机器学习和非侵入性监控技术用于女排训练负载管理:一个范围审查

科学领域:

• 运动科学与医学 运动科学与医学
• 绩效分析 绩效分析
• 伤害预防 预防伤害

背景情况:

• 优化训练负载和预防女子排球中的伤害存在重大挑战.
• 目前关于使用非侵入性技术和机器学习 (ML) 进行训练负载管理的现有证据是不一致的.
• 需要全面了解当前的研究,以指导未来的干预措施.

研究的目的:

• 系统地绘制和综合关于女排训练负载管理,疲劳和表现的证据.
• 确定当前的监测方法,它们的应用和限制.
• 突出研究差距,特别是关于女性特有的因素.

主要方法:

• 根据PRISMA-ScR和JBI指南进行范围审查.
• 在Scopus,科学网络和PubMed (2020年1月至2025年9月) 进行系统的文献搜索.
• 包括53项评估女排运动员负载,疲劳和表现的研究,使用叙事/主题合成.

主要成果:

• 普遍的监测工具包括惯性测量单元 (IMU),力平台,心率 (HR) 和心率变化 (HRV),健康问卷以及全球/本地定位系统 (GPS/LPS).
• 高强度的外部负载指标比累积体积更敏感于疲劳.
• 机器学习应用有限,在外部验证和可解释性方面面临挑战;像月经周期这样的女性特有的主持人不足.

结论:

• 目前的研究主要使用已建立的监控技术,重点关注外部负载强度.
• 机器学习显示出潜力,但需要进一步开发和验证,以便在女子排球中实际应用.
• 未来的研究应该解决女性特有的生理因素,以加强个性化的训练负载管理.