基于SHAP的可解释机器学习用于大学足球运动员受伤风险预测:一种多维数据分析方法
Jiacheng Ma1, Shengrui Liu2, Yuting Pei3
1Sport Science Convergence, Dankook University, Yongin-si, Gyeonggi-do, 16890, Korea. mjc.xian@foxmail.com.
Scientific reports
|November 17, 2025
概括
预测大学足球运动员体育伤害至关重要. 机器学习,特别是支持矢量机器,可以准确地识别压力和睡眠等关键风险因素,从而实现有针对性的预防策略.
科学领域:
- 运动医学 运动医学
- 在田径运动中的数据科学.
背景情况:
- 体育伤害预测对于大学足球运动员的健康至关重要.
- 现有的研究往往忽略了大学运动员,缺乏解释性.
研究的目的:
- 开发一种可解释的机器学习模型,用于预测中国大学足球运动员的体育伤害.
- 确定影响受伤发生的关键风险因素.
主要方法:
- 构建了一个18个功能评估系统,涵盖人口统计,训练,健身和生活方式.
- 系统地比较了10个机器学习算法,使用Kaggle"大学足球受伤预测数据集" (800名球员).
- 使用SHAP (夏普利添加式扩展) 来实现模型的可解释性.
主要成果:
- 支持矢量机实现了高性能 (95.6%的精度,95.7%的F1得分,99.2%的ROC-AUC).
- 确定了关键的受伤风险因素:压力水平,睡眠时间和平衡能力.
- 发现生活方式因素比传统的身体健康指标更重要.
结论:
- 证明了大学运动员可解释伤害风险预测的可行性.
- 确定了心理压力,睡眠时间和平衡作为重要因素.
- 强调需要在临床应用之前进行前性验证,并强调生活方式干预.
