基于机器学习的模型的构建和应用,用于预测运动员的受伤风险

科学领域:

• 运动医学 运动医学
• 数据科学数据科学数据科学
• 生物力学 生物力学

背景情况:

• 准确的体育伤害预测对于运动员的健康和表现至关重要.
• 职业足球运动员在竞技赛季中面临着严重的受伤风险.
• 现有的方法可能无法完全捕捉到伤害发生率的多因素性质.

研究的目的:

• 评估用于预测职业足球运动员受伤风险的机器学习 (ML) 模型.
• 通过使用全面的每日监测数据,确定肌肉骨损伤的关键预测因素.
• 在伤害预测背景下评估不同ML算法的性能.

主要方法:

• 在两个赛季内,从300名男性职业足球运动员中收集了每日关于训练负载,恢复,健康,HRV和受伤史的数据.
• 使用规范化,一次热编码,LASSO和递归特征消除的预处理特征.
• 经过训练和评估后勤回归,决策树和随机森林模型,使用十倍交叉验证,解决数据不平衡的SMOTE和权重.

主要成果:

• 随机森林模型实现了最高的性能:准确率为85.6%,精度为82.1%,回忆率为80.3%,F1评分为81.2%,AUC为90.5%.
• 可解释AI (SHAP,LIME) 确定了先前的伤害,训练强度和恢复作为重要的预测因素.
• 这些模型提供了个性化的伤害风险评估.

结论:

• 集体ML方法,特别是随机森林,为运动伤害预防提供了强大的和可解释的见解.
• 集成ML的数据驱动策略可以优化训练并减少职业足球中的受伤率.
• 未来的研究应该扩大体育运动的验证范围,并纳入额外的生理和遗传因素,以提高概括性.