[論文レビュー] Towards Machine Learning on Data from Professional Cyclists

Agrin Hilmkil, Oscar Ivarsson+3 more|arXiv (Cornell University)|Jan 1, 2018

Sports Performance and Training被引用数 1

ひとこと要約

本研究では、センサーで収集されたデータを用いて、エリート・サイクリストのトレーニングセッション中の心拍応答を予測するためのLSTMモデルを訓練することで、プロ・サイクリングにおける機械学習の応用を探求する。主な貢献は、実世界のアスリートデータを用いたディープラーニングの実用可能性を示したことにある。

ABSTRACT

Professional sports are developing towards increasingly scientific training methods with increasing amounts of data being collected from laboratory tests, training sessions and competitions. In cycling, it is standard to equip bicycles with small computers recording data from sensors such as power-meters, in addition to heart-rate, speed, altitude etc. Recently, machine learning techniques have provided huge success in a wide variety of areas where large amounts of data (“big data”) is available. In this paper, we perform a pilot experiment on machine learning to model physical response in elite cyclists. As a first experiment, we show that it is possible to train a LSTM machine learning algorithm to predict the heart-rate response of a cyclist during a training session. This work is a promising first step towards developing more elaborate models based on big data and machine learning to capture performance aspects of athletes.

研究の動機と目的

• エリート・サイクリストにおける生理的応答をモデル化するための機械学習の可能性を調査すること。
• LSTMネットワークがトレーニング・セッションのデータから心拍を効果的に予測できるかどうかを評価すること。
• プロ・サイクリングのパフォーマンス分析におけるビッグデータと機械学習のパイロットフレームワークを確立すること。
• 実世界のセンサー・データ（出力パワー、速度、心拍、標高）を用いたアスリートのパフォーマンスモデリングの活用を検討すること。

提案手法

• 本研究では、トレーニング・データ内の時間的依存関係をモデル化するために、長短記憶（LSTM）再帰ニューラルネットワークを採用する。
• 入力特徴量には、トレーニング・セッション中に記録された出力パワー、速度、心拍、標高が含まれる。
• モデルは、センサー・データの歴史的シーケンスに基づいて、将来の心拍値を予測するように訓練される。
• データ前処理には、センサー読み取り値の正規化と、トレーニング・セッションを時間系列シーケンスに分割する処理が含まれる。
• モデル訓練には、入力シーケンスを対応する心拍出力にマッピングする、シーケンス・ツー・シーケンス学習を用いる。
• 本アプローチは、生理的応答の時間的パターンを活用することで、予測精度の向上を図る。

実験結果

リサーチクエスチョン

• RQ1 LSTMモデルは、トレーニング・セッション中のエリート・サイクリストの心拍応答を正確に予測できるか？
• RQ2 機械学習モデルは、実世界のセンサー・データを用いて、個々のサイクリストに一般化できるか？
• RQ3 プロ・サイクリングにおけるアスリートのパフォーマンス・データに、ディープラーニング技術を適用する実用性は何か？
• RQ4 センサー・データ内の時間的パターンを、生理的応答をモデル化するためにどの程度活用できるか？

主な発見

• LSTMモデルは、トレーニング・セッションのデータから心拍応答を予測する能力を効果的に習得した。
• モデルは、生理的信号内の複雑な時間的ダイナミクスを捉える能力を示した。
• 結果から、実世界のアスリートデータを用いたディープラーニングの実用性が確認された。
• 本研究は、スポーツ科学におけるより高度な機械学習応用への有望な第一歩を提示している。