相关实验视频
Updated: Mar 7, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
11.2K
多传感器融合优于大学足球运动员疲劳预测的单一指标:一种机器学习方法
1School of Physical Education, Physical Education and Training, Guizhou Normal University, Guiyang, China.
Frontiers in physiology
|March 6, 2026
概括
多传感器可穿戴设备有效监测训练负载,并预测大学足球运动员的疲劳. 机器学习模型,特别是XGBoost,通过使用健康得分,ACWR和心率变化来显著提高预测准确性.
科学领域:
- 运动科学 运动科学 运动科学
- 生物机械工程 生物机械工程
- 在体育运动中的数据分析.
背景情况:
- 大学足球运动员经历了相当大的学术和体育需求.
- 对于这种特定的运动群体,对多传感器训练负载监测的研究有限.
研究的目的:
- 评估用于监测训练负载的多传感器可穿戴设备的有效性.
- 评估这些设备对大学足球运动员疲劳的预测能力.
主要方法:
- 48名大学足球运动员在12周内被监测.
- 收集的数据包括GPS,心率和训练和比赛期间的主观问卷.
- 使用反运动跳跃,心率变化,健康得分和RPE来评估疲劳,并开发了用于预测的机器学习模型.
主要成果:
- 在外部和内部负载指标之间发现了强烈的相关性 (例如,玩家负载与TRIMP:r = 0.81).
- 与单指标模型相比,XGBoost模型在疲劳预测方面表现优异 (AUC = 0.895).
- 关键的预测特征包括健康得分 (18.5%),ACWR (16.2%) 和早晨HRV (13.8%).
结论:
- 多传感器数据与机器学习 (XGBoost) 的融合显著提高了大学足球疲劳预测的准确性.
- 健康评分,ACWR和早晨HRV是预测球员疲劳的关键指标.
- 观察到的特定职位的训练负载模式强调了需要量身定制的监测策略.
