Mäkihypyn ponnistusvaiheen biomekaniikka hahmon asennon tunnistamiseen perustuvalla liikeanalyysillä

Abstract

Mäkihyppy on Suomessa perinteikäs laji, jossa on totuttu kansainväliseen menestykseen arvokisoissa. Mäkihyppyä on tutkittu jo 1900-alkupuolelta alkaen ja vilkkain tutkimusaikakausi sijoittunee vähän 2000-luvun molemmin puolin. Mäkihyppysuoritus jakaantuu neljään vaiheeseen: ylämäen vauhdinottoon, ponnistukseen, ilmalentoon sekä alastuloon. Eniten lienee tutkittu ponnistusta, sillä se nähdään hypyn pituuden kannalta kaikkein kriittisimpänä.

Tyypillisesti ponnistuksesta tutkitaan liikkeen ajoitusta, nivelkulmia ja kulmanopeuksia, hyppääjän nopeutta, voiman tuottoa, lihasaktivaatiota ja hyppääjään kohdistuvia voimia.

Perinteinen liikeanalyysi ei sovellu mäkihyppyyn. Se on operatiivisesti raskasta ja markkereiden kiinnittäminen pukuun aiheuttaa epätarkkuutta tuloksiin ja riskejä hyppääjälle.

Tämän Pro gradu -tutkielman tarkoituksena oli selvittää koneoppimiseen perustuvan sovelluksen AlphaPosen ja sen päälle rakennetun sovelluksen suoriutumista ponnistusvaiheen analyysistä, kun vertailtavana menetelmänä oli perinteinen kuva kuvalta tehty analyysi. Tutkimus suoritettiin Vuokatissa K-100 mäestä syyskuussa 2020, jossa videoitiin kahdeksan (15-26-v.) yhdistetyn urheilijan suorittamat 40 hyppyä. Tilastolliseen vertailu tehtiin 10:lle ponnistukselle. ICC testi (N=376) osoitti erinomaista toistettavuutta sekä lantio- (ICC: 0.988, 95% CI[0.984,0.991]), polvi- (ICC: 0.982, 95% CI[0.898,0.993]) että säärikulmille (ICC: 0.936, 95% CI[0.911,0.952]). Ylävartalonkulman osalta tuloshajontaa esiintyi merkittävästi (ICC:0.889, 95% CI[0.506,0.955]). Korrelaatioanalyysi osoitti erittäin vahvan korrelaation lantio- (𝑟𝑠=0.975, p=0.000***), polvi- (𝑟𝑠=0.931, p=0.000***) ja ylävartalokulman (𝑟𝑠=0.882, p=0.000***) sekä vahvan korrelaation säärikulman (𝑟𝑠=0.882, p=0.000***) osalta. AlphaPose yliarvioi ylävartalo- ja aliarvioi polvikulmaa laskun loppuvaiheessa. Parillinen t testi osoitti hyvän vastaavuuden menetelmien välillä ponnistuksen kestolle (sovellus: M=0.269±0.463s; perinteinen: M=0.272±0.162s, p=0.831) ja lantion kulmanopeudelle keulalla (sovellus: M=9.319±1.230rad/s; perinteinen: M=9.417±1.165rad/s, p=0.791,).

Koneoppimispohjainen liikeanalyysi vaikuttaa lupaavalta ja operatiivisesti kustannustehokkaalta. Mittausmenetelmässä oli selkeästi havaittavissa toistettavuutta ja validiteettia monilta osin, mutta myös mittausarvojen hajontaa. Mittausasetelmaa ja mallia kehittämällä on mahdollista päästä vieläkin tarkempaan sovelluspohjaiseen analyysiratkaisuun.

Ski jumping has long traditions in Finland and the country has enjoyed notable success in the history of Ski jumping events. Research work around ski jumping started in the early 20th century and the busiest era took place at the turn of the millennium. Ski jump performance is divided into in-run, take-off, flight and landing phases. Take-off might be the most actively researched topic as it is widely regarded as the most critical phase as it has the greatest effect on jump length. Typically, researchers investigate take-off timing, joint angles, angular velocities of joint angles, the speed of a jumper, power generation, muscle activity and forces acting on the jumper from the take-off phase. Traditional motion analysis is not suitable for ski jumping due to operative costs. It is also inaccurate method as markers are difficult to place reliably on loose jump suit. This Master’s thesis is about investigating how well a machine learning based AlphaPose and an analysis software built on top of it performs in a take-off analysis compared to a traditional image by image performed analysis.

Research took place in Vuokatti HS-100 hill on September 2020 where total of 40 jumps from 8 Nordic combined athletes (15-26y) were video recorded. Statistical analysis was eventually performed for 10 take-offs. ICC test (N=376) showed excellent reliability for hip (ICC: 0.988, 95% CI[0.984,0.991]), knee (ICC: 0.982, 95% CI[0.898,0.993]) and shank-ski angles (ICC: 0.936, 95% CI[0.911,0.952]). Upper body angle showed significant deviation in results (ICC:0.889, 95% CI[0.506,0.955]). Correlation analysis showed very strong correlation for hip (𝑟𝑠=0.975, p=0.000***), knee (𝑟𝑠=0.931, p=0.000***) and upper body (𝑟𝑠=0.882, p=0.000***) angles and strong correlation for shank-ski angle (𝑟𝑠=0.882, p=0.000***). AlphaPose overestimated upper body and underestimated knee angles during late in-run. Paired samples t-test showed good equivalency for jump duration (software: M=0.269±0.463s; traditional: M=0.272±0.162s, p=0.831), and hip angular velocity at the time of release (software: M=9.319±1.230rad/s; traditional: M=9.417±1.165rad/s, p=0.791).

Machine learning based software is promising as a motion analysis method and also operatively cost effective. Reliability and validity were recognized to some extent, but some high deviation was also observed in certain parameters. By enhancing the video shooting setup and analyzing software with dedicated ski jumping training data it is very likely to find even more reliable and valid motion analysis method for ski jumping.