Aprendizaje automático en la Unión de Rugby: Predicción e identificación de indicadores clave de rendimiento para...

Área de la Ciencia:

• Ciencias del deporte
• Biomecánica
• Ciencia de los datos en los deportes

Sus antecedentes:

• El rugby exige un análisis de las métricas de entrenamiento y partidos, sin estudiar el impacto de la carga de trabajo en los indicadores de rendimiento.
• El análisis de movimiento en el tiempo y el video ofrecen información, pero los vínculos cuantitativos entre la carga de trabajo y el rendimiento requieren una investigación adicional.

Objetivo del estudio:

• Investigar el efecto de los datos acumulados de la carga de trabajo del Sistema de Posicionamiento Global (GPS) en los indicadores clave de rendimiento (KPI) en los partidos de rugby.
• Comparar el rendimiento predictivo de varios modelos de aprendizaje automático en la comprensión de las relaciones entre carga de trabajo e IPC.

Principales métodos:

• Recopilación de datos GPS para calcular las cargas de trabajo acumuladas de 7, 14 y 21 días.
• Dimensionalidad reducida mediante el análisis de componentes principales (PCA).
• Empleó regresión lineal, regresión de vectores de soporte, regresión aleatoria de bosques y LightGBM para predecir KPI, evaluando modelos utilizando R2, RMSE y R.

Principales resultados:

• Las métricas individuales de GPS mostraron correlaciones débiles con los KPI.
• Los modelos de aprendizaje automático, especialmente la Regresión de Bosque Aleatorio, capturaron interacciones complejas y no lineales de carga de trabajo-KPI.
• Los modelos lograron un rendimiento predictivo significativo (R2 0,400,72 para algunos indicadores clave de rendimiento).
• SHapley Additive exPlanations (SHAP) mejoró la interpretabilidad del modelo, identificando los factores clave de la carga de trabajo del rendimiento.

Conclusiones:

• Los modelos de aprendizaje automático proporcionan una predicción superior de los KPI de rugby a partir de datos de carga de trabajo en comparación con las correlaciones simples.
• Comprender la dinámica de la carga de trabajo-rendimiento a través del aprendizaje automático interpretable es crucial para una gestión efectiva de los jugadores.
• Los hallazgos ofrecen ideas prácticas para optimizar las cargas de entrenamiento para mejorar el rendimiento del jugador en la unión de rugby.