使用机器学习预测职业足球运动员的非接触性伤害
Diogo Nuno Freitas1,2,3, Sheikh Shanawaz Mostafa1, Romualdo Caldeira4
1Interactive Technologies Institute (ITI/LARSyS), Funchal, Portugal.
PloS one
|January 2, 2025
概括
机器学习模型使用全球定位系统 (GPS) 数据和球员指标准确预测职业足球运动员的非接触性伤害. 这种方法有助于识别高风险运动员,优化表现,降低成本.
科学领域:
- 运动医学 运动医学
- 数据科学在体育中的应用
- 生物力学 生物力学
背景情况:
- 非接触伤害在职业足球中很常见,但现有的研究往往依赖于全球定位系统 (GPS) 数据的回顾性分析,忽视了伤害的复杂性.
- 目前的方法可能无法完全捕捉足球伤害的多因素性质,需要先进的预测工具.
研究的目的:
- 开发和验证一种自动机器学习方法,用于识别和预测职业足球运动员的非接触性伤害.
- 利用全球定位系统 (GPS) 数据和特定玩家的变量来预测伤害.
主要方法:
- 利用来自卡塔普尔特接收器的全球定位系统 (GPS) 数据和34名男性职业足球运动员的描述性球员变量.
- 应用机器学习模型,包括支持矢量机器 (SVM),前神经网络 (FNN) 和自适应提升 (AdaBoost),用于伤害预测.
- 在SVM模型中使用成本敏感的学习来提高损伤检测的准确性.
主要成果:
- 机器学习模型,特别是SVM,在检测受伤事件方面表现出高精度,达到71.43%的灵敏度,74.19%的特异性和74.22%的整体精度.
- 确定了伤害的关键预测因素,包括球员位置,会话类型,球员负载,速度和加速.
- 这些模型在没有大量手动数据输入的情况下,在短时间内有效地预测伤害.
结论:
- 开发的机器学习模型提供了一个平衡和准确的方法来预测职业足球中的非接触伤害.
- 这些预测能力可以帮助教练人员积极主动地管理球员,优化表现,并减轻康复费用.
- 该研究强调了将机器学习与生物力学数据集成为精英体育运动中伤害预防的潜力.
