنت، ترافیک و خودروسازی برای انسان میسر شده است. بااینحال علیرغم پتانسیلهای یادگیری ماشین، این موضوع برای علاقهمندان و متصدیان علوم ورزشی هنوز آشنا نیست.
در ادامه این گفتگودکتر خضری اظهار کرد: یادگیری ماشین درواقع تعاملی از کامپیوترهای پیشرفته و نرمافزارها برای پیدا کردن الگوریتمها و رفتارهای یک مجموعه است.
وی با بیان اینکه یادگیری ماشین برگرفته از فناوری است، ادامه داد: تاریخ یادگیری ماشین به ۵۰ سال پیش برمیگردد. جهش این علم با فراهم شدن زیرساختهای سختافزاری و دادههای عظیم از ۲۰۱۳ آغاز و در تمامی علوم مانند پزشکی، داروسازی، ماشینهای خودران، هوافضا و ... وارد شد و منجر به تحول عظیمی در بسیاری از علوم شد. بهطور مثال خودروسازان از این علم برای رانندگی بدون راننده استفاده میکنند.
این متخصص بیومکانیک ورزشی با اشاره به اینکه اخیراً اولین شرکت خصوصی دنیا فضاپیمایی را به ایستگاه بینالمللی فضایی فرستاد، تصریح کرد: تمام دستورالعملهای این فضاپیما بهوسیله هوش مصنوعی و یادگیری ماشین انجام میشود. محققان استفاده از این علم را نقطه عطفی در پیشرفت علوم هوافضا میدانند.
دکترخضری خاطرنشان کرد: یادگیری ماشین درزمینهٔ تربیتبدنی و علوم ورزشی نیز در سطح دانشگاهی واردشده است. در دانشگاههایی همچون استنفورد، کلگری، ماساچوست پژوهشگران تربیتبدنی و علوم ورزشی درصدد استفاده از این علم هستند و پیشرفتهایی نسبی هم اتفاق افتاده است. اما استفاده از آن در این رشته هنوز در مراحل اولیه است. بااینحال بسترهای لازم برای ورود این علم فراهم شده است و میتوان در بهکارگیری آن در تربیتبدنی و علوم ورزشی جهت پیشبرد اهداف این رشته خوشبین بود.
وی گفت: یادگیری ماشین، فرایند آموزش یک سیستم کامپیوتری است که چگونه هنگام خورد دادهها یک تصمیم و پیشبینی دقیق انجام دهد. به زبان سادهتر، یادگیری ماشین زیرمجموعه علم و فناوری هوش مصنوعی است که روی یادگیری ماشینها بر پایهٔ تجربیات همان ماشین و پیشبینیها بر اساس این تجربیات استوار است. فناوری یادگیری ماشین، کامپیوترها و بهطورکلی ماشینها را قادر میسازد تا صرفنظر از انجام یک کار مشخص بر اساس دستورالعملهای ویژه، تصمیمات داده محور و قابلاطمینانی را اتخاذ کنند. این دستورالعملها و الگوریتمها طوری طراحی و ساختهشدهاند که در طول زمان و دریافت دادههای بیشتر و جدیدتر، یادگیری را ادامه داده دهند.
عضو هیئتعلمی پژوهشگاه تربیتبدنی با اشاره به اینکه الگوریتم یادگیری ماشین از مجموعه دادههایی با عنوان دادههای آموزشی برای فرایند یادگیری استفاده میکند، گفت: این الگوریتم مدلهای موردنیاز را بر اساس دادههای آموزشی ایجاد میکند. زمانی که دادهای جدید به این الگوریتم معرفی میشود ماشین بر اساس مدل ایجادشده پیشبینی و تصمیم لازم را اتخاذ میکند.
وی ادامه داد: این پیشبینی بهدقت مورد ارزیابی قرار میگیرد و درصورتیکه دقت آن بالا باشد، الگوریتم ماشین ثبت و مورد استفاده قرار میگیرد. اگر دقت پیشبینی کیفیت لازم را نداشته باشد؛ الگوریتم ماشین بهطور مکرر توسط دادههای جدید و کاملتر آموزش داده میشود. این فرایند تا زمانی انجام میشود که پیشبینیها دقت لازم را داشته باشند و مورداطمینان واقع شوند.
دکترخضری سیستمهای یادگیری ماشین را در سه دسته تحت نظارت، بدون نظارت و تقویتی معرفی کرد و گفت: یادگیری با نظارت به آموزش ورزشکار زیر نظر و هدایت یک مربی شبیه است. در این روش، وظیفه تعلیم ماشین یا مدل بر عهده بانک اطلاعاتی است که دقیقاً شبیه مربی عمل میکنند.
این متخصص بیومکانیک ورزشی تصریح کرد: فرض کنید مجموعهای از افراد ورزشکار شامل یک گروه از افراد آسیبدیده و یک گروه از افراد سالم هستند. دادههای این افراد شامل اطلاعات کینماتیکی، کینتیکی، الکترومایوگرافی و... به ماشین داده میشود درحالیکه این دادهها برچسب آسیبدیده و یا سالم دارند. ماشین بر اساس این اطلاعات مدلهایی برای تشخیص افراد سالم و آسیبدیده را طراحی میکند. وقتی اطلاعات فرد جدیدی به ماشین داده شود بر اساس مدل طراحیشده آن فرد را در گروه سالم یا آسیبدیده قرار میدهد.
وی در توضیح یادگیری بدون نظارت عنوان کرد: در این روش از طریق مشاهدهها، یادگیری صورت میگیرد و بر این اساس دستورالعملها، ساختارها و رفتارهای موجود در بانک اطلاعاتی را مورد ارزیابی قرار میدهند. هنگامیکه مجموعهای از دادهها به مدل داده میشود. مدل بهصورت اتوماتیکی با استفاده از خوشهبندی دادهها، ارتباطات و الگوهای موجود در آنها را پیدا میکند. این ماشین روی خوشههای ایجادشده برچسب میزند.
وی ادامه داد: برای مثال، وقتیکه مجموعهٔ دادههای کینماتیکی، کینتیکی، الکترومایوگرافی و یا... گروهی از ورزشکاران سالم و آسیبدیده به یک سیستم یادگیری ماشین بدون نظارت معرفی شود، ماشین میتواند افراد سالم و آسیبدیده را از هم تشخیص دهد، اما نمیتواند نام آنها را بهصورت جداگانه روی هر دسته مشخص کند.
این متخصص بیومکانیک ورزشی در خصوص آخرین روش «یادگیری تقویتی» اظهار کرد: توانایی ارتباط یک عامل با محیط خارجی بهمنظور دستیابی به بهترین نتیجه را یادگیری تقویتی میگویند. به این نوع یادگیری، مدل سعی و خطا هم گفته میشود. این عامل، درصورتیکه نتایج صحیح به دست بیاورد امتیاز مثبت میگیرد و در صورتی نتایج منفی به دست بیاورد جریمه و تنبیه میشود. و درنهایت، مدل از طریق امتیازات مثبت و نتایج مطلوب کسبشده بهبود مییابد. این تا زمانی که سیستم پیشبینیها و تصمیمات دقیق موردنیاز در مورد دادههای جدید ورودی را ارائه دهد، ادامه مییابد.
این عضو هیئتعلمی پژوهشگاه علوم ورزشی با مهم شمردن دادههای عظیم در یادگیری ماشین، گفت: دادههای عظیم مجموعهای از اطلاعات است که برای افراد زیادی ثبتشده است و ماشین بر اساس آنها میتواند یاد بگیرید، پیشبینی کند و تصمیم مناسب را اتخاذ کند. میزان دقت پیشبینی با حجم و تنوع دادهها ارتباط مستقیم دارد. برای مثال در بحث آسیبشناسی و بیومکانیک برای پیشبینی دقیق آسیب نیاز به اطلاعات پارامترهای بیومکانیکی و... برای تعداد افراد بسیار زیادی است. در تحقیقهای انجامشده در این زمینه حداقل افراد هر گروه را ۱۲۰ نفر مشخص کردهاند.
وی در خصوص زبانهای برنامهنویسی یادگیری ماشین بیان کرد: زبانهای مختلفی برای برنامهنویسی یادگیری ماشین وجود دارد اما در حال حاضر بهترین زبان Python است. زبانهای LISP، LISP، Java، C++ و Matlab نیز در این زمینه پرکاربرد هستند.
دکترخضری در خصوص اهمیت یادگیری ماشین و کاربردهای آن در مورد چگونگی استفاده از یادگیری ماشین برای استعدادیابی در ورزش بیان کرد: برای استعدادیابی ورزشی با استفاده از یادگیری ماشین، در گام نخست نیاز به پایش افراد نخبه ورزشی است تا الگوهای مختلف رفتاری کینماتیک، آنتروپومتریک، فیزیولوژیک، روانشناسی و ... این افراد ثبت و بانک اطلاعاتی لازم فراهم شود.
وی افزود: در مرحله بعد این دادهها با برچسب نخبه به ماشین داده میشود و ماشین مدلهای لازم را طراحی میکند. سپس با واردکردن اطلاعات هر فرد به سیستم، ماشین فرد را در دسته نخبه و یا عادی قرار میدهد. با این روش در مراحل اول میتوان افراد جدیدی که در دسته نخبه قرار میگیرند را معرفی کرد. در طی زمان افراد مستعد تحت نظارت قرار خواهند گرفت و پارامترهای مختلف آنها ثبت میشود تا در گام بعدی ماشین با دادههای جدید و قبلی آموزش داده شود و دقت مدل پیشبینی در آن افزایش یابد.
این متخصص بیومکانیک ورزشی در مورد استفاده از ماشین یادگیری برای پیشگیری از آسیبهای ورزشی مطرح کرد: پژوهشهای ارزشمندی در حال انجام است، برای مثال در دانشگاه کلگری کانادا محققان با استفاده از ساعتهای هوشمند و همچنین یک شتاب سنج کوچک که بر روی کمر تعبیه میشود، مجموعهای از دادهها شامل ضربان قلب، دما، فشارخون، حرکات سهبعدی لگن، شیب سطح و .... را از تعداد دوندگان زیادی ثبت کردند.
او در ادامه گفت: این ثبت دادهها برای مدتزمان ۲ سال ادامه داشت. در ابتدا دادهها همه افراد تحت برچسب سالم به ماشین ارائه شد. سپس در طی دادههای دوندگانی که آسیب دیدند تحت برچسب آسیبدیده به ماشین ارائه شد. با این فرایند بانک اطلاعاتی مناسب برای ماشین جهت دستهبندی افراد جدید در گروههای سالم، آسیبدیده و در معرض آسیب (بر اساس الگوهای افراد آسیبدیده قبل از وقوع آسیب) را فراهم کردند. در حال حاضر ماشین میتواند افراد در معرض آسیب را شناسایی کند.
این متخصص بیومکانیک ورزشی تأکید کرد: در واقع عمل پیشبینی وقوع آسیب را با یادگیری ماشین انجام میدهند. پس از شناسایی افراد مستعد و در معرض، متخصصان مربوطه باهدف پیشگیری، مداخلات تمرینی لازم را به فرد در معرض آسیب تجویز میکنند.
عضو هیات علمی پژوهشگاه اظهار کرد: شرط اولیه برای ورود به یادگیری ماشین و سنگ بنای این علم بر دسترسی به دادههای عظیم است. برای این منظور نیاز است تمام بسترهای لازم برای ثبت دادههای موردنیاز این ماشینها فراهم شود. بنابراین نخستین گام ایجاد یک بانک اطلاعاتی مناسب است. مرحله دوم ورود این اطلاعات به ماشین، انتخاب الگوریتمهای مناسب و طراحی مدلهای دقیق است. این مرحله نیاز به برنامهنویسی دریکی از نرمافزارهای مربوطه را دارد. درنهایت استفاده از خروجیهای این ماشینها الگوریتمهایی در زمینههای مختلف علوم ورزشی مانند استعدادیابی، پیشگیری از آسیب، بازاریابی ورزشی، بیان ژن و غیره را ارائه میکند.
وی گفت: با توجه به ورود هوش مصنوعی به تمام علوم، میتوان اذعان داشت که در آغاز عصر دوران یادگیری ماشین قرار داریم، احتمالاً در آینده نزدیک شاهد حکومت این فناوری بر زمین هستیم. بدون شک علوم ورزشی از این قاعده مستثنا نیستند و در چند سال آتی جنبههای مختلف از یادگیری ماشین تحول بزرگی را در ورزش جهان نوید میدهد.
نظر شما :