在使用机器学习的男性青少年运动员体能分析的基本要素
Yun-Hwan Lee1,2, Jisuk Chang3, Ji-Eun Lee1
1Department of Exercise and Medical Science, Graduate School, Dankook University, Cheonan, Republic of Korea.
PloS one
|April 2, 2024
概括
这项研究使用机器学习分析了1489名男性青少年运动员的体能 (PF). XGBoost模型确定了PF的关键元素,帮助为各种运动提供个性化的训练建议.
科学领域:
- 运动科学 运动科学 运动科学
- 机器学习应用 机器学习应用
- 运动员表现分析 运动员表现分析
背景情况:
- 身体健康 (PF) 对于体育表现至关重要.
- 定制培训需要深入的PF分析.
- 之前的PF分析通常集中在伤害或绩效预测上.
研究的目的:
- 在五项体育运动中分析青少年运动员的体能 (PF).
- 使用机器学习识别基本的PF元素.
- 提供个性化培训建议的基础.
主要方法:
- 采用了六个机器学习算法来分析PF数据.
- 使用XGBoost特征重要性和SHAP值进行元素分析.
- 包括1489名来自田径,足球,棒球,游泳和羽毛球的男青少年运动员.
主要成果:
- XGBoost表现出高性能 (准确率为90.14%,AUC为0.86,F1得分为0.87).
- 分析显示,在研究的体育运动中,基本的PF元素存在相似之处.
- 特性重要性和SHAP值量化了PF组件的相对重要性.
结论:
- 机器学习有效地分析了基本的PF元素.
- 研究结果支持制定体育特定的个性化训练计划.
- 这种方法可以为运动员提供量身定制的运动建议.
更多相关视频
06:48Author Spotlight: Advancements in 3D Optical Imaging for Comprehensive Body Composition Assessment in Modern Research
Published on: June 7, 2024
1.2K
05:51Assessing the Accuracy of Fitness Smartwatch Data for Cardiovascular and Physical Activity Monitoring: A Validation Study in Digital Health
Published on: February 21, 2025
441
