🤖 machine learning

Autoencoder Architectures for Athlete Performance Scoring from Wearable Telemetry

यह शोध पत्र उच्च-आयामी वियरेबल टेलीमेट्री को एक एकल स्केलर एथलीट प्रदर्शन स्कोर में बदलने के लिए पांच अनसुपरवाइज्ड डाइमेंशनैलिटी रिडक्शन मॉडल्स का मूल्यांकन करता है, जिसमें यह पाया गया कि डीप ऑटोएनकोडर्स पुनर्निर्माण सटीकता और लेटेंट स्कोर व्याख्यात्मकता के बीच सबसे अच्छा संतुलन प्राप्त करते हैं, जिसमें रनिंग पेस, एरोबिक डिकपलिंग और औसत हृदय दर को प्रमुख शारीरिक चालकों के रूप में पहचाना गया है।

मूल लेखक: Mateusz Kubita, Jan Zubalewicz, Krzysztof Siwek

प्रकाशित 2026-06-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mateusz Kubita, Jan Zubalewicz, Krzysztof Siwek

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रनिंग कोच हैं। हर दिन, आपके एथलीट स्मार्टवॉच और चेस्ट स्ट्रैप पहनते हैं जो छोटे, अति-उत्साही रिपोर्टरों की तरह काम करते हैं। वे हजारों डेटा पॉइंट्स चिल्लाकर बताते हैं: वे कितनी तेजी से दौड़े, उनका हार्ट रेट क्या था, उन्होंने कितनी चढ़ाई की, उनकी कैडेंस (cadence) क्या थी, उनका वजन, और यहाँ तक कि समय के साथ उनकी गति के मुकाबले उनका हार्ट रेट कैसे बदला (ड्रिफ्ट हुआ)।

समस्या डेटा इकट्ठा करने की नहीं है; बल्कि उसका अर्थ समझने की है। एक कोच यह पता लगाने के लिए 45,000 पंक्तियों वाली स्प्रेडशीट को घूर नहीं सकता कि वास्तव में कौन अच्छा प्रदर्शन कर रहा है। उन्हें एक स्पष्ट, एकल संख्या की आवश्यकता है—एक "परफॉर्मेंस स्कोर" (प्रदर्शन स्कोर)—जो सब कुछ संक्षेप में बता सके।

यह शोध पत्र एक स्मार्ट मशीन बनाने के बारे में है जो उन शोर भरे रिपोर्टों को पढ़ सके और उन्हें एक सार्थक संख्या में बदल सके।

चुनौती: "बहुत अधिक वेरिएबल्स" की पहेली

शोधकर्ताओं ने नौ अलग-अलग जानकारियों (जैसे पेस, हार्ट रेट और ऊंचाई) से शुरुआत की। वे इन नौ वेरिएबल्स को केवल एक संख्या (लेटेंट स्कोर) में संकुचित करना चाहते थे जो एक एथलीट के प्रदर्शन का प्रतिनिधित्व करती हो।

इसे एक जटिल फिल्म को एक वाक्य में समझाने की कोशिश की तरह समझें। यदि आप केवल कहते हैं "यह अच्छी थी," तो यह बहुत अस्पष्ट है। यदि आप हर दृश्य को सूचीबद्ध करते हैं, तो यह बहुत लंबा है। आपको एक ऐसा सारांश चाहिए जो महत्वपूर्ण विवरणों को खोए बिना उसके सार को पकड़ सके।

दावेदार: पांच अलग-अलग "सारांश देने वाले" (Summarizers)

टीम ने यह देखने के लिए पांच अलग-अलग कंप्यूटर मॉडल (आर्किटेक्चर) का परीक्षण किया कि सारांश बनाने के इस काम के लिए सबसे अच्छा कौन है:

Simple AE: एक बहुत ही बुनियादी, एक-चरणीय सारांश देने वाला।
Medium AE: एक थोड़ा गहरा सारांश देने वाला जिसके पास थोड़ी अधिक दिमागी शक्ति है।
Deep AE: एक जटिल, बहु-स्तरीय सारांश देने वाला (एक "भारी काम करने वाला")।
PCA: एक क्लासिक, गणितीय विधि जो सीधी रेखा वाले पैटर्न खोजती है (जैसे बिंदुओं के बादल के माध्यम से एक सीधी रेखा खींचना)।
VAE: एक संभाव्य (probabilistic) सारांश देने वाला जो समान एथलीटों को संभावनाओं के एक "बादल" में समूहबद्ध करने की कोशिश करता है।

ट्विस्ट: सटीकता ही सब कुछ नहीं है

आमतौर पर, जब हम इन मशीनों का परीक्षण करते हैं, तो हम बस पूछते हैं: "क्या आप अपने सारांश से मूल डेटा को फिर से बना सकते हैं?" (इसे रिकंस्ट्रक्शन एरर कहा जाता है)। यदि मशीन अपने डेटा को पूरी तरह से फिर से बना सकती है, तो वह जीत जाती है।

लेकिन शोधकर्ताओं ने महसूस किया कि यह काफी नहीं है। एक मशीन डेटा को फिर से बनाने में बहुत अच्छी हो सकती है, लेकिन वह एक ऐसा सारांश स्कोर बना सकती है जिसका मानव के लिए कोई अर्थ न हो। उदाहरण के लिए, वह किसी एथलीट को केवल इसलिए "महान" मान सकती है क्योंकि वह भारी था, यह अनदेखा करते हुए कि वह वास्तव में थका हुआ था।

इसलिए, उन्होंने एक दो-भाग वाला परीक्षण बनाया:

रीबिल्ड टेस्ट (पुनर्निर्माण परीक्षण): मशीन ने मूल डेटा को कितनी अच्छी तरह से फिर से बनाया?
"अर्थ निकालने" वाला टेस्ट: क्या सारांश स्कोर वास्तव में उस चीज़ को दर्शाता है जो हम दौड़ने के बारे में जानते हैं? (जैसे, क्या यह तेज गति या एक स्वस्थ हार्ट रेट ड्रिफ्ट के साथ मेल खाता है?)

उन्होंने विजेता चुनने के लिए इन दोनों परीक्षणों को एक एकल "कंपोजिट स्कोर" में मिला दिया।

परिणाम: कौन जीता?

Deep AE (डीप ऑटोएनकोडर) प्रतियोगिता जीत गया।

यह डेटा को फिर से बनाने में सबसे अच्छा था (सबसे कम त्रुटि)।
यह एक ऐसा स्कोर बनाने में भी सबसे अच्छा था जो समझ में आता है।

चौंकाने वाली बात: शोधकर्ताओं ने पाया कि "बॉटलनेक" (वह एकल संख्या जिसमें डेटा को दबाया जाता है) समस्या नहीं थी। समस्या यह थी कि डेटा को दबाने से पहले मशीन के पास कितना "सोचने का स्थान" था। जब उन्होंने सरल मॉडलों को अधिक हिडन लेयर्स (अधिक सोचने का स्थान) दिए, तो वे लगभग Deep AE के समान अच्छे हो गए। यह तथ्य नहीं था कि उन्हें नौ चीजों को एक में दबाना था; बल्कि यह था कि सरल मॉडल डेटा को दबाने से पहले उसे समझने के लिए बहुत "संकीर्ण" थे।

"क्यों": स्कोर को क्या संचालित करता है?

रोमांचक हिस्सा यह है कि मशीन ने बिना यह बताए कि उसे क्या देखना है, दौड़ने के नियमों को स्वयं समझ लिया।

एक विशेष "एक्स-रे" तकनीक (जिसे Explainable AI कहा जाता है) का उपयोग करके, शोधकर्ताओं ने जीतने वाले मॉडल के अंदर देखा कि कौन से वेरिएबल्स सबसे महत्वपूर्ण थे। मॉडल ने लगातार प्रदर्शन के तीन चालक (drivers) की पहचान की:

रनिंग पेस (दौड़ने की गति): वे कितनी तेजी से जा रहे हैं।
औसत हार्ट रेट (Average Heart Rate): उनका दिल कितनी मेहनत कर रहा है।
एरोबिक डिकपलिंग (Aerobic Decoupling): यह एक तकनीकी शब्द है जिसे "हार्ट रेट ड्रिफ्ट" भी कहते हैं। यह मापता है कि क्या आपकी गति स्थिर रहने के दौरान आपका हार्ट रेट बढ़ रहा है (जो थकान या डिहाइड्रेशन का संकेत है)।

यह वही था जो मानव फिजियोलॉजिस्ट पहले से जानते हैं: यदि आप एक स्थिर हार्ट रेट और बिना किसी ड्रिफ्ट के तेजी से दौड़ रहे हैं, तो आप बेहतरीन स्थिति में हैं। यदि आपकी गति धीमी होने के साथ आपका हार्ट रेट बढ़ रहा है, तो आप थके हुए हैं। मशीन ने डेटा से ही इस पैटर्न को खोज लिया।

मुख्य निष्कर्ष

यह शोध पत्र दिखाता है कि हम पहनने योग्य उपकरणों (wearables) के बिखरे हुए डेटा को एक एकल, भरोसेमंद संख्या में बदलने के लिए उन्नत AI का उपयोग कर सकते हैं। सबसे अच्छा मॉडल (Deep AE) ने केवल नंबरों को प्रोसेस नहीं किया; इसने दौड़ने की शारीरिक विज्ञान (physiology) की "भाषा" को सीखा।

हालाँकि, लेखक सावधानी बरतते हुए नोट करते हैं:

उन्होंने इसका परीक्षण एक विशिष्ट प्लेटफॉर्म (Golden Cheetah) के डेटा पर किया।
उनके पास कोई "ग्राउंड ट्रुथ" (जैसे वास्तविक दौड़ के परिणाम या लैब परीक्षण) नहीं था जिससे यह साबित हो सके कि स्कोर एकदम सटीक है, लेकिन परिणाम ज्ञात विज्ञान से मेल खाते हैं।
यह सिस्टम वर्तमान में एक "ब्लैक बॉक्स" है जिसे सावधानी से समझने की आवश्यकता है, लेकिन उन्होंने एक ढांचा तैयार किया है ताकि यह सुनिश्चित हो सके कि परिणाम स्थिर हैं और केवल रैंडम शोर (noise) नहीं हैं।

संक्षेप में: उन्होंने एक ऐसी मशीन बनाई है जो एक धावक के वॉच डेटा को देख सकती है और कह सकती है: "यह रहा आपका परफॉर्मेंस स्कोर, और यहाँ बताया गया है कि यह क्यों है," बिना किसी मानव द्वारा इसे मैन्युअल रूप से कैलकुलेट किए।

तकनीकी सारांश: एथलीट प्रदर्शन स्कोरिंग के लिए वियरेबल टेलीमेट्री हेतु ऑटोएनकोडर आर्किटेक्चर

समस्या विवरण
IoT वियरेबल उपकरणों के प्रसार ने खेल विश्लेषण (sports analytics) में प्राथमिक चुनौती को डेटा संग्रह से बदलकर डेटा संश्लेषण (data synthesis) में स्थानांतरित कर दिया है। धावक उच्च-आयामी (high-dimensional), बहु-सेंसर प्रशिक्षण लॉग (काइनेमैटिक, फिजियोलोलॉजिकल और एनवायरोनमेंटल) उत्पन्न करते हैं, जिन्हें कोचों द्वारा मैन्युअल रूप से समझना कठिन होता है। मौजूदा दृष्टिकोण अक्सर निश्चित भार (fixed weights) वाले हस्तनिर्मित सारांशों पर निर्भर करते हैं, जो वर्कलोड, थकान और कार्डियोवैस्कुलर प्रतिक्रिया के बीच गैर-रेखीय अंतःक्रियाओं (जैसे कि चढ़ाई पर दौड़ते समय गति में गिरावट और हृदय गति में वृद्धि का एक साथ होना) को पकड़ने में विफल रहते हैं। जबकि प्रिंसिपल कंपोनेंट एनालिसिस (PCA) जैसी आयामी कमी (dimensionality reduction) तकनीकें मौजूद हैं, वे रैखिकता (linearity) द्वारा सीमित हैं और आमतौर पर केवल पुनर्निर्माण सटीकता (reconstruction accuracy) के लिए अनुकूलित होती हैं, जिससे परिणामी प्रदर्शन स्कोर की व्याख्यात्मकता (interpretability) और स्थिरता की उपेक्षा होती है। एक ऐसा एकीकृत ढांचा (unified framework) उपलब्ध नहीं है जो बहु-सेंसर टेलीमेट्री को एक एकल, व्याख्या योग्य स्केलर स्कोर में संकुचित कर सके, जबकि गैर-रेखीय शारीरिक संबंधों को सुरक्षित रखे और स्थिर फीचर रैंकिंग सुनिश्चित करे।

कार्यप्रणाली
यह अध्ययन गोल्डन चीटा (Golden Cheeta) प्लेटफॉर्म से प्राप्त 45,836 गुमनाम रनिंग सत्रों के डेटासेट पर पांच आयामी कमी आर्किटेक्चर का मूल्यांकन करता है। इनपुट में नौ फीचर्स शामिल हैं: पेस (pace), औसत हृदय गति, ऊंचाई में वृद्धि (elevation gain), कुल दूरी, कैडेंस (cadence), एरोबिक डिकपलिंग (aerobic decoupling), आयु, शरीर का वजन और लिंग।

मॉडल आर्किटेक्चर: पांच मॉडलों की तुलना की गई, सभी ने 9-आयामी इनपुट को 1-आयामी बॉटलनेक (लेटेंट स्कोर) तक कम किया:
- सिंपल AE (Simple AE): एक सिंगल-लेयर मैपिंग।
- मीडियम AE (Medium AE): इनपुट → 16 → 1 → 16 → आउटपुट।
- डीप AE (Deep AE): इनपुट → 32 → 8 → 1 → 8 → 32 → आउटपुट।
- PCA: एक लीनियर बेसलाइन।
- वेरिएशनल ऑटोएनकोडर (VAE): एक 32-आयामी इंटरमीडिएट लेयर के साथ एक प्रोबेबिलिस्टिक एनकोडर।
- डिज़ाइन नोट: बॉटलनेक की सीमाओं को क्षमता सीमाओं से अलग करने के लिए, हिडन लेयर्स को पर्याप्त रिप्रजेंटेशनल कैपेसिटी सुनिश्चित करने के लिए चौड़ा (16 या 32 यूनिट) रखा गया था।
मूल्यांकन ढांचा:
- कम्पोजिट सिलेक्शन क्राइटेरिया (Composite Selection Criterion): मॉडल की गुणवत्ता का मूल्यांकन पुनर्निर्माण सटीकता और लेटेंट स्कोर व्याख्यात्मकता को मिलाकर एक भारित स्कोर ( $Score_{sel}$ ) का उपयोग करके किया गया: $Score_{sel} = \alpha \cdot (1 - MSE_{norm}) + (1 - \alpha) \cdot Q$ । यहाँ, $\alpha=0.5$ , और $Q$ , लेटेंट स्कोर क्वालिटी ( $Q$ ) को दर्शाता है।
- व्याख्यात्मकता मेट्रिक्स (Interpretability Metrics): $Q$ को निर्धारित करने के लिए, फीचर महत्व को चार मेट्रिक्स के माध्यम से मापा गया: स्पियरमैन रैंक कोरिलेशन (Spearman rank correlation), केंडल रैंक कोरिलेशन (Kendall rank correlation), म्यूचुअल इंफॉर्मेशन (Mutual Information), और परम्यूटेशन इम्पॉर्टेंस (रैंडम फॉरेस्ट का उपयोग करके)। इन रैंकिंग को एक संशोधित बोर्डा काउंट (Borda count) का उपयोग करके एकत्रित किया गया।
- स्थिरता (Stability): फीचर्स की टॉप-थ्री में दिखने की संभावना की गणना करने और फीचर रैंक के लिए 95% कॉन्फिडेंस इंटरवल स्थापित करने के लिए बूटस्ट्रैप वैलिडेशन (रिप्लेसमेंट के साथ रीसैंपलिंग) का उपयोग किया गया।

मुख्य परिणाम

मॉडल प्रदर्शन: डीप ऑटोएनकोडर ने सबसे कम पुनर्निर्माण त्रुटि (MSE = 0.001781) और उच्चतम कम्पोजिट स्कोर (0.972) प्राप्त किया।
क्षमता बनाम बॉटलनेक (Capacity vs. Bottleneck): मीडियम AE की हिडन लेयर्स को चौड़ा करने से इसके प्रदर्शन में काफी सुधार हुआ, जिससे यह VAE और PCA के करीब पहुंच गया। यह इंगित करता है कि शुरुआती नियतात्मक वेरिएंट (deterministic variants) में सीमा एक-आयामी बॉटलनेक नहीं, बल्कि हिडन लेयर की क्षमता थी।
फीचर स्थिरता: सभी मॉडलों और बूटस्ट्रैप सैंपल्स में, तीन फीचर्स लगातार लेटेंट स्कोर के प्रमुख चालक के रूप में उभरे: रनिंग पेस, एरोबिक डिकपलिंग, और औसत हृदय गति। इन फीचर्स ने टॉप-3 समावेशन की संभावना 1.000 प्राप्त की।
लीनियर बेसलाइन के साथ तुलना: डीप AE लेटेंट स्कोर एक सरल लीनियर बेसलाइन के साथ दृढ़ता से व्युत्क्रमानुपाती (inversely correlated) था (स्पियरमैन $\rho = -0.850$ )। नॉन-लीनियर मॉडल ने एरोबिक डिकपलिंग को प्राथमिकता दी, जो पेस और हार्ट रेट के सरल लीनियर संयोजन द्वारा छूटा हुआ एक कारक था।
शारीरिक वैधता (Physiological Validity): लेटेंट स्कोर ने एथलीटों को शारीरिक रूप से विशिष्ट समूहों में सफलतापूर्वक विभाजित किया। उच्च-स्कोरिंग एथलीटों में तेज़ पेस (2.2–2.6 मि./किमी), लगभग शून्य एरोबिक डिकपलिंग, और 125–134 bpm की हृदय गति देखी गई, जबकि निम्न-स्कोरिंग एथलीटों में धीमी पेस और महत्वपूर्ण कार्डियोवैस्कुलर ड्रिफ्ट देखा गया।

मुख्य योगदान

एकीकृत मूल्यांकन ढांचा: यह पेपर एक अनसुपरवाइज्ड एथलीट रैंकिंग पद्धति पेश करता है जो पुनर्निर्माण सटीकता और प्राप्त स्कोर की व्याख्यात्मकता दोनों को एक साथ अनुकूलित करती है।
कम्पोजिट सिलेक्शन क्राइटेरिया: यह एक चयन मेट्रिक प्रस्तावित करता है जो केवल पुनर्निर्माण त्रुटि (MSE) के आधार पर मॉडल के चयन को रोकता है, जिससे उन मॉडलों को प्राथमिकता मिलती है जो अधिक व्याख्या योग्य लेटेंट रिप्रेजेंटेशन प्रदान करते हैं।
कंसेंसस फीचर रैंकिंग: यह एक संशोधित बोर्डा काउंट का उपयोग करके चार अलग-अलग एक्सप्लेनेबल एआई (XAI) मेट्रिक्स को एकत्रित करता है, जो फीचर महत्व पर एक मजबूत सहमति प्रदान करता है।
स्थिरता मूल्यांकन: यह पुष्टि करने के लिए कि पहचाने गए प्रमुख शारीरिक चालक डेटा स्प्लिट्स के कारण उत्पन्न आर्टिफैक्ट्स नहीं हैं बल्कि स्थिर हैं, बूटस्ट्रैप वैलिडेशन का उपयोग करता है।

महत्व और दावे
पेपर का दावा है कि प्रस्तावित ढांचा बिना किसी लेबल किए गए परिणामों या विशेषज्ञ-निर्धारित भारों की आवश्यकता के, जटिल, बहु-सेंसर रनर टेलीमेट्री को एक एकल, व्याख्या योग्य प्रदर्शन संकेतक में सफलतापूर्वक संकुचित करता है। परिणाम दर्शाते हैं कि डीप ऑटोएनकोडर्स शुद्ध अनसुपरवाइज्ड लर्निंग के माध्यम से स्थापित स्पोर्ट्स साइंस (विशेष रूप से पेस, हार्ट रेट और एरोबिक डिकपलिंग की भूमिकाओं) के अनुरूप शारीरिक संबंधों को पुनः प्राप्त कर सकते हैं।

लेखक इस बात पर जोर देते हैं कि केवल पुनर्निर्माण त्रुटि (MSE) पर निर्भर रहना शारीरिक मॉडलिंग के लिए अपर्याप्त है, क्योंकि विभिन्न आर्किटेक्चर समान त्रुटियां उत्पन्न कर सकते हैं लेकिन एथलीटों को विरोधाभासी क्रम में रैंक कर सकते हैं। व्याख्यात्मकता और स्थिरता जांच को एकीकृत करके, यह ढांचा कोचों के लिए प्रदर्शन को सारांशित करने और थकान या ओवररीचिंग (overreaching) की पहचान करने के लिए एक व्यावहारिक उपकरण प्रदान करता है। अध्ययन निष्कर्ष निकालता है कि हालांकि वर्तमान परिणाम आशाजनक हैं, भविष्य के कार्य के लिए ग्राउंड-ट्रुथ मेट्रिक्स (जैसे VO2max, रेस परिणाम) के विरुद्ध सुपरवाइज्ड वैलिडेशन और अन्य डिवाइस इकोसिस्टम के लिए क्रॉस-प्लेटफॉर्म सामान्यीकरण की आवश्यकता है।