基于时间图编码和图神经网络的体育伤害风险预测:跨体育转移学习框架
1Department of Public Sports, Ningbo University of Finance and Economics, Ningbo, 315175, China.
Scientific reports
|October 29, 2025
概括
这项研究引入了一种使用图形神经网络和转移学习的新体育伤害预测模型. 它准确地识别了诸如训练负载和运动员互动等关键风险因素,改进了伤害预防策略.
科学领域:
- 运动医学 运动医学
- 数据科学数据科学数据科学
- 生物机械工程 生物机械工程
背景情况:
- 体育伤害对运动员的健康和表现构成重大风险.
- 目前的伤害预测模型缺乏捕捉复杂运动员互动的能力,并且在有限的数据的情况下在体育运动中进行泛化.
研究的目的:
- 通过整合时间图编码,图神经网络和跨体育转移学习,开发一个新的框架来预测体育伤害风险.
- 提高伤害预测模型的概括性和数据效率,特别是对于数据有限的体育运动.
主要方法:
- 多变量训练数据用格拉米安角场和马尔科夫过渡场转化为图形结构.
- 通过平行图和时间卷积路径提取时空特征.
- 域名适应跨体育知识转移和一个新的注意力机制,以获得可解释的见解.
主要成果:
- 实现了0.826 ± 0.025的曲线下的面积 (AUC),比最新的基线表现更好5.8%.
- 通过转移学习,仅使用50个目标域样本,表现出强大的小样本性能,AUC为0.80.
- 确定了训练负载,负载变化和恢复时间作为主要风险因素,注意力机制突出显示了运动员的显著相互作用.
结论:
- 拟议的框架为运动伤害预防提供了一个有希望的方法,特别有利于具有有限历史数据的运动.
- 该模型为风险因素和运动员互动提供了可解释的见解,帮助教练制定有针对性的预防策略.
- 这项工作有助于通过增强的预测能力来推进体育健康管理系统.
