Közeledik a „2nd Biomechanics in Sport and Ageing Symposium: Artificial Intelligence (AI)”. A szimpóziumra 2024. október 15-16-án kerül sor a Magyar Testnevelési és Sporttudományi Egyetemen, Budapesten. Éppen időszerű, hogy perspektívát adjunk a MI-nak a sport- és egészségtudományban betöltött szerepéről, amibe a gerontológia is beletartozik.
Számítógépeken futtatott programok hozzák létre az MI-t. A kódok utasítására olyan parancsok végrehajtását teszik lehetővé, amelyek korábban emberi intelligenciát igényeltek. Mindennapi életünkben tucatnyi példa szolgál ennek illusztrálására: a Siri digitális asszisztens ’beszélget’ velünk. A kódok kreatív folyamatok végrehajtását is lehetővé teszik: verset írnak, képeket és videókat hoznak létre, imél-vázlatok készítenek el, fényképeket elemeznek, arcfelismerést hajtanak végre, vagy éppen telefonhívásokra hoznak létre automatikus válaszokat. Valójában az MI olyan számítási egységeket épít, amelyek utánozzák az emberi intelligenciát és képességeket: nyelv, kommunikáció, fogalmak megértése, automatizált gondolkodás, (gépi) tanulás, számítógépes látás és robottámogatású mozgás [1]. Az 1. ábra összefoglalja a jelenleg leggyakrabban használt MI típusokat, technikákat, bemutat néhány példát, és rámutat az MI használatával kapcsolatban felmerülő fontos etikai és egyéb kockázatra [2,3]. A ábrán feltüntetett főbb MI elemek megjelennek a szimpóziumi előadásokban.
Az MI a sporttudományban és a gerontológiában
A sporttudományban az „MI” kulcsszóval megjelent publikációk száma 10 év alatt 30-ról 2024-re, havi 400-ra nőtt. Publikált cikkek alapján mire használják ma az MI-t a sporttudományban? Néhány példa: nemzeti hovatartozás meghatározása a leggyorsabb 100 mérföldes (ultra)maraton futóteljesítmény alapján; talajra érkezési típusok meghatározása gyorsulásmérőkkel a futás során kialakulható sérülések megelőzésére; junior súlyemelők technikájának elemzése; a mentális szorongás kockázatának felmérése főiskolai hallgatók körében demográfiai adatok, étkezési szokások, életmód és sportolási szokások függvényében; az elülső keresztszalag műtét utáni újrasérülésének előrejelzése a versenyzésbe visszatérő sportolóknál; a futás talaj-reakcióerők becslése hordozható ultrahang-érzékelők segítségével; dual-tasking tandem járáselemzés, agyrázkódás diagnosztizálása sportolók körében; sérülések előrejelzése labdarúgók körében; terhelés mérése mérkőzés és edzés során a labdajátékokban; antropometria alkalmazása a 20 méteres sprintteljesítmény előrejelzésére gyermekeknél...
Még konkrétabban, a Kitman Labs egy adatszolgáltató cég. Több profi sportligával dolgozik együtt. A kutatómunkát a Szilícium-völgyi és a dublini irodából irányítják. Céljuk, hogy meccseken milliárdos (!) nagyságrendű adatot gyűjtsenek, és az adathalmazt MI-vel elemezve egyénijátékos-szinten nemcsak sérülési kockázatot jelezzenek előre, hanem konkrét sérüléseket is. Rocky Collis létrehozta a „Mustard” nevű alkalmazást. A beküldött videókat computer visionnel elemzik, majd az alkalmazás edzésgyakorlatokat javasol. A „7. ZÓNA” egyik befektetője a New York Knicks profi kosárlabdacsapat támadója, Kristaps Porzingis. A „7. ZÓNA” MI-n alapuló meccsadat-elemzésére támaszkodva egy szezon alatt harmadára csökkentették a Liverpool Football Club játékosainak sérüléseit. A „7. ZÓNA’ MI modelljei összehasonlítják a játékosok teljesítményét is 5 millió órányi meccsteljesítmény alapján. A „4D Motion Sports” az amerikai műkorcsolyázók felkészülését támogatja, különös tekintettel a fáradtság csökkentésére és a technika fejlesztésére. A párizsi székhelyű „SkillCorner” sportadatokkal foglalkozó cég 65 ügyfele számára gyűjti össze a világ futballbajnokságainak tv-ben közvetített videóit. Az algoritmus nyomon követi az egyes játékosok helyzetét és sebességét, amiból teljesítménymutatókat számolnak ki. A kiválasztás és tehetséggondozás folyamatait segítik. Hazai MI alkalmazás olyan MI alapú szoftver kifejlesztését célozta meg, amelyet rehabilitáció során lehet akár otthoni környezetben is alkalmazni a beteg testhelyzetének automatikus felismerésére a rehabilitációt segítendő [4]. További hazai erőfeszítések irányulnak arra, hogy függőleges leérkezések során a dinamikus térd valgus kinematikáját MI-vel elemezve a térd sérülési kockázata megállapítható legyen [5].
Az egészségtudományon belül a gerontológiai kutatások az MI-t betegség-diagnosztikára és kezelésre használja. A fáradtság az öregedés állandó kísérő eleme. A kutatók nagy erőfeszítéseket tesznek a fáradtság és az elfáradás automatikus észlelésére az MI segítségével. Ezeket a vizsgalatokat egészséges és beteg időseken végzik járás, egyensúlyozás, és kognitív feladatok során. Az elesés közismerten az egyik legköltségesebb népegészségügyi probléma a világon. Deep learning típusú (1. ábra) MI módszerek alkalmazásával az a cél, hogy az elesést megelőző pillanatokban gyújtott motorikus (egyensúly), élettani és kognitív (agyhullámok) adatokból az idős egyén elesési figyelmeztetést kapjon. A demenciás esetek száma világszerte növekszik. A korai felismerés egyre fontosabb. Biztató adatok vannak, hogy motoros, élettani, pszichológiai, és kognitív markerek alapján akár már 10 évvel a demencia megjelenése előtt jelezni lehetne a betegség nagy valószínűségű bekövetkezését. Többközpontos, ezernyi alanyt felmérő kutatásainkban hordozható gyorsulásmérőkből járás és fordulás során kinyert adatok MI-vel végzett komplex elemzése alapján olykor már 99%-ban sikerült időseket, agyvérzéseseket, parkinsonosokat és nagy elesési rizikóval élőket kategorizálni, azaz diagnosztizálni [6-9].
A 2. ábra egy konkrét példát mutat arra, hogy miként kategorizáltunk neurológiai betegeket klinikai és gyorsulásmérőkből kinyert járáselemzési adatok alapján.
2. ábra. Betegcsoportok kategorizálása klinikai és járásalapú változók MI-vel végzett elemzésével [8].
A bal oldalon látjuk a bemeneti adatcsoportokat (csak klinikai markerek, csak járásalapú markerek, mindkettő), az adatok szűrése és elemzése Random Forest vagy Artificial Neural Networkkel. Ezeknek a módszereknek megvannak az előnyei és a hátrányai. Például ilyen elemzések során nem lehet tudni, hogy a 23 járásalapú bemeneti változó közül végül is mely változók járultak hozzá leginkább a csoportba sorolás sikeréhez. Jobb oldalon látjuk azon mérőszámokat, amelyekkel az alanyok csoportba sorolási (stroke, parkinson, stb) sikerét mérjük: pontosság, szenzivitás, és specificitás, amelyek az ún. Area Under the Curve vagy AUC mérőszámai. A 3. ábra azt mutatja, hogy amikor az Artificial Neural Network a klinikai és a járásalapú változókat használta (ANN model3), akkor a modell csaknem mind a 296 beteget helyesen kategorizálta (AUC=0.95).
3. ábra. A 2. ábrán látható modellezés eredménye [8].
Az MI-t sikeresen használták idősek edzéshatás-vizsgálataiban is. Például a programot kezdők tajcsimozdulatait MI-vel elemezték, így az ezer számra jelentkezőket objektív adatok alapján (önkategorizálás helyett) percek alatt sikerült kezdő, középhaladó, vagy haladó csoportba sorolni.
A „2. Biomechanika a Sportban és Öregedésben: Mesterséges Intelligencia (AI)” szimpózium során kiemelkedő előadók foglalkoznak majd e kérdésekkel. A vezető indító keynote előadás az MI általános alapjait mutatja be az egészség tükrében. A következő két keynote előadás pedig úgynevezett state-of-the-art összefoglalót mutat be az MI-nek a sportban, illetve az időskutatásban betöltött szerepéről. Kilenc országból 14 meghívott specialista adatalapú példákat mutat be az MI használatára a sportban és az öregedés kutatásában. Néhány a témák közül: Testösszetétel és edzéstervezés; Motoros-kognitív funkció felmérése; Sérülések és betegségek megelőzése; és Teljesítményértékelés és -előrejelzés workshop keretében. A regisztráció megnyílt! Mindenkit szeretettel várunk, hogy tanuljon és élvezze a szimpóziumot!
References
- Turing, A.M. On computable numbers, with an application to the Entscheidungsproblem. Proc London Math Soc. 1936, 58, 230–265.
- Matsuo, Y.; LeCun, Y.; Sahani, M.; Precup, D.; Silver, D.; Sugiyama, M.; Uchibe, E.; Morimoto, J. Deep learning, reinforcement learning, and world models. Neural Netw. 2022, 152, 267-275.
- Zhang, A.; Wu, Z.; Wu, E.; Wu, M.; Snyder, M.P.; Zou, J.; Wu, J.C. Leveraging physiology and artificial intelligence to deliver advancements in health care. Physiol Rev. 2023, 103, 2423-2450.
- Zsarnoczky-Dulházi, F.; Agod, S.; Szarka, S.; Tuza, K.; Kopper, B. AI-based motion analysis software for sport and physical therapy. Revista Brasileira de Medicina do Esporte. 2024, 30, 1-5.
- Uhlár, Á. Single leg squat test reveals what drop jump test misses, dynamic valgus tendency examination with artificial intelligence in adolescent soccer players. European College of Sport Science. 2022.
- Rehman, R.Z.U.; Zhou, Y.; Del Din, S.; Alcock, L.; Hansen, C.; Guan, Y.; Hortobágyi, T.; Maetzler, W.; Rochester, L.; Lamoth, C.J.C. Gait Analysis with Wearables Can Accurately Classify Fallers from Non-Fallers: A Step toward Better Management of Neurological Disorders. Sensors (Basel). 2020, 20.
- Zhou, Y.; Romijnders, R.; Hansen, C.; Campen, J.V.; Maetzler, W.; Hortobágyi, T.; Lamoth, C.J.C. The detection of age groups by dynamic gait outcomes using machine learning approaches. Sci Rep. 2020, 10, 4426.
- Zhou, Y.; van Campen, J.; Hortobágyi, T.; Lamoh, C.J.C. Artificial neural network to classify cognitive impairment using gait and
- clinical variables. Intelligence-Based Medicine. 2022, 6, 100076.
- Zhou, Y.; Zia Ur Rehman, R.; Hansen, C.; Maetzler, W.; Del Din, S.; Rochester, L.; Hortobágyi, T.; Lamoth, C.J.C. Classification of Neurological Patients to Identify Fallers Based on Spatial-Temporal Gait Characteristics Measured by a Wearable Device. Sensors (Basel). 2020, 20.
Szerző: Prof. dr. h. c. Hortobágyi Tibor
- Hírek
- Büszkeségeink
- Hallgatói hírek
- Tudományos hírek
- TDK hírek
- Pályázati hírek
- TFSE hírek
- Archívum
- Eseménynaptár
Archívum
-
2024.
-
2023.
-
2022.
-
2021.
-
2020.
-
2019.
-
2018.
-
2017.
-
2016.
-
2015.
-
2014.
-
2013.
-
2012.
-
2011.
-
2010.
-
2009.
-
2008.
-
2007.
-
2006.
-
2005.
-
2004.
-
2003.
-
2002.
-
2001.
