Il mondo dello sport trova nell’intelligenza artificiale una soluzione per fare fronte ai ricorrenti infortuni che si verificano. Un ricercatore dell’Università di Pisa ha scoperto come consigliare agli atleti di fermarsi, in base all'analisi di una serie di parametri.

TAKEAWAY

• Alla domanda se è possibile prevenire gli infortuni sportivi ricorrendo ad algoritmi di intelligenza artificiale in grado di “prevedere” le mosse degli atleti, oggi è possibile dare una risposta affermativa.
• Nell’ambito di una ricerca condotta dall’Università di Pisa, è stato decisivo un algoritmo di machine learning in grado di comunicare quando, per l’atleta, è opportuno fermarsi.
• Attraverso il GPS si tracciano i movimenti, dando informazioni preziose sui comportamenti da assumere.

---

Machine learning e infortuni sportivi fino a qualche anno fa sembravano due sfere molto distanti tra loro. Eppure, c’è qualcosa che le lega. La prima rimanda a un sistema di apprendimento automatico basato sull’intelligenza artificiale, capace di acquisire una varietà di dati (input) per allenare una macchina che diventa progressivamente sempre più abile nello svolgere un compito (output) in autonomia, ossia senza essere stata preventivamente programmata per eseguirlo. 

Lo sport è, invece, una galassia dove un piccolo errore può condizionare l’intera squadra, se pensiamo alle discipline di gruppo. In quelle individuali può arrivare a compromettere un’intera carriera, come successo nel 2005 ad Alessio Rossi, oggi ricercatore all’Università Statale di Pisa. All’epoca giocava in un campionato dilettantistico di calcio e dovette dire addio ai suoi sogni, dopo lo strappo ai legamenti della caviglia, avvenuto durante un semplice allenamento.

Ecco perché ha deciso di dedicare le sue forze per far sì che non si verifichino di nuovo episodi del genere in futuro. Come è riuscito a intrecciare machine learning e infortuni sportivi? Vediamolo insieme

Machine learning e infortuni sportivi: il valore dei dati

Dello studio condotto da Alessio Rossi si è paralto sulla rivista Nature, nell’articolo “Data scientists are predicting sports injuries with an algorithm” del 31 marzo 2021.

L’indagine ha preso il via da un esperimento che ha coinvolto compagini calcistiche, all’interno delle quali ciascun membro ha indossato una “maglia tecnologica”, dotata di alcuni congegni: un apparecchio GPS (Global Positioning System), un accelerometro – utile a quantificare le oscillazioni prodotte dal corpo – e un giroscopio, dispositivo rotante che serve a mantenere la direzione.

A completare il quadro una bussola digitale, montata sulla divisa per avere una visione a 360 gradi dell’orientamento nello spazio di ciascun giocatore.L’importanza di connettere machine learning e infortuni sportivi è stata illustrata dallo stesso Rossi il quale, a margine della pubblicazione, ha dichiarato:

“Vogliamo seguire un team per un’intera stagione, registrando i dati GPS sia negli allenamenti che durante nelle gare. Quanto appreso ci consentirà di capire chi si potrebbe infortunare nei giorni successivi. Ad esempio, notiamo la frequenza e l’intensità degli esercizi effettuati, che da un lato è sicuramente un punto di forza, ma un’eccessiva pressione può essere fonte di problemi”

Come è stato riportato di recente dal Journal of Athletic Training, i calciatori subiscono tra le 2 e le 10 lesioni ogni 1000 ore di sforzi e, per un terzo, erano considerate come evitabili. Un tasso davvero alto che si registra in maniera consistente nei più giovani, come spiegato da Dhruv Seshadri, research engineer alla Case Western Reserve University di Cleveland, nell’Ohio.

“Intorno ai 10 anni di età si inizia a puntare all’agonismo – ha affermato Seshadri – e, nelle 1000 ore, si arriva a circa 20 lesioni, per la precisione 19,4”. Dal mondo del pallone si passa a basket, tennis, pattinaggio e così via, seguendo un approccio trasversale.

Il metodo utilizzato durante l’indagine

Sulle magliette di 26 calciatori sono state applicate le strumentazioni che abbiamo elencato in precedenza. Lo studio su machine learning e infortuni sportivi ha coinvolto 931 sedute, distribuite nel corso di 23 settimane. L’attenzione si è focalizzata su una serie di variabili, ossia caratteristiche che possono modificarsi, come possono essere l’andamento della corsa e altri indicatori di stress.

Nel documento si legge che il modus operandi si adatta a diverse esigenze, ad esempio chi pratica baseball può usufruire di maniche che misurano la velocità, mentre i pattinatori possono avere maggiore cognizione dei loro salti.

Parliamo dunque di “oggetti intelligenti”, avvicinandoci così all’IoT (Internet of Things), termine con cui si definisce l’estensione della rete a prodotti fisici.

Fasce e braccialetti, all’apparenza comuni, veicolano fattori come la frequenza cardiaca, l’aumento della temperatura corporea e la qualità del sonno effettuato durante la notte. E, ancora, l’umore, i viaggi fatti in autobus o a bordo di un aereo e l’acqua bevuta in un dato periodo.

Un bacino di dati che, utilizzato per allenare l’algoritmo, diventa determinante. Il metodo specifico è stato quello dei classificatori fondati su alberi di decisione, schemi automatizzati con cui si valutano le conseguenze e i rischi delle azioni che si vogliono intraprendere.

Machine learning e infortuni sportivi: i risultati ottenuti dal sistema AI

I segnali che arrivano dall’artificial intelligence riescono ad avvertire dell’80% degli incidenti, e, secondo l’equipe, non si avrebbe la stessa riuscita con altre tecniche.

Motivo per cui sono state scartate le reti neurali modelli che si ispirano ai neuroni del nostro cervello e che hanno una vasta gamma di applicazioni.Da un lato si avrebbe una maggiore precisione sulle singole rilevazioni, ma non si giungerebbe, allo stesso modo, a conclusioni interpretabili.

L’analisi di machine learning e infortuni sportivi rappresenta una sfida stimolante, ma non per tutti gli addetti ai lavori. “Alcuni di loro si sentono sostituiti – ha ricordato Rossi – ma in realtà i dataset sono solamente un tramite. La lettura dei risultati spetta comunque al personale di supporto che decide se concedere o meno una pausa a chi è meno in forma”.
La ricetta giusta starebbe nel combinare l’esperienza degli allenatori, con la capacità di previsione dell’algoritmo.

Si mira ora a rendere i sensori più accurati e “wearable”, dunque indossabili con facilità e in grado di restituire i vari parametri relativi agli infortuni sportivi.