机器学习模型用于使用心肺运动测试 (CPET) 数据预测再生伤害风险:优化运动员恢复
Arezoo Abasi1,2, Ahmad Nazari3, Azar Moezy3
1Department of Health Information Management, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran.
BioData mining
|February 18, 2025
概括
机器学习模型使用心肺运动测试 (CPET) 数据准确地预测精英足球运动员的重伤风险. CatBoost和SVM模型显示出高性能,有助于运动员的康复和伤害预防.
科学领域:
- 运动医学 运动医学
- 运动生理学 运动生理学
- 数据科学在体育中的应用
背景情况:
- 心肺运动测试 (CPET) 提供了对运动员健康的洞察力,但传统模型难以预测重伤.
- 机器学习 (ML) 可以在CPET数据中发现复杂的模式,以改善伤害风险评估.
研究的目的:
- 使用CPET数据开发ML模型来预测精英足球运动员的重伤风险.
- 确定与重伤相关的关键生理和性能变量.
- 评估ML算法性能,以准确预测.
主要方法:
- 分析了来自256名精英足球运动员的CPET数据.
- 使用的机器学习模型:CatBoost,SVM,随机森林,XGBoost.
- 使用准确度,精度,回忆,F1分数,AUC和SHAP值来评估性能.
主要成果:
- CatBoost和SVM在预测重伤方面表现出卓越的表现.
- CatBoost 实现了 0.9138 精度和 0.9148 F1 评分; SVM 实现了 0.9725 AUC.
- 脑震荡史和较低心率指标 (HRmax,HR2) 与重伤风险有显著的相关性.
结论:
- 机器学习模型,特别是CatBoost和SVM,提供精确的,数据驱动的工具来预测重伤风险.
- 这些模型增强了运动员的恢复和风险管理策略.
- 未来的研究应该整合外部因素,如培训负载和心理准备.
