使用机器学习对精英青少年女排球员的受伤风险和工作负载分析

科学领域:

• 运动医学 运动医学
• 生物力学 生物力学
• 运动生理学 运动生理学

背景情况:

• 研究精英女排的伤害预测因素.
• 评估受伤风险的工作负载量化,月经和模型类型.

研究的目的:

• 评估"系统训练响应" (STR) 工作负载评分是否比传统方法更好地预测受伤.
• 为了确定月经和外部工作负载是否是关键的伤害预测因素.
• 为了比较线性和非线性模型的伤害发生解释和预测.

主要方法:

• 在190天的赛季中,监测了19名女排精英球员.
• 收集的内部/外部工作负载和月度数据.
• 利用机器学习,特别是随机森林模型,进行分析.

主要成果:

• 随机森林模型实现了伤害发生的AUC为0.87.
• 重要的预测因素包括球员年龄,月经状态和强度跳跃百分比.
• 交叉验证显示出良好的概括性,AUC为0.74.

结论:

• 在表演前进行密集训练可能会增加受伤风险.
• 老年球员可能会降低受伤的风险.
• 考虑到月经等生理因素的量身定制的训练策略对于减轻伤害至关重要.