基于机器学习的预测职业足球运动中的肌肉损伤风险:为期四年的纵向研究
Francisco Martins1,2,3, Hugo Sarmento1,4, Élvio Rúbio Gouveia2,3,5
1University of Coimbra, CIPER, FCDEFUC, 3004-504 Coimbra, Portugal.
Journal of clinical medicine
|November 27, 2025
概括
机器学习模型可以使用工作负载数据预测足球运动员的受伤情况. 使用Kstar分类器进行了为期四周的窗口分析,显示出高预测准确度,有助于调整训练方案.
科学领域:
- 运动科学 运动科学 运动科学
- 运动中的机器学习
- 足球伤害预防 足球伤害预防
背景情况:
- 职业足球需要优化训练,以平衡表现并最大限度地降低受伤风险.
- 机器学习 (ML) 在体育科学中越来越多地用于预测伤害和识别风险因素.
- 了解训练和比赛之间的受伤率差异至关重要.
研究的目的:
- 分析训练和比赛之间的受伤率变化.
- 开发和分类足球运动员受伤风险的预测模型.
- 评估内部和外部球员负载对伤害预测的影响.
主要方法:
- 利用了96名职业男性足球运动员在四个赛季的数据.
- 应用机器学习分类方法来预测时间损失肌肉损伤.
- 嵌入的玩家信息,外部 (GPS) 和内部 (RPE) 工作负载变量.
主要成果:
- 使用四周性能窗口的Kstar分类器实现了最高的预测性能.
- 在精度回忆曲线 (AUC-PR) 下的面积达到 83% 和 72% 的平衡精度.
- 确定了受伤之前的特定工作负载模式.
结论:
- 开发的方法提供了可靠的数据,用于修改训练和游戏方案.
- 预测模型可以帮助技术人员进行伤害风险管理.
- 需要进一步研究这些模型的实际应用和定性见解.
