چگونه بیومکانیک بدون نشانگر و ردیابی اسکلتی، قوانین طول عمر ورزشکاران را بازنویسی می‌کنند

صدای مشخص یک فصل ورزشی از دست رفته، صدای سوت نیست؛ بلکه صدای بی‌صدای و ویرانگر پارگی رباط یا گرفتگی ناگهانی و دردناک همسترینگ است. برای طرفداران، این به معنای بسته شدن پنجره قهرمانی است. برای ورزشکار، این نشان‌دهنده از بین رفتن معیشت چند میلیون دلاری در کسری از ثانیه است. برای دهه‌ها، دنیای ورزش این آسیب‌های فاجعه‌بار را به عنوان هزینه اجتناب‌ناپذیر به چالش کشیدن بدن انسان تا حداکثر محدودیت‌هایش پذیرفته بود.

زمانی که تیم‌ها تلاش می‌کردند تا علل ریشه‌ای این آسیب‌ها را بررسی کنند، این فرآیند ذاتاً دارای نقص بود. تجزیه و تحلیل بیومکانیکی مستلزم این بود که ورزشکاران در یک آزمایشگاه استریل لباس‌های خود را درآورند، ده‌ها نشانگر بازتابنده به پوستشان چسبانده شود و حرکات بسیار تخصصی خود را در یک محیط مصنوعی انجام دهند. داده‌ها دقیق بودند، اما زمینه کاملاً اشتباه بود. یک ورزشکار که در آزمایشگاه بیسبال پرتاب می‌کند، به سادگی با همان قصد خشونت‌آمیز و بی‌قید و شرطی که در انتهای اینینگ نهم با پر بودن پایه‌ها (بیس‌ها) حرکت می‌کند، حرکت نمی‌کند.[1][5]

این الگو در حال حاضر توسط بلوغ سریع ثبت حرکت بدون نشانگر در حال درهم شکستن است. با استفاده از بینایی کامپیوتری پیشرفته و هوش مصنوعی، دانشمندان ورزشی در حال انتقال بیومکانیک از آزمایشگاه و مستقیماً به زمین بازی هستند. دوربین‌های پرسرعت نصب شده در اطراف استادیوم‌ها اکنون کینماتیک سه‌بعدی ورزشکاران را به صورت بلادرنگ، در طول رقابت واقعی، بدون اینکه حتی یک حسگر بدن آن‌ها را لمس کند، ثبت می‌کنند.[1][4]

مکانیسم محرک این انقلاب ریشه در یادگیری عمیق دارد. هنگامی که یک ورزشکار حرکت می‌کند، مجموعه‌ای از دوربین‌های همگام‌سازی شده، ویدیوی استاندارد را به یک موتور هوش مصنوعی وارد می‌کنند. شبکه‌های عصبی این نرم‌افزار فوراً بیش از ۸۰ نقطه مرجع مجازی را روی بدن انسان شناسایی و ردیابی می‌کنند – مختصات فضایی دقیق مچ دست‌ها، آرنج‌ها، زانوها و لگن را فریم به فریم مشخص می‌کنند.[1][6]

سیستم‌هایی مانند موتور ارزیابی خودکار بیومکانیکی (ENABLE) که توسط مؤسسه تحقیقاتی جنوب غربی (Southwest Research Institute) توسعه یافته‌اند، این ورودی‌های ویدیویی دوبعدی را گرفته و با مدل‌های بیومکانیکی منبع باز ترکیب می‌کنند. این نرم‌افزار نقاط ردیابی شده را به واقعیت فیزیکی یک اسکلت انسانی محدود می‌کند و یک دوقلوی دیجیتالی سه‌بعدی بسیار دقیق از ورزشکار در حال حرکت تولید می‌کند.[6]

مقیاس محض داده‌هایی که این فناوری آزاد می‌کند، حیرت‌انگیز است. به جای تجزیه و تحلیل تعداد انگشت‌شماری پرتاب مصنوعی از یک جلسه آزمایشگاهی، مدیران ارشد لیگ برتر بیسبال (Major League Baseball) اکنون در حال پردازش کینماتیک ده‌ها هزار پرتاب در طول یک فصل هستند. هر پرتاب به صدها معیار متمایز تجزیه می‌شود، که همه چیز را از سرعت چرخشی تنه گرفته تا درجه دقیق باز شدن زانوی جلو در لحظه رها شدن توپ اندازه‌گیری می‌کند.[4][5]

این کوه داده‌های درون بازی، اساساً نحوه رویکرد تیم‌ها به توسعه بازیکن را تغییر می‌دهد. محققان با تجزیه و تحلیل مکانیک پرتاب‌کنندگان بسیار دقیق، کشف کرده‌اند که یک پای گام صاف شده، انرژی را به طور مؤثرتری از زمین به پرتاب منتقل می‌کند. تیم‌ها اکنون می‌توانند سناریوهای بهینه‌سازی دینامیک رو به جلو را اجرا کنند و تنظیمات فرضی و ظریفی را در دوقلوی دیجیتالی یک پرتاب‌کننده ایجاد کنند تا ببینند چگونه تغییر مکانیک آن‌ها ممکن است سرعت دست را به حداکثر برساند و در عین حال گشتاوری که شانه آن‌ها را پاره می‌کند، به حداقل برساند.[6]

اما هدف نهایی واقعی بیومکانیک بدون نشانگر، مدل‌سازی پیش‌بینی آسیب است. این فناوری از آستانه صرفاً توصیف نحوه حرکت یک ورزشکار فراتر رفته و به پیش‌بینی زمان آسیب دیدن او رسیده است. در یک پیشرفت اخیر، محققان یک رویکرد جدید به نام مدل‌سازی ساختار-عملکرد آماری (SSFM) را برای بازیکنان فوتبال حرفه‌ای به کار بردند و داده‌های MRI مورفولوژی عضلانی را با کینماتیک دویدن بدون نشانگر ترکیب کردند.[6]

نتایج بی‌سابقه بودند. با شناسایی تفاوت‌های متمایز در دینامیک باز شدن لگن و قرارگیری پا – که به طور خاص با الگوی گام‌برداری بیش از حد (overstride gait pattern) مرتبط است – مدل شبکه عصبی آسیب‌های همسترینگ آینده را با نرخ دقت ۸۴.۴٪ (۸۴.۴ درصد) پیش‌بینی کرد. تیم‌ها دیگر حدس نمی‌زنند چه کسی ممکن است بر اساس حجم کاری آسیب ببیند؛ آن‌ها در حال شناسایی نقص‌های مکانیکی میکروسکوپی هستند که مقدم بر پارگی هستند.[6]

تأثیر ردیابی اسکلتی بسیار فراتر از کادر پزشکی است. همان فناوری بینایی کامپیوتری که از همسترینگ‌ها محافظت می‌کند، به طور فعال در حال بازنویسی قوانین داوری ورزشی و تعامل پخش تلویزیونی است. سیستم‌های توسعه یافته توسط نوآوری‌های هاوک‌آی (Hawk-Eye Innovations) از ردیابی مفصل در کسری از ثانیه برای تقویت فناوری آفساید نیمه‌خودکار در فوتبال جهانی و اندازه‌گیری‌های مجازی خط کسب (line-to-gain) در فوتبال آمریکایی استفاده می‌کنند و خطای انسانی را از حیاتی‌ترین تصمیمات در ورزش حذف می‌کنند.[2]

با وجود پذیرش سریع، این فناوری بدون ابهام نیست. متخصصان بیومکانیک همچنان در حال بررسی دقت سیستم‌های بدون نشانگر هنگام اندازه‌گیری سینتیک پیچیده و چند صفحه‌ای، مانند نیروهای چرخشی در طول پرش عمودی سقوطی (drop vertical jump)، هستند. بحث‌های مداومی وجود دارد که آیا مدل‌های هوش مصنوعی که به شدت با داده‌های مصنوعی آموزش دیده‌اند، می‌توانند دقت در حد میلی‌متر سیستم‌های نوری سنتی مبتنی بر نشانگر را در هر حرکت انسانی ممکن کاملاً بازتولید کنند یا خیر.[3]

با این حال، مسیر پیشرفت غیرقابل انکار است. با پیچیده‌تر شدن الگوریتم‌ها و ارزان‌تر شدن سخت‌افزار دوربین مورد نیاز، بیومکانیک بدون نشانگر آماده است تا علم ورزش را دموکراتیزه کند. همان فناوری که در حال حاضر از متخصصان نخبه محافظت می‌کند، به سرعت در حال انطباق برای برنامه‌های کاربردی گوشی‌های هوشمند است و آینده‌ای را نوید می‌دهد که در آن مربیان دبیرستان می‌توانند الگوهای حرکتی خطرناک را قبل از اینکه یک ورزشکار جوان به میز جراح برسد، شناسایی و اصلاح کنند.[3][4]