通过因果机器学习进行精确训练:对职业足球运动员感知运动的建模评分
Tom Van Deuren1, Thomas Decorte2, Peter Catteeuw3
1IDLab, Department of Computer Science, University of Antwerp-imec, Antwerp, Belgium.
International journal of sports physiology and performance
|December 30, 2025
概括
机器学习模型可以预测足球运动员的感知劳动力 (RPE) 评级. 规范模型进一步优化训练负载,以提高性能和恢复.
科学领域:
- 运动科学 运动科学 运动科学
- 机器学习 机器学习
- 数据分析数据分析数据分析.
背景情况:
- 管理训练负载对于优化表现和预防职业足球中受伤至关重要.
- 感知劳力的评分 (RPE) 是监测球员疲劳和训练压力的关键指标.
研究的目的:
- 探索用于管理职业足球训练负载的预测性和规范性机器学习模型.
- 评估这些模型在预测和规定基于RPE的最佳训练方案方面的有效性.
主要方法:
- 分析了14名职业足球运动员在整个竞争赛季的数据.
- 使用RMSE和MAE进行预测模型 (线性回归,随机森林,XGBoost) 的比较.
- 利用Shapley添加式扩展来确定特征的重要性,并开发了一个用于规范建模的反事实反复网络.
主要成果:
- XGBoost 模型实现了 RPE (RMSE: 1.262) 的最佳预测性能,确定会话距离作为关键驱动因素.
- 规范性的反事实反复网络模型 (RMSE: 1.379) 允许在各种培训场景下模拟未来的RPE轨迹.
结论:
- 预测建模准确估计RPE,而规范建模优化训练策略,以实现个性化的处方.
- 整合这些人工智能方法支持足球中的数据驱动决策,提高球员的表现和恢复.
- 未来的研究应该专注于更大的样本大小和不同体育运动的验证.
