در تابستان ۲۰۲۳، انجمن ورزشی دانشگاههای آمریکا (NCAA) قانون جدیدی را در مورد پرتابهای سافتبال تصویب کرد که بر اساس آن، پرتابگران اجازه یافتند در حین تحویل توپ، هر دو پای خود را از سطح زمین جدا کنند. پیش از این، جدا شدن پای محوری پرتابگر از سطح زمین به عنوان یک حرکت غیرقانونی شناخته میشد و جریمههایی را به دنبال داشت. این تغییر بزرگ، بحثهای گستردهای را در میان مربیان، بازیکنان و داوران برانگیخت و ضرورت ارائه یک چارچوب علمی و عینی برای تحلیل و تشخیص انواع پرتابها را آشکار ساخت. هدف اصلی این پژوهش، توسعه چنین چارچوبی بود تا بتوان تفاوتهای ظریف و مهم میان پرتابهای قانونی و غیرقانونی را با دقت بالا شناسایی و طبقهبندی کرد. این پژوهش با بهرهگیری از روشهای نوین دادهکاوی و یادگیری ماشین، تلاش کرد تا پاسخی مبتنی بر شواهد عینی به پرسشهای چالشبرانگیزی که در مورد مزیت یا عدم مزیت تکنیکهای جدید پرتاب مطرح بود، ارائه دهد.
این مطالعه بر روی سه نوع پرتاب اصلی در سافتبال متمرکز است: پرتاب کششی (Drag) که همواره قانونی بوده و پای پرتابگر در آن با زمین تماس دارد، پرتاب پرشی (Leap) که بر اساس قانون جدید مجاز شده و در آن پای پرتابگر از زمین جدا میشود اما دوباره روی آن قرار نمیگیرد، و پرتاب بازکاشت (Replant) که همچنان غیرقانونی است و در آن پرتابگر پس از جدا شدن پا، مجدداً آن را روی زمین میکارد و از آن نقطه دوم نیرو میگیرد. درک تفاوتهای ظریف میان این سه نوع پرتاب، به ویژه دو نوع آخر، از اهمیت بالایی برخوردار است، زیرا تشخیص بصری آنها اغلب برای داوران، مربیان و حتی خود بازیکنان دشوار است. اشتباه در تشخیص یک پرتاب غیرقانونی میتواند در لحظات حساس بازی، نتیجه یک مسابقه را به طور کامل تغییر دهد و اعتراضات زیادی را به دنبال داشته باشد. نمونههای متعددی از بازیهای مهم وجود دارد که در آنها یک سوت بحثبرانگیز در مورد پرتاب غیرقانونی، روند مسابقه را دگرگون کرده است، که این موضوع ضرورت یک رویکرد دقیقتر و علمیتر را بیش از پیش آشکار میسازد.
پسزمینه این تغییرات به فصل پرحاشیه ۲۰۲۳ در لیگ برتر سافتبال کالجهای آمریکا بازمیگردد، جایی که عملکرد خیرهکننده یک پرتابگر تازهوارد با تکنیک بحثبرانگیز «پرش-بازکاشت» یا همان «کرو هاپ»، بحثهای داغی را در مورد قانونی یا غیرقانونی بودن این حرکت برانگیخت. اعمال سلیقهای و ناسازگار داوران در مورد این نوع پرتابها، باعث شد تا کمیته قوانین به فکر اصلاح اساسی قاعده قدیمی بیفتد. نتیجه این بازنگری، پذیرش قانون جدیدی بود که صرفاً پرتاب بازکاشت را ممنوع اعلام میکرد و به پرتابگران اجازه میداد پای خود را از زمین جدا کنند، به شرط آنکه آن را دوباره روی زمین قرار ندهند و از آن نقطه نیروی جدیدی دریافت نکنند. این تغییر، مفهوم «جداشدن پا» را از حالت مطلق «غیرقانونی» به یک جزء جداییناپذیر از حرکت پرتاب تبدیل کرد و این پرسش اساسی را مطرح ساخت که آیا واقعاً میتوان با روشهای علمی، یک پرتاب پرشی را از یک پرتاب بازکاشت تشخیص داد؟
برای پاسخ به این پرسش و ارائه یک راهکار عملی، محققان از الگوریتمهای پیشرفته بینایی رایانهای و یادگیری عمیق بهره گرفتند. آنها یک الگوریتم تخمین وضعیت بدنی (Pose Estimation) به نام MediaPipe را برای پردازش ویدئوهای ضبط شده از پرتابهای واقعی بازیکنان دانشگاهی، پیادهسازی و سفارشیسازی کردند. این الگوریتم با شناسایی ۳۳ نقطه کلیدی روی بدن پرتابگر در هر فریم از فیلم، قادر است مختصات دقیق مفاصل و اندامهای او را استخراج کند. سپس دادههای خام با استفاده از روشهای نرمالسازی و پالایش، از نویز و خطا پاکسازی شدند و ویژگیهای مهمی مانند فاصله زانو تا انگشت شست پا، موقعیت افقی و عمودی پای پرتابگر و زاویه مچ پا به آنها افزوده شد تا اطلاعات مفیدتری برای تحلیل فراهم گردد. این فرایند پاکسازی و افزودن ویژگی، نقشی حیاتی در تبدیل دادههای خام و پراکنده به اطلاعاتی منسجم و قابل تفسیر ایفا کرد.
یکی از مهمترین دستاوردهای این تحقیق، شناسایی شاخصهای کلیدی برای تشخیص پرتاب غیرقانونی بازکاشت است. تحلیل دادهها نشان داد که در پرتاب بازکاشت، برخلاف دو نوع دیگر، فاصله بین زانوی پای محوری و انگشت شست پا به طور ناگهانی و چشمگیر کاهش مییابد. این کاهش نشاندهنده خم شدن زانو و قرار گرفتن وزن بدن روی یک نقطه جدید برای هل دادن مجدد است که یک مکانیسم فیزیکی کاملاً متفاوت با پرتاب کششی یا پرشی محسوب میشود. همچنین، بررسی موقعیت افقی انگشت شست پا در طول زمان، یک ناپیوستگی و تغییر ناگهانی در سرعت حرکت را نشان میداد که به خوبی بیانگر توقف لحظهای و سپس شتابگیری دوباره پای پرتابگر در هنگام برخورد با زمین و هل دادن مجدد است. این دو ویژگی، به عنوان قابلاعتمادترین نشانههای تفکیککننده، معرفی شدند و میتوانند مبنایی برای طراحی سیستمهای هشداردهنده و کمکداوری قرار گیرند.
در مقابل، مقایسه پرتاب کششی و پرشی نشان داد که این دو تکنیک از نظر سینماتیک حرکتی شباهتهای بسیار زیادی به یکدیگر دارند. به جز یک جهش کوچک و سریع که در آغاز حرکت پای پرتابگر در پرتاب پرشی رخ میدهد، الگوی کلی حرکت زانو و مچ پا در هر دو نوع پرتاب تقریباً یکسان است. این یافته، که با تحلیل تفاوت میانگین حرکتها نیز تأیید شد، به خوبی از ادعای کمیته قوانین NCAA حمایت میکند که معتقد است پرتاب پرشی مزیت ذاتی نسبت به پرتاب کششی برای پرتابگر ایجاد نمیکند. به عبارت دیگر، جدا شدن پای پرتابگر از زمین، به شرط آنکه با یک بازکاشت و هل دادن مجدد همراه نباشد، تأثیر قابلتوجهی بر مکانیک کلی پرتاب و سرعت نهایی توپ ندارد و بنابراین نباید آن را یک تکنیک برتر یا ناعادلانه تلقی کرد.
در گام بعدی و برای خودکارسازی فرایند تشخیص، یک شبکه عصبی بازگشتی (RNN) طراحی و آموزش داده شد تا به طور خودکار نوع پرتاب را بر اساس ویژگیهای استخراجشده طبقهبندی کند. شبکههای عصبی بازگشتی به دلیل ساختار ویژهای که دارند، برای تحلیل دادههای ترتیبی مانند فریمهای یک ویدئو بسیار مناسب هستند، زیرا میتوانند الگوهای وابسته به زمان را در حرکت بدن شناسایی کنند. این مدل هوش مصنوعی با دقت ۷۱.۴ درصد توانست پرتابهای قانونی را از غیرقانونی تشخیص دهد. هرچند این میزان دقت برای کاربرد در مسابقات رسمی هنوز جای بهبود دارد، اما نشاندهنده پتانسیل بالای این رویکرد برای توسعه سیستمهای کمکی داوری در آینده است. محققان معتقدند که با افزایش حجم دادههای آموزشی، استفاده از فیلمهای متنوعتر از پرتابگران مختلف با سبکهای گوناگون و بهینهسازی بیشتر معماری شبکه عصبی، میتوان عملکرد مدل را به سطح قابل قبولی برای کاربردهای عملی ارتقا داد.
با این حال، این تحقیق با محدودیتها و منابع خطای قابلتوجهی نیز مواجه بود. مهمترین این محدودیتها، تنوع کم در نمونه پرتابگران بود، زیرا دادهها عمدتاً از تعداد انگشتشماری پرتابگر جمعآوری شده بود که همگی از یک تیم دانشگاهی بودند. این موضوع، تعمیمپذیری نتایج را با چالش مواجه میسازد، زیرا سبک پرتاب و ویژگیهای آناتومیکی هر پرتابگر منحصر به فرد است. همچنین، تعداد نمونههای پرتاب پرشی بسیار کمتر از دو نوع دیگر بود که باعث شد الگوی حرکتی این تکنیک با دقت کمتری شناسایی شود. علاوه بر این، کیفیت فیلمهای ضبط شده و وجود نویزهای محیطی مانند حضور افراد دیگر در قاب یا تغییرات نور، گاهی اوقات منجر به خطا در تخمین موقعیت نقاط بدن توسط الگوریتم میشد. برای رفع این مشکلات، پیشنهاد میشود در پژوهشهای آینده، از یک پایگاه داده بزرگتر و متنوعتر شامل فیلمهای متعدد از پرتابگران در سطوح مختلف و با تکنیکهای گوناگون استفاده شود.
ارزش اصلی این پژوهش فراتر از تشخیص صرف پرتابهای غیرقانونی است. چارچوب توسعهیافته، ابزاری قدرتمند برای مربیان و تحلیلگران ورزشی فراهم میکند تا بتوانند ابعاد پنهان مکانیک پرتاب را کشف کنند. برای مثال، با اتصال این تحلیلها به دادههایی مانند سرعت نهایی توپ، میزان چرخش آن و حتی نتیجه پرتاب (مانند ضربه یا خطا)، امکان بررسی علمی این پرسش فراهم میشود که آیا سبکهای مختلف پرتاب واقعاً مزیت فیزیکی یا عملکردی برای پرتابگر ایجاد میکنند یا خیر. همچنین میتوان از این روش برای مطالعه تأثیرات بلندمدت این تکنیکها بر سلامت مفاصل و پیشگیری از آسیبهای ورزشی استفاده کرد. به عنوان مثال، شاید مشخص شود که پرتاب بازکاشت اگرچه از نظر قانونی ممنوع است، اما از نظر بیومکانیکی فشار بیشتری بر مفصل زانو وارد میکند و میتواند خطر آسیبهای بلندمدت را افزایش دهد.
در نهایت، این پایاننامه گامی مهم در جهت وارد کردن روشهای کمی و دادهمحور به حوزهای است که تا پیش از این عمدتاً بر اساس مشاهدات ذهنی و تجربیات فردی اداره میشد. یافتههای آن نشان داد که الگوریتمهای تخمین وضعیت بدنی، به شرط آنکه با دانش تخصصی در مورد ورزش و مکانیک بدن ترکیب شوند، میتوانند به ابزاری ارزشمند برای عینیتر کردن قضاوتها، بهبود روشهای آموزشی و در نهایت ارتقای سطح بازی تبدیل گردند. این چارچوب، راه را برای پژوهشهای آینده در زمینه تحلیل حرکت در ورزشهای مشابه مانند بیس بال، کریکت و حتی ورزشهای راکتی نیز هموار میسازد. توسعه یک سیستم خودکار و قابل اعتماد برای تشخیص پرتابهای غیرقانونی، میتواند به کاهش تنشهای داوری و افزایش شفافیت و عدالت در مسابقات کمک شایانی نماید.
| سرفصل | شماره صفحه |
|---|---|
| صفحه عنوان | ۱ |
| چکیده | ۳ |
| تقدیر و تشکر | ۵ |
| فهرست شکلها | ۹ |
| فهرست جدولها | ۱۱ |
| ۱. مقدمه | ۱۳ |
| ۲. پیشینه | ۱۳ |
| ۲.۱. تاریخچه اخیر پرتابهای غیرقانونی در سافتبال انسیایای (NCAA) | ۱۳ |
| ۲.۲. مبانی پرتاب سافتبال | ۱۴ |
| ۳. طراحی چارچوب و پردازش داده | ۱۸ |
| ۳.۱. تخمین وضعیت بدنی (Pose Estimation) | ۱۸ |
| ۳.۲. شبکه عصبی بازگشتی (RNN) | ۲۲ |
| ۴. نتایج و بحث | ۲۲ |
| ۴.۱. نتایج کیفی | ۲۲ |
| ۴.۲. نتایج مقایسهای | ۲۵ |
| ۴.۳. نتایج شبکه عصبی بازگشتی (RNN) | ۲۹ |
| ۵. نتیجهگیری و نکات | ۲۹ |
| ۵.۱. منابع خطا | ۲۹ |
| ۵.۲. کارهای آینده | ۳۰ |
| پیوست الف: فهرست کد شبکه عصبی بازگشتی (RNN) | ۳۱ |
| منابع | ۳۳ |
🔍 پرتابی که دنیای سافتبال را متحول کرد: علم تشخیص پرتابهای غیرقانونی
تصور کنید یک پرتابگر، توپ را با تمام قدرت رها میکند، اما ناگهان سوت داور بازی را متوقف میکند. پرتاب غیرقانونی اعلام شده، امتیازها از دست میروند و نتیجهی یک مسابقهی حساس تغییر میکند. این صحنهای آشنا برای طرفداران سافتبال است، به ویژه پس از تغییر قانون بزرگ در سال ۲۰۲۳ که به پرتابگران اجازه داد پای خود را از زمین بلند کنند. اما سوال اینجاست: چگونه میتوان با اطمینان گفت یک پرتاب پرشی قانونی است یا یک «کرو هاپ» غیرمجاز؟ پاسخ در قلمرویی نهفته که کمتر کسی انتظارش را داشت: هوش مصنوعی و تحلیل حرکات بدن.
🧠 وقتی الگوریتمها جای چشم داور را میگیرند
در پژوهشی نوآورانه در دانشگاه امآیتی، محققان از الگوریتم پیشرفتهی MediaPipe برای ردیابی ۳۳ نقطهی کلیدی بدن پرتابگر استفاده کردهاند. این الگوریتم مانند یک نقشهبردار دیجیتال، هر فریم از فیلم را به مختصات دقیق مفاصل و اندامها تبدیل میکند. اما نکتهی جالب اینجاست: آنها فقط به موقعیت بدن اکتفا نکردند، بلکه ویژگیهایی مانند فاصلهی زانو تا انگشت شست پا و زاویهی مچ پا را نیز محاسبه کردند.
«تحلیل دادهها نشان داد که در پرتاب غیرقانونی بازکاشت، فاصله زانو تا انگشت شست پا بهطور ناگهانی کاهش مییابد؛ درست مانند وقتی که برای پرش مجدد، زانو را خم میکنید.»
⚡ راز تشخیص: دو شاخص طلایی
پس از تحلیل دهها پرتاب از سه دستهی کششی (قانونی)، پرشی (قانونی جدید) و بازکاشت (غیرقانونی)، دو نشانهی کلیدی کشف شد:
- 📉 فاصلهی زانو-انگشت پا: در پرتاب بازکاشت، این فاصله بهشدت کاهش مییابد (نشانهی خم شدن زانو برای هل دادن مجدد)
- 📊 موقعیت افقی پا: در پرتاب غیرمجاز، حرکت پا دچار یک «پرش» ناگهانی در نمودار میشود که بیانگر توقف و شتابگیری دوباره است
جالب اینجاست که پرتابهای کششی و پرشی الگوهای بسیار مشابهی از خود نشان دادند؛ یافتهای که تأیید میکند قانون جدید واقعاً تکنیکی عادلانه را مجاز کرده است، نه یک مزیت پنهان.
🤖 شبکهای که قضاوت میکند
اما هیجانانگیزترین بخش، زمانی رقم خورد که پژوهشگران یک شبکه عصبی بازگشتی (RNN) را با این دادهها تغذیه کردند. این شبکه که مانند یک مغز دیجیتال، الگوهای حرکتی را در طول زمان تحلیل میکند، موفق شد با دقت ۷۱.۴ درصد نوع پرتاب را بهدرستی تشخیص دهد. هرچند این عدد برای قضاوت در بازیهای المپیک کافی نیست، اما پتانسیل شگفتانگیز این رویکرد را نشان میدهد. با جمعآوری دادههای بیشتر از پرتابگران مختلف، میتوان دقت را به سطحی رساند که کمکداوران هوشمند، به واقعیت تبدیل شوند.
🌈 چرا این کشف مهم است؟
فراتر از تشخیص پرتابهای غیرقانونی، این چارچوب درهایی تازه به روی علم ورزش گشوده است. مربیان میتوانند با اتصال این تحلیلها به سرعت توپ، میزان چرخش و حتی نتیجهی پرتاب، به درک عمیقتری از عوامل موفقیت دست یابند. همچنین، مطالعهی تأثیر این تکنیکها بر فشار وارد بر مفاصل، میتواند به پیشگیری از آسیبهای جدی در ورزشکاران جوان کمک کند. به عبارت دیگر، این فقط یک ابزار داوری نیست؛ پنجرهای است به قلب مکانیک حرکت انسان.
«این تحقیق نشان داد که حتی پیچیدهترین حرکات ورزشی را میتوان به دادههای قابل اندازهگیری تبدیل کرد و با قدرت یادگیری ماشین، الگوهای پنهان را آشکار ساخت.»
در نهایت، این پژوهش یادآوری است که در عصر دادهها، حتی ذهنیترین قضاوتهای ورزشی نیز میتوانند با شواهد کمی پشتیبانی شوند. شاید روزی نه چندان دور، داوران با کمک الگوریتمهایی مثل این، بتوانند با دقتی بینظیر، عدالت را در زمین بازی برقرار کنند.