Scalable Injury-Risk Screening in Baseball Pitching From Broadcast Video

Cet article présente une méthode monocular basée sur l'IA capable de reconstruire des métriques biomécaniques précises à partir de vidéos de diffusion télévisée pour le dépistage évolutif des risques de blessures chez les lanceurs de baseball, offrant une alternative viable aux systèmes de capture de mouvement coûteux.

L'essentiel

Imaginez que vous êtes un entraîneur de baseball, mais vous n'avez pas des millions de dollars pour installer des caméras ultra-sophistiquées dans votre stade. Vous n'avez qu'une seule caméra, celle qui filme le match à la télévision.

Jusqu'à récemment, il était impossible d'analyser la santé du bras d'un lanceur avec cette seule caméra. C'était comme essayer de deviner la vitesse d'une voiture en regardant juste une photo floue. Mais une nouvelle équipe de chercheurs de l'Université de Waterloo a changé la donne. Ils ont créé un système qui transforme une simple vidéo de match en un scanner médical 3D capable de prédire les blessures.

Voici comment cela fonctionne, expliqué simplement :

1. Le Problème : Le "Flou Artistique" du Baseball

Le lancer d'un ballon de baseball est l'un des mouvements les plus rapides et les plus complexes du corps humain. Le bras tourne, le torse se tord, les jambes s'étirent.

• L'ancien système : Pour analyser cela, il fallait des caméras spéciales installées partout dans le stade (coûtant jusqu'à 500 000 $). Seuls les pros avaient accès à ces données.
• Le défi : Les vidéos de télévision sont souvent floues à cause de la vitesse, compressées (pixelisées) et le lanceur cache souvent son propre corps avec ses bras. C'est comme essayer de lire un livre écrit à la main avec un stylo tremblant, sous la pluie.

2. La Solution : Le "Magicien de la Vidéo"

Les chercheurs ont créé un logiciel qui agit comme un magicien de la restauration. Il prend la vidéo brute et la nettoie étape par étape :

• L'Étape 1 : La Danse Globale (Le Module PGLM)
  Imaginez que le lanceur est un danseur. Les caméras de télévision ne voient souvent que ses mouvements locaux. Ce module imagine où se trouve le centre de gravité du danseur dans l'espace réel, même si la caméra bouge. C'est comme ajouter un fil invisible qui relie le danseur au sol pour qu'il ne "dérive" pas dans le vide.

• L'Étape 2 : Le Kit de Réparation (La "Stack" BRS)
  C'est ici que la magie opère vraiment. Le logiciel sait que les humains ont des os de taille fixe.

  • Analogie : Si le logiciel voit que le bras d'un lanceur devient soudainement 20 cm plus long à cause d'une erreur de caméra, il dit : "Attends, ce n'est pas possible !" et il recalcule la position pour que la longueur de l'os reste constante, comme un squelette rigide.
  • Il lisse aussi les mouvements pour qu'ils soient fluides (pas de tremblements) et assure que le corps est symétrique (sauf quand le lanceur fait un mouvement intentionnel).

3. Le Résultat : 18 Mesures de Précision

Une fois la vidéo "nettoyée" et transformée en un modèle 3D parfait, le système mesure 18 indicateurs clés de la santé du bras.

• C'est comme si on mesurait l'angle de chaque articulation (coudes, genoux, épaules) avec une précision d'un degré.
• Sur 13 lanceurs professionnels testés, 16 de ces 18 mesures étaient presque parfaites, aussi précises que les systèmes à 500 000 $. La seule exception est l'épaule, qui est difficile à voir à travers les vêtements, mais même là, le système reste très utile.

4. L'Application : Le "Bouclier Anti-Blessure"

Le but ultime n'est pas juste de mesurer, mais de prévoir.

• Le système prend ces mesures et les compare à des milliers d'autres lanceurs.
• Il détecte les "signaux d'alarme". Par exemple : "Ce lanceur plie son coude d'une manière un peu trop extrême sur ses 10 % de lancers les plus rapides."
• En combinant ces données avec l'âge du joueur, son historique médical et la fatigue, le système peut prédire le risque de blessure grave (comme l'opération du "Tommy John", une chirurgie très courante pour les bras de lanceurs).

Pourquoi c'est révolutionnaire ?

Imaginez que vous puissiez avoir un médecin du sport virtuel qui regarde n'importe quelle vidéo de match sur YouTube ou à la télé et vous dit : "Attention, ce lanceur a un risque élevé de se blesser dans les prochains mois."

Avant, c'était un luxe réservé aux grandes ligues. Maintenant, grâce à ce système, un entraîneur de lycée, un club amateur ou un centre de formation peut utiliser une simple caméra pour protéger la santé de ses athlètes. C'est la démocratisation de la technologie médicale : passer d'un scanner hors de prix à une application accessible à tous, juste en regardant une vidéo.

En résumé : Une vidéo floue + un algorithme intelligent = Un avenir plus sain pour les lanceurs de baseball.

Résumé technique

1. Problématique

La prédiction et la prévention des blessures chez les lanceurs de baseball reposent sur des signaux biomécaniques précis (flexion des articulations, orientation du tronc, séparation hanche-épaule, etc.). Cependant, la référence actuelle (« gold standard ») nécessite des systèmes multi-caméras optiques coûteux (comme Hawk-Eye), installés dans les stades professionnels à un coût de 150 000 à 500 000 $ par site. Ces systèmes sont inaccessibles pour les ligues amateurs, les programmes universitaires et les entraîneurs individuels, créant un fossé critique entre la valeur connue de la biomécanique pour la prévention des blessures et l'absence d'outils évolutifs pour la mesurer.

L'objectif de ce travail est de déterminer s'il est possible de récupérer des métriques biomécaniques suffisamment précises à partir d'une vidéo monoscopique de diffusion (broadcast) pour soutenir le dépistage des risques de blessures, sans matériel dédié.

2. Méthodologie

L'approche proposée est un pipeline de traitement vidéo monoscopique qui transforme des séquences de poses 3D brutes en métriques biomécaniques stables et physiquement plausibles. Le processus se décompose en plusieurs étapes clés :

A. Estimation de la pose et Lifting Global (PGLM)

• Base : Le système utilise DreamPose3D pour estimer la pose articulaire 3D. Cependant, ce modèle est ancré sur le bassin (pelvis-rooted) et ne fournit pas directement la trajectoire globale du corps dans l'espace.
• Module PGLM (Pelvis-to-Global Lifting Module) : Les auteurs introduisent un module léger basé sur un encodeur-décodeur de type Transformer (style BERT). Il prédit la trajectoire globale du bassin en se basant sur les changements de vitesse du bassin par rapport à la première image.
• Gestion de la dérive : Pour éviter l'accumulation d'erreurs (drift) sur le long terme, le modèle fonctionne par fenêtres glissantes avec une stratégie de « prédire-engager-recalculer » : seules les $K=10$ premières trames de chaque fenêtre sont validées avant de passer à la suivante.

B. Stack de Raffinement Biomécanique (BRS)

Pour corriger les artefacts inhérents aux vidéos de diffusion (flou de mouvement, compression, occlusions, déformations extrêmes), un pipeline de post-traitement structuré est appliqué :

1. Contrainte de longueur d'os : Une longueur de référence est calculée sur les 30 premières trames. Pour chaque trame suivante, les longueurs des os sont forçées à rester constantes en rééchelonnant les segments articulaires (méthode inspirée de FABRIK).
2. Cinématique Inverse (IK) contrainte : Une optimisation IK est effectuée pour ajuster les angles articulaires tout en respectant des limites physiologiques spécifiques au lanceur, minimisant l'erreur de reprojection par rapport aux joints contraints.
3. Contraintes de symétrie : Pour réduire les asymétries erronées causées par les occlusions partielles, les longueurs des os gauches et droits (ex: bras) sont liées à une longueur moyenne partagée, et le bassin est centré.

C. Calcul des Métriques et Détection de la Main

• Estimation de la main (Handedness) : Avant tout calcul, le système détermine si le lanceur est droitier ou gaucher en analysant la différence de hauteur des chevilles et l'orientation du bassin.
• Calcul des 18 métriques : À partir des poses stabilisées, 18 métriques cliniquement pertinentes sont extraites (flexion du genou, angle du tibia, flexion du coude, rotation du bassin, séparation hanche-épaule, inclinaison du tronc, etc.) à des moments clés du lancer (pose du pied, rotation externe maximale, libération).
• Dérivées temporelles : Des vitesses angulaires sont calculées via des différences centrales et lissées par un filtre de Savitzky-Golay.

D. Modèle de Prédiction des Risques

Les métriques sont agrégées par lanceur (moyenne, écart-type, 90e percentile, coefficient de variation) et combinées avec des données de charge de travail, de démographie et d'historique médical. Un modèle d'ensemble (moyenne pondérée de Gradient Boosting, Random Forest et Régression Logistique) est entraîné pour prédire le risque de chirurgie Tommy John (réconstruction du LCU) ou de blessures graves au bras.

3. Contributions Clés

1. Module PGLM et Stack BRS : Introduction d'une architecture de raffinement qui stabilise les séquences de poses issues de vidéos de diffusion, garantissant une cinématique globale cohérente et physiquement plausible.
2. Cas d'usage clinique actionnable : Démonstration d'un système de dépistage automatisé des risques de blessures basé uniquement sur des métriques dérivées de la pose, éliminant le besoin de matériel de capture de mouvement en stade.
3. Validation à grande échelle : Récupération de 18 métriques biomécaniques à partir de vidéo monoscopique, avec validation de 16/18 métriques à une précision sous-degré sur 13 lanceurs professionnels, et généralisation sur 119 561 lancers professionnels.

4. Résultats

• Précision des métriques : Sur un jeu de validation de 13 lanceurs professionnels (156 lancers), 16 des 18 métriques atteignent un accord sous-degré (Erreur Absolue Moyenne - MAE < 1°) par rapport aux systèmes de suivi professionnels.
  • Les angles du bas du corps (genoux, tibias) et la flexion du coude montrent des erreurs inférieures à 0,5°.
  • La seule métrique échouant au seuil est l'abduction de l'épaule (MAE de 6,2° pour le bras lanceur), due à la difficulté de localiser le centre de l'articulation gléno-humérale sous les tissus mous et les vêtements.
• Performance du modèle de prédiction : Sur un ensemble de 7 348 lanceurs (incluant 167 cas récents de chirurgie Tommy John), le modèle d'ensemble atteint :
  • AUC de 0,811 pour la prédiction de la chirurgie Tommy John.
  • AUC de 0,825 pour la prédiction de toute blessure significative au bras.
• Analyse des caractéristiques : La variabilité biomécanique (plage de mouvement, coefficient de variation) et les statistiques du 90e percentile (P90) s'avèrent plus prédictives que les valeurs moyennes. L'historique médical reste le prédicteur le plus fort, mais les signaux biomécaniques apportent une valeur ajoutée significative.

5. Signification et Impact

Ce travail démontre que la vidéo de diffusion monoscopique, lorsqu'elle est traitée par des algorithmes de raffinement rigoureux, peut servir d'alternative viable et peu coûteuse aux systèmes de capture de mouvement en stade pour la biomécanique du baseball.

• Démocratisation : Cela permet de déployer un dépistage des risques de blessures de niveau professionnel dans des environnements aux ressources limitées (ligues amateurs, universités, centres d'entraînement).
• Passage à l'échelle : Le système peut analyser des centaines de milliers de lancers sans infrastructure matérielle supplémentaire, permettant un suivi périodique et des interventions ciblées sur la charge de travail ou la mécanique.
• Limites et perspectives : Bien que l'abduction de l'épaule reste un défi, la précision globale est suffisante pour la plupart des applications d'entraînement. Les travaux futurs pourraient intégrer des vues multiples pour améliorer la localisation de l'épaule et valider prospectivement le modèle sur des résultats de blessures réels.

En résumé, l'article établit un pont technologique crucial entre la vision par ordinateur et la médecine sportive, transformant des vidéos existantes en données biomécaniques exploitables pour la prévention des blessures à grande échelle.