通过机器学习和训练负载分析,提高足球运动受伤风险评估
Theodoros Tsilimigkras1,2, Ioannis Kakkos1, George K Matsopoulos1
1Biomedical Engineering Laboratory, National Technical University of Athens, Athens, Greece.
Journal of sports science & medicine
|September 4, 2024
概括
机器学习通过分析训练负载,准确地预测足球受伤. 该模型确定了关键的生理和机械因素,使教练能够通过管理训练强度的激增来预防肌肉损伤.
科学领域:
- 运动医学 运动医学
- 生物机械工程 生物机械工程
- 数据科学在体育中的应用
背景情况:
- 在像足球这样的高强度运动中,非接触性肌肉损伤很普遍,影响运动员福利和团队表现.
- 评估受伤风险通常涉及分析训练负载,但整合生理数据仍然是一个挑战.
研究的目的:
- 开发和评估一种机器学习模型,用于预测职业男性足球运动员的非接触性肌肉损伤风险.
- 确定导致伤害发生的关键生理和机械负载变量.
主要方法:
- 利用了四年来25名职业男性足球运动员的生理 (心率) 和机械负荷数据.
- 采用机器学习来分析急性负载偏差和在受伤前28天的累积工作负载.
- 选择了七个突出特征,包括冲刺计数,训练负载得分和高速跑步距离.
主要成果:
- 机器学习模型的精度为0.78,灵敏度为0.73和特异性为0.85.85.
- 关键预测指标包括急性负载偏差 (冲刺计数,训练负载得分,最大心率持续时间) 和累积负载指标 (总距离,高速跑距离).
- 证明了心率衍生变量对肌肉损伤风险评估的重大贡献.
结论:
- 机器学习有效预测足球中的肌肉损伤风险,使用有限的训练负载变量.
- 纳入生理数据,特别是心率,可以增强损伤风险评估模型.
- 这些发现使教练能够主动管理训练负载并预防肌肉损伤.
