使用可穿戴传感器数据和机器学习技术,预测国家级足球运动员的感知劳动力评级
Robert Leppich1, Philipp Kunz2, André Bauer3
1Software Engineering Group, Department of Computer Science, University of Würzburg, Würzburg, Germany.
Journal of sports science & medicine
|December 9, 2024
概括
这项研究表明,多种外部和内部负载因素,特别是最大心率,影响了精英足球运动员的感知劳动. 机器学习模型,特别是ExtraTree,准确地预测了这种炼,有助于训练优化.
科学领域:
- 运动科学 运动科学 运动科学
- 运动中的机器学习
- 身体生理学 身体生理学
背景情况:
- 对于监测运动员的训练负载而言,感知劳动力 (RPE) 的主观评分至关重要.
- 了解客观负载参数和RPE之间的关系对于优化性能和防止过度训练至关重要.
- 精英足球运动员具有独特的生理需求,需要精确的负载管理策略.
研究的目的:
- 确定与高训练足球运动员的RPE相关的关键外部和内部负载参数.
- 评估各种机器学习模型对RPE的预测准确度.
- 开发和评估深度学习架构,用于在这个人群中预测RPE.
主要方法:
- 利用26名职业男性足球运动员的大型数据集 (5,402次训练,732场比赛).
- 收集了174个参数,包括心率,GPS,加速度计数据和RPE (博格0-10级).
- 采用九个机器学习算法和一个深度学习架构,采用严格的数据预处理和5倍交叉验证.
主要成果:
- 深度学习模型实现了RPE的最高预测能力 (平均绝对误差:1.08 ± 0.07).
- 基于树的模型,特别是ExtraTree,显示出高精度 (MAE:1.15 ± 0.03) 和对异常值的稳定性.
- 最大心率,最大加速度和在特定速度区内完成的距离是RPE最强的预测因素.
结论:
- 精英足球运动员的RPE预测受到众多外部和内部负载参数的组合的影响,而不是单一的变量.
- 最大心率对RPE具有最显著的影响.
- ExtraTree模型为足球中RPE预测提供了一个强大,准确和广泛适用的工具,可以在标准计算平台上运行.
