在次精英年轻足球运动员中标准每周训练负载的数据挖掘路径:机器学习方法
José E Teixeira1,2,3,4,5,6, Samuel Encarnação2,5,6,7, Luís Branquinho4,8,9
1Department of Sport Sciences, Polytechnic of Guarda, 6300-559 Guarda, Portugal.
Journal of functional morphology and kinesiology
|July 25, 2024
概括
这项研究使用机器学习来预测青少年足球运动员的高强度行为. 成熟偏移显示加速和减速的预测能力有限,强调需要更全面的模型.
科学领域:
- 运动科学 运动科学 运动科学
- 生物机械分析 生物机械分析
- 运动中的机器学习
背景情况:
- 青少年足球训练涉及高强度的行动和影响.
- 准确预测这些负载对于预防伤害和性能优化至关重要.
- 现有的方法可能无法充分捕捉对训练的生理反应的复杂性.
研究的目的:
- 为了评估机器学习模型预测高强度动作和身体影响的能力,在次精英青年足球运动员.
- 评估成熟偏移 (MO) 对加速 (ACC),减速 (DEC) 和动态应力负载 (DSL) 的预测能力.
主要方法:
- 60名15岁,17岁和19岁以下的葡萄牙足球运动员在6周内被监测.
- 外部训练负载数据 (ACC,DEC,DSL) 使用 18 Hz GPS 收集.
- 机器学习模型利用特征选择,线性回归和引导方法,结合MO和感知力度指标.
主要成果:
- 成熟偏移 (MO) 对减速 (DEC) 和加速 (ACC) 的预测效率有所不同.
- ML模型在使用MO (R2 = -0.78-0.02) 预测ACC和DEC方面表现不佳.
- 该研究发现了使用MO作为ACC,DEC和DSL的唯一预测因素的局限性.
结论:
- 机器学习模型可以应用于自动跟踪数据,用于预测青少年足球中的训练负载.
- 成熟状态很重要,但单独预测高强度行动是不够的.
- 需要进一步的研究来开发更强大的ML模型,包括各种变量来准确预测负载.
更多相关视频
06:14In Vivo Protocol of Controlled Subconcussive Head Impacts for the Validation of Field Study Data
Published on: April 18, 2019
6.4K
08:05Measuring Statistical Learning Across Modalities and Domains in School-Aged Children Via an Online Platform and Neuroimaging Techniques
Published on: June 30, 2020
7.5K
