全球定位系统衍生的指标和机器学习模型用于在职业橄球联盟球员中预测受伤
Xiangyu Ren1,2,3, Simon Boisbluche4, Kilian Philippe5
1Key Laboratory of Adolescent Health Assessment and Exercise Intervention of Ministry of Education, Sino-French Joint Research Center of Sport Science, College of Physical Education and Health, East China Normal University, Shanghai, China.
European journal of sport science
|September 25, 2025
概括
机器学习模型有效地使用GPS数据和工作负载指标预测橄球运动员的受伤情况. 这种方法确定了关键的受伤风险因素,使得定制的训练策略能够提高运动员的安全性和表现.
科学领域:
- 运动科学 运动科学 运动科学
- 数据科学数据科学数据科学
- 生物力学 生物力学
背景情况:
- 预防伤害对于职业橄球运动员的运动成功至关重要.
- 尽管技术进步,预测受伤仍然具有挑战性.
- 数据科学为了解和减轻受伤风险提供了新的见解.
研究的目的:
- 使用机器学习 (ML) 模型预测职业橄球运动员受伤风险.
- 分析GPS衍生的工作负载指标对受伤发生的影响.
- 为了确定特定位置的伤害预测指标.
主要方法:
- 分析了63名职业橄球运动员在3个赛季的数据.
- 利用了GPS数据和衍生的指标 (工作负载,ACWR,单调,应变).
- 应用了五种ML分类模型 (LR,NB,SVM,RF,XGBoost) 来预测球员位置的伤害.
主要成果:
- 机器学习模型的平均F1得分高达0.66 (±0.14).
- 随机森林 (RF) 在整体前和内后卫方面表现强.
- XGBoost在紧密的五个前方面表现出色,SVM在后排,而Naïve Bayes (NB) 在外后卫方面.
结论:
- 机器学习模型可以有效地预测橄球伤害,特别是结合GPS指标.
- 确定了不同球员位置的关键伤害指示性特征.
- ML提高了伤害预测,并为运动员提供了个性化的训练策略.
