Các nhà nghiên cứu đã triển khai công nghệ máy học (machine learning) để phân loại các kiểu dáng chạy với những nguy cơ chấn thương khác nhau.
Tiến sĩ Jack Daniels, nhà sinh lý học thể thao và huấn luyện viên, từng quay một loạt hình ảnh khi các vận động viên đang sải bước chạy, rồi sau đó chia sẻ lại những dữ liệu này cho các đồng nghiệp khác để xem họ có thể chỉ ra được dáng chạy nào là hiệu quả nhất. Hầu hết các chuyên gia khi được hỏi đều cảm thấy khó khăn để đưa ra nhận xét. “Thực sự bó tay!”, Daniel nhún vai khi mô tả. Lý do những vận động viên có dáng chạy nổi tiếng ‘độc lạ” như Paula Radcliffe hoặc Alberto Salazar lại đem đến hiệu quả cao ở các giải, trong khi những vận động viên có sải bước và dáng chạy tuyệt đẹp đôi khi lại xếp chót bảng!
“Chạy” tưởng đơn giản nhưng hóa ra lại là một chuyển-động-phức-tạp không ngờ. Cái lắc đầu, cách xoay hông, góc của bàn chân khi tiếp đất, tất cả những yếu tố này sẽ đưa ra nhiều tổ hợp dáng chạy khác nhau. Vì vậy, để nhìn dáng chạy của 1 vận động viên rồi chỉ ra xem sự hiệu quả/hoặc thiếu hiệu quả của dáng chạy đó, cũng như sự tương quan của dáng chạy đến khả năng chấn thương của từng vận động viên, là gần như không thể. Giữa rất nhiều các yếu tố khác nhau, thật khó mà chỉ ra được đâu là nguyên nhân gốc rễ.
Và các chuyên gia vẫn không bỏ cuộc. Đối với họ, việc có mối liên hệ giữa dáng chạy và chấn thương gần như quá hiển nhiên và khong có nguyên nhân nào khác. Và họ dùng camera quay chuyển động chậm (slow-motion) cùng một loạt điểm đánh dấu vào các khớp chính trên cơ thể, đưa dữ liệu vào máy tính và tạo ra 1 mô hình 3D của dáng chạy. Bằng cách này các chuyên gia đã cố gắng tìm ra sự tương quan giữa một số dáng chạy nhất định như “đầu gối xoay vào bên trong nhiều hơn bình thường” với những chấn thương đặc biệt như đau xương bánh chè/xương đùi hoặc hội chứng IT Band (ITBS). Các chuyên gia đã đạt được những thành công nhất định nhưng kết quả vẫn có phần rắc rối và chưa hoàn toàn thuyết phục.
Ví dụ về phân tích dáng chạy 3D (3D Gait analysis)
Thế rồi kỷ nguyên trí tuệ nhân tạo được mở ra. Các chuyên gia thỉnh các ‘giáo chủ’ robot và nhờ công nghệ sắp xếp lại hàng tỷ các dữ liệu để xem cách chúng ‘khai sáng’. Đây là cách tiếp cận trong một nghiên cứu mới từ các nhà nghiên cứu tại Đại học Jyväskylä ở Phần Lan và Đại học Calgary ở Canada. Họ đã dùng dữ liệu phân tích dáng chạy 3D của một nhóm các runner, bao gồm một số người bị chấn thương và một số người khỏe mạnh, thông qua máy học (machine learning) – một lĩnh vực của trí tuệ nhân tạo.
Nghiên cứu này nhằm đánh giá: có thể phân loại các VĐV thành từng nhóm dựa trên dáng chạy của họ không và liệu những nhóm người đó có bị các chấn thương giống nhau?
Nghiên cứu này có sự tham gia của 291 VĐV do Reed Ferber (Phòng khám chấn thương chấn thương, Đại học Calgary) dẫn dắt nghiên cứu và phân tích dáng chạy. Kết quả được công bố trên Tạp chí Y học và Khoa học về Thể thao Scandinavia. Kết quả chỉ ra, 266 VĐV bị chấn thương bao gồm đau xương bánh chè (44), hội chứng đau xương chậu (29), viêm gân Achilles (15), viêm cân gan chân (14), hội chứng IT Band (12) và các hội chứng khác.
Tổng cộng, mỗi phân tích dáng chạy đưa ra 62 biến, bao gồm những thông số về góc đầu gối, góc bàn chân, chuyển động theo trục dọc và tốc độ sải chân. Sau đó, dữ liệu này được đưa vào máy tính và sử dụng phương pháp phân tích cụm phân cấp, để phân loại các đối tượng thành các nhóm có đặc điểm chung. Điều quan trọng là trong suốt quá trình này máy tính sẽ không được báo trước là nó cần tìm gì hoặc biến nào là quan trọng nhất. Công nghệ trí tuệ nhân tạo giúp phát hiện ra các khuôn mẫu ẩn trong vô số những dữ liệu phức tạp.
Phân tích chia các VĐV thành năm nhóm, mỗi nhóm hoàn toàn khác với tất cả các nhóm còn lại, ví dụ:
- Một nhóm tập trung những runner có đầu gối bị sụp và uốn cong nhất trong khi chạy
- Nhóm kế tiếp lại gồm những người chạy với dáng khá ‘cứng’, được chỉ ra bởi đầu gối và hông không cong như bình thường
- Nhóm khác bao gồm những VĐV đáp gót rõ rệt và có những thay đổi lớn về góc bàn chân trong từng sải bước.
Dù rõ ràng những nhóm này có đặc thù riêng biệt nhưng để dùng mắt thường chọn dường như là nhiệm vụ bất khả thi.
Các nhà nghiên cứu bắt đầu với giả thuyết rằng các nhóm VĐV này sẽ có sự tương đồng khi gặp chấn thương. Bạn có thể phỏng đoán rằng: Dĩ nhiên là nhóm VĐV gập đầu gối sẽ dễ bị chấn thương đầu gối nhất! Nhưng lạ thay, kết quả không phát hiện một kiểu mẫu nào như thế. Tất cả các kiểu chấn thương khác nhau, cũng như tỷ lệ người chạy bộ bị chấn thương hoặc vẫn khoẻ mạnh sau chạy được phân phối khá ngẫu nhiên ở tất cả các nhóm.
Khám phá này mang lại một số ý nghĩa vô cùng thú vị. Nếu đúng như vậy thì không có kiểu chạy nào có thể giảm khả năng dính chấn thương. Rod Whiteley, nhà vật lý trị liệu nổi tiếng tại Bệnh viện Y học Thể thao Aspetar, gợi ý rằng: Cơ thể con người sẽ tự tìm cách thích nghi với phong cách chạy bộ của bản thân. Nguy cơ chấn thương, theo quan điểm này, xuất phát từ những thay đổi trong kế hoạch tập luyện, thay vì do cách đáp chân hay góc cong đầu gối. Quan điểm này cũng khá tương đồng với ý kiến của Benno Nigg, nhà sinh học từng làm việc tại Đại học Calgary: 80% chấn thương khi chạy đều là do các lỗi tập luyện sơ đẳng như tăng số dặm (khối lượng chạy) quá nhanh hoặc không cho cơ thể có đủ thời gian để phục hồi.
Xem thêm bài viêt Dáng chạy – không cần quá cầu toàn và Sự thật về dáng chạy để hiểu thêm về khái niệm ‘chạy đúng’
Dù thuật toán trí tuệ nhân tạo có tinh vi đến cỡ nào cũng không thể đảm bảo rằng những kết quả này là hoàn toàn chính xác. Có thể các vận động viên trong mẫu nghiên cứu quá giống nhau; hoặc họ quá khác nhau. Hoặc số lượng 291 VĐV vẫn là quá ít để đưa ra kết luận thuyết phục. Nhưng nếu ngay cả siêu máy tính cũng bất lực như chúng ta khi cố tìm cách dự đoán các chấn thương dựa trên dáng chạy, dân chạy bộ có thể dẹp những tranh cãi về chiều dài sải chân, nhịp chân hay góc cẳng chân. Thay vào đó, hãy đồng ý với nhau: khi chạy phải đảm bảo xen kẽ những ngày nghỉ cần thiết vào kế hoạch tập luyện!
Biên tập từ Outside Online (tác giả Alex Hutchison)
The post Trí tuệ nhân tạo bóc mẽ dáng chạy appeared first on BoiDapChay.com.