Jak dokładny jest bikefitting z AI?
Bikefitting z AI na podstawie wideo mierzy kąty stawów w 2D z błędem kilku stopni. W badaniu z udziałem 26 kolarzy model pozy używany przez BikeFit/LAB różnił się od markerów odblaskowych o około 3–6° w kolanie i biodrze oraz 5–9° w kostce. To wystarcza, by sprawdzić, czy wysokość siodła i zasięg mieszczą się w typowym zakresie, ale nie do regulacji co do stopnia.
Co mierzy bikefitting z AI
Bikefitting z kamerą nagrywa Cię z boku podczas pedałowania i w każdej klatce szacuje położenie stawów. Z tych punktów oblicza kąty: wyprost kolana w dolnym punkcie, kąt kolana na górze, kąty biodra, tułowia i łokcia, a także kadencję. BikeFit/LAB porównuje je z zakresami referencyjnymi dla Twojego typu roweru i przelicza różnice na zalecenia w milimetrach dla siodła i kierownicy, skalowane długością wewnętrzną nogi.
Jak działa rozpoznawanie pozy
BikeFit/LAB korzysta z MediaPipe Pose, opartego na modelu BlazePose od Google, który szacuje 33 punkty ciała na klatkę na zwykłych telefonach i komputerach (Bazarevsky et al., 2020). Model działa w Twojej przeglądarce; nagranie nie jest wysyłane. Kąt oblicza się z trzech punktów, np. biodra, kolana i kostki. Ponieważ każdy punkt ma niewielki błąd, kąt też ma błąd kilku stopni. Uśrednianie wielu klatek zmniejsza losowy szum, ale nie systematyczne odchylenie.
Co mówią badania o dokładności
Nie opublikowaliśmy badania walidacyjnego samego BikeFit/LAB, więc opieramy się na niezależnych badaniach. Bini, Nascimento i Nibali (2024) porównali MediaPipe z markerami odblaskowymi na zwykłym nagraniu z boku w 30 klatkach na sekundę u 26 kolarzy. Typowe odchylenia wynosiły około 3–6° w kolanie i biodrze oraz 5–9° w kostce. MediaPipe pokazywał kolano jako bardziej zgięte niż markery w okolicy dolnego martwego punktu, więc wyprost kolana może być lekko zaniżony. Autorzy uznali, że zakresy kąta kolana stosowane przy wysokości siodła nadal da się odróżnić, ale kostka była śledzona słabo.
Co wpływa na wynik
- Kąt kamery: musi stać prostopadle do roweru. Nagrywanie lekko z przodu lub z tyłu przesuwa wszystkie kąty.
- Wysokość i odległość: obiektyw na wysokości siodła, 2–4 metry od roweru, kolarz i rower w całości w kadrze.
- Ubranie: luźne ubranie zasłania biodro i kolano; obcisły strój daje stabilniejsze punkty.
- Światło i tło: równomierne światło i spokojne tło pomagają modelowi znaleźć każdy staw.
- Długość nogi: zalecenia w milimetrach są nią skalowane, więc błąd przenosi się wszędzie.
Jak uzyskać powtarzalny wynik
- Zaznacz, gdzie stoją kamera i rower, i używaj za każdym razem tego samego miejsca.
- Zakładaj te same buty i podobny strój, a przed nagraniem rozgrzej się kilka minut.
- Zmieniaj jedną rzecz naraz, mierz ponownie i oceniaj trend zamiast pojedynczej liczby.
Analiza AI czy profesjonalny bikefitting?
Analiza wideo to szybki i tani sposób na sprawdzenie pozycji i ocenę, czy zmiana idzie w dobrą stronę. Profesjonalny bikefitter zrobi to, czego oprogramowanie nie potrafi: oceni gibkość, urazy i budowę stopy, zmierzy nacisk na siodło, obejrzy obie nogi w 3D i wyreguluje rower podczas jazdy.
Studio, darmowa aplikacja czy BikeFit/LAB: porównanie →
Kiedy udać się do specjalisty
- Ostry, utrzymujący się lub narastający ból, drętwienie albo mrowienie: idź do lekarza lub fizjoterapeuty.
- Po urazie lub operacji albo przy znanej różnicy długości nóg.
- Gdy wyraźna różnica między lewą a prawą stroną ciągle wraca.
- Gdy zmiany oparte na pomiarach nie pomogły po kilku jazdach.
Najczęstsze pytania
Czy kamera telefonu zastąpi profesjonalny bikefitting?
Nie. Pozwala sprawdzić pozycję i śledzić zmiany, ale nie oceni gibkości, urazów ani nacisku na siodło, a widzi jedną stronę ciała w 2D.
Które kąty są najbardziej wiarygodne?
W przytoczonym badaniu najdokładniejsze były kąty kolana i biodra, z typowymi odchyleniami około 3–6°. Najmniej wiarygodna była kostka.
Dlaczego dwa pomiary się różnią?
Drobne różnice kąta kamery, ubrania czy sposobu pedałowania przesuwają wartości o kilka stopni. Używaj tego samego ustawienia i porównuj trendy.
Źródła
- Bini RR, Nascimento VB, Nibali A (2024). Validity of neural networks in determining lower limb kinematics in stationary cycling. Sport Sciences for Health, 20:127–136. doi:10.1007/s11332-023-01075-7
- Bazarevsky V, Grishchenko I, Raveendran K, Zhu T, Zhang F, Grundmann M (2020). BlazePose: On-device real-time body pose tracking. arXiv preprint (Google Research), arXiv:2006.10204. doi:10.48550/arXiv.2006.10204
- Ferrer-Roca V, Roig A, Galilea P, García-López J (2012). Influence of saddle height on lower limb kinematics in well-trained cyclists: static vs. dynamic evaluation in bike fitting. Journal of Strength and Conditioning Research, 26(11):3025–3029. doi:10.1519/JSC.0b013e318245c09d
- Bini R, Priego-Quesada J (2022). Methods to determine saddle height in cycling and implications of changes in saddle height in performance and injury risk: a systematic review. Journal of Sports Sciences, 40(4):386–400. doi:10.1080/02640414.2021.1994727
Ogólne informacje o pozycji, nie porada medyczna.