6/18/15 Olympic Sports Science
Ciclo de Seminários PESC
Fabio Porto
Laboratório Nacional de Computação Científica
Comitê Olímpico Brasileiro
Agenda
l 
l 
l 
l 
l 
DEXL - LNCC
The Olympic Lab Project
Interdisciplinary Data Science
SAHA – Sistema de Apoio Holistico a Atletas
Final Remarks
2
1 6/18/15 Laboratório LNCC-MCTI DEXL
(dexl.lncc.br)
l 
l 
Fundado em 2009
Objetivo:
– 
l 
Desenvolver técnicas, métodos, algoritmos para apoio `a Gerência e
Análise de Dados Científicos
Atuação:
– 
Orientações de Mestrado e Doutorado
l 
l 
l 
3 Doutores e 2 Mestres formados
6 Doutorandos e 2 mestrandos
2 I.C.
– 
Desenvolvimento
– 
Parcerias
l 
l 
l 
6 programadores
O.N., COB, EMC Research, INCT MACC
INRIA – Montpellier – Team Associé
DEXL – Pesquisas em Andamento
Pattern Queries
Seismic Data
(EMC)
Gene regulation
Network
Laboratório
DEXL
Astronomy
Data
Integration
Astronomy
Big Data
Processing
Olympic
Laboratory
(COB)
Simulation
analytics
SimDB
Simulation Data
management
2 6/18/15 The Olympic Lab Project
l 
Olympic Lab Project
– 
– 
– 
– 
– 
– 
Funded by FINEP – R$ 13M
Coordinated by: COPPE – Crie Lab
Executed by: COB
Institutions: COPPE,UFRJ, COB, UERJ, INTO,
LNCC,UNIRIO
Begin: January, 2010;
Operation Start: December 2015
Facility
3 6/18/15 Main drives
l 
Objective
– 
l 
Approach
– 
l 
To improve Brazilian position in world highperformance sports ranking
To improve athletes results through scientific
analysis over specific metabolic-behavioralphysiological-mechanical-nutritional condition
Means
– 
To build the first Latin America Research Center
for High-Performance Athletes
Principles
Olympic
Laboratory
Science
Technology
Athletes
4 6/18/15 Activity Axes
Performance
support
Research &
Development
Publication
Olympic Laboratory
Inter-disciplinarity
5 6/18/15 Disciplines
l 
l 
l 
l 
l 
l 
l 
l 
l 
Medicine
Physiotherapy
Behavior
Biomechanics
Physiology
Biochemistry
Nutrition
Training
Computational Modeling
Lab Process Model
6 6/18/15 INSTRUMENTS IN BIOMECHANICS
7 6/18/15 8 6/18/15 DATA CAPTURING AND
ANALYSIS IN BIOCHEMISTRY
9 6/18/15 BLOOD EXTRACTION
MASS ESCTOMETRY
10 6/18/15 Biochemistry data - Football
11 6/18/15 Behavior
Carga
Psicofisiológica
Diagnóstico
Estresse\
Fadiga e
Recuperação
Auto-eficácia
Motivação
Burnout
Autoconfiança
Concentração
Metas
Coping
Fadiga
Ansiedade précompetitiva
12 6/18/15 A science based on data
Data Collection Protocol
13 6/18/15 Basis for Normalization Using Albumin
Alb
Relative amount of protein
12
10
8
6
ACC
AMMF
B05
4
EFSR
EGOJ
2
PSCS
RACS
0
l 
l 
VAGF
Changes in albumin most likely reflect changes in total plasma protein
concentration related to hydration
Results for other proteins were therefore normalized using albumin (albumin
assumed to be constant in each sample, and same for all individuals)
LPS-Binding Protein
3.5
Relative amount of protein
3
2.5
2
1.5
ACC
AMMF
B05
EFSR
1
0.5
0
EGOJ
PSCS
RACS
VAGF
14 6/18/15 PCA: F1 vs F2
Observations (axes F1 and F2: 48.08 %)
4
EFSR-T13
EFSR-T10
EFSR-T07
VAGF-T09
EFSR-T05
EFSR-T17
EFSR-T09
EFSR-T11
EFSR-T06
EFSR-T15
RACS-T08
EFSR-T12
VAGF-T13
EFSR-T01
RACS-T04
ACC -T02
PSCS-T05
VAGF-T10
EFSR-T14
ACC -T09
RACS-T12
ACC
-T01
ACC -T05
RACS-T14
ACC -T11
ACC -T17
RACS-T11
RACS-T05
RACS-T13
-T15
RACS-T07
RACS-T06
EFSR-T03
AMMF-T17
EFSR-T08
ACC
-T13
EFSR-T04
ACC ACC
-T18
VAGF-T14
VAGF-T08
ACC PSCS-T09
-T04
VAGF-T03
RACS-T15 RACS-T01
ACC
-T06
ACC
-T10
PSCS-T06
ACC
-T08
RACS-T10
PSCS-T12
RACS-T02
VAGF-T15
PSCS-T10
PSCS-T11
ACC
-T03
ACC
-T07
PSCS-T14
PSCS-T01
RACS-T09 AMMF-T18
RACS-T03
ACC
-T16
PSCS-T17
ACC
-T12
PSCS-T07
VAGF-T17
VAGF-T05
RACS-T17
RACS-T16
VAGF-T06
VAGF-T01
VAGF-T11
PSCS-T08
PSCS-T16
PSCS-T13
VAGF-T12
PSCS-T15
VAGF-T02
AMMF-T13
ACC
-T14
PSCS-T03
EFSR-T16
AMMF-T09
PSCS-T02
2
0
F2 (16.78 %)
PSCS-T04
VAGF-T16
VAGF-T07
PSCS-T18
Individual-ACC
Individual-AMMF
AMMF-T11
EGOJ-T13
Individual-VAGF
EGOJ-T17
VAGF-T04
AMMF-T07
EGOJ-T09
AMMF-T14
AMMF-T10 AMMF-T12
AMMF-T15
AMMF-T05EGOJ-T14
AMMF-T16
-2
B05-T05
B05-T09
B05-T17
Individual-EFSR
Individual-EGOJ
Individual-PSCS
EGOJ-T03
B05-T06
B05-T10
B05-T14
B05-T03
B05-T18
B05-T13
B05-T15
B05-T01
B05-T12
B05-T11
B05-T08
B05-T16
B05-T07
B05-T02
-4
Individual-B05
EGOJ-T16
AMMF-T06
AMMF-T01
EGOJ-T15
AMMF-T08
EGOJ-T11
EGOJ-T08
EGOJ-T05
EGOJ-T07
EFSR-T02
EGOJ-T06
AMMF-T02
EGOJ-T02
EGOJ-T12
EGOJ-T10 EGOJ-T01
AMMF-T03
AMMF-T04
EGOJ-T04
Individual-RACS
B05-T04
-6
-8
-6
-4
-2
0
2
4
6
8
F1 (31.30 %)
Big Data in e-Sports
l 
l 
Reflects the data deluge observed as a result
of athletes scientific follow-up
Input from different disciplines: sportomics (ref.
L. Cameron, LBP)
l 
Instruments capturing/generating data
30
15 6/18/15 In Science and Beyond
l 
“Scientists are spending
most of their time
manipulating, organizing,
finding and moving data,
instead of researching. And
it’s going to get worse”
– 
Office Science of Data
Management challenge - DoE
Topic of the
decade
USP-IAG
e-Science
l 
“In the future, e-Science will refer to the large scale science that will
increasingly be carried out through distributed global collaborations
enabled by the Internet. Typically, a feature of such collaborative
scientific enterprises is that they will require access to very large data
collections, very large scale computing resources and high
performance visualization back to the individual user scientists. It is a
scientific process that uses global networks of computing
infrastructures (often referred to as the "cyberinfrasctructure"), datagathering instruments, analytic software, and of course, scientists
themselves. ”
l 
32
National eScience Centre, Uk
COB - LNCC 2013
16 6/18/15 Big Data - Dimensions
Velocidade
Valor
Tempo real
Individual
sensores
Veracidade
modalidade
Web-user esporte
Multi
aproximação offline
texto midia equipamentosVolume
MB GB TB PB
instrumentos
database
Img,video, audio
33
Variedade
e-Science Life-Cycle
Phenomenon
observation
Hypothesis
Formulation
Modeling
Experiment
in-silico
Publication
17 6/18/15 SAHA – Cockpit for e-Sports
SAHA – SISTEMA DE APOIO
HOLISTICO AO ATLETA
18 6/18/15 Objetivo Projeto SAHA
l 
Desenvolver um programa de pesquisa em
Modelagem Computacional centrado no
método científico em apoio à melhoria de
desempenho dos atletas.
– 
Meta
l 
Desenvolver métodos, modelos e técnicas com foco na
gerência e análise de dados produzidos pela pesquisa
centrada no atleta
37
Desafios
l 
l 
l 
l 
Uniformizar os tipos de dados de
acompanhamento
Integrar dados
Analisar os dador
Disponibilizar os dados
19 6/18/15 Do atleta
Ao e-Atleta
Hemolab
20 6/18/15 Ciência do Esporte Integrada
Bioquímica
Nutrição
Fisiologia
Psicologia
Sistema
SAHA
Medicina
Treinamento
Fisioterapia
Modelo Abstrato
Athlete
Data
Collection
Data
Uniformization
Routine
Analysis
type
Data
Contextualization
Data
Loading
Data Management
Trajectory
synthesis
Data
Analytics
Data Analyses
21 6/18/15 Arquitetura do Sistema
Abordagem
l 
Atleta e seus elementos observáveis
l 
Variação dos elementos observáveis
– 
– 
– 
l 
Tempo
Estado do treinamento
Observações pseudo-contínuas
– 
– 
l 
Variáveis de observação
Coleta de material em diversos momentos da vida do atleta
Interpolação provê uma simulação de variação contínua no
tempo
Observações discretas
– 
Registros pontuais do estado do atleta
l 
l 
l 
Medicação
Lesão
…
22 6/18/15 Trajetória
l 
l 
l 
l 
Modelar o processo de acompanhamento do
atleta como a trajetória um elemento virtual no
espaço de valores válidos
Análise topológica de trajetórias
Elemento de uniformidade entre as disciplinas
Trajetória:
– 
– 
– 
Atleta
Rotina (sequencia de estados)
Elemento Observável
Modelo de Trajetória
Um caminho espaço-temporal de um objeto em
movimento. (Spaccapietra et al., 2008)
23 6/18/15 Estados
l 
Divisão do tempo
segundo semântica
do treinamento
time
E1
E2
Estados de Treinamento
24 6/18/15 Rotina
Intervalo de Tempo
Rotina A
E0
E1
E2
E3
Elem. Ob. 1
Elem. Ob. 2
Elem. Ob. 3
Depósito de Dados SAHA
(simplificado)
25 6/18/15 SAHA - Home
Departamentos
26 6/18/15 Departamentos
Atleta
27 6/18/15 Rotina de Treinamento
Rotina Executada
28 6/18/15 Gráficos comparativos
29 6/18/15 Int’l Association of Computer Science in
Sport (http://www.iacss.org/)
Prof. Martin Lames
Technische Univ. Munchen
30 6/18/15 Comentários Finais
l 
l 
Sportomics é uma nova abordagem de
melhoria no esporte através da investigação
científica interdisciplinar
A ciência da computação tem um papel
fundamental no desenvolvimento da
sportomics com:
– 
l 
técnicas, modelos, metodologias
Sportomics é uma fundamentalmente uma
ciência de dados
61
Comentários
l 
Sportomics é centrada no ser humano
– 
– 
l 
Análise integrada é um grande desafio
– 
– 
l 
Tratamento de informações qualitativas
Medições de homens/mulheres normais não
refletem as de atletas
Correlações desconhecidas
Métodos de investigação
Mecanismos de coleta de informações com
menor impacto no atleta e em sua atividade
31 6/18/15 Colaboradores
l 
Membros do Laboratório DEXL
– 
– 
– 
– 
– 
– 
l 
UNIRIO
– 
– 
l 
Prof. L. C. Cameron
Dr. Adriana Bassini
COB
– 
– 
Dr. Sidney Cavalcante,
Julio Noronha
l 
UFJF
l 
INTO
l 
COPPE- Crie
– 
– 
– 
– 
63
Prof. Ana Maria de C. Moura
MSc Frederico Corrêa da Silva
Bolsista Debora Cerqueira
Bolsista Dionisio Porto
Bolsista Enver Choque
Bolsista Adolfo Simões
Prof. Mauricio Bara
Dr. José Inacio Salles
Prof. Marcos Cavalcante
Gilberto Sanpaio
Equipe SAHA
Esp. Dionisio Porto
Esp. Adolfo Simões
Esp. Enver Choque
Esp. Debora Cerqueira
MSc Frederico Corrêa da Silva
32 6/18/15 Obrigado !J
Fabio Porto ([email protected])
65
33 
Download

Slides - PESC