sapiСистемный анализ и прикладная информатика«System analysis and applied information science»2309-49232414-0481Belarusian National Technical University10.21122/2309-4923-2025-2-11-16sapi-742Research ArticleСистемный анализSystem analysisПрименение искусственного интеллекта для прогнозирования риска травм у спортсменов: подход с использованием реккурентных нейронных сетейApplication of artificial intelligence for predicting injury risk in athletes: an approach using recurrent neural networksСолонецА. В.SolonetsA. V.

Солонец Антон Владимирович – кандидат педагогических наук, доцент. Заведующий кафедрой «Спортивная инженерия».

г. Минск

 

 

A.V. Solonets – PhD of Pedagogic Sciences, Associate Professor. Head of the Department of Sports Engineering.

Minsk

solonets@bntu.byСнарскийА. С.SnarskyA. S.

Снарский Андрей Станиславович – кандидат технических наук, доцент. Декан факультета промышленной и радиационной безопасности филиала БНТУ «Межотраслевой институт повышения квалификации и переподготовки кадров по менеджменту и развитию персонала».

г .Минск

A.S. Snarsky – PhD in Engineering, Associate Professor. Dean of the Faculty of Industrial and Radiation Safety at the BNTU branch "Interindustry Institute for Advanced Training and Retraining of Personnel in Management and Personnel Development." 

Minsk

solonets@bntu.byБелорусский национальный технический университетБеларусьBelarusian National Technical UniversityBelarus202515082025021116Copyright © Солонец А.В., Снарский А.С., 20252025Солонец А.В., Снарский А.С.Solonets A.V., Snarsky A.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://sapi.bntu.by/jour/article/view/742

Целью работы является разработка и апробация модели прогнозирования риска травм у спортсменов, использующей методы машинного обучения для анализа временных рядов физиологических данных. В исследовании анализируются данные бегунов с квалификацией КМС, включая показатели частоты сердечных сокращений (ЧСС), вариабельности сердечного ритма (ВСР) и тренировочной нагрузки, что позволяет оценить состояние организма спортсмена в динамике и выявить возможные риски для здоровья. Разработанная модель прогнозирования, построенная на основе рекуррентной нейронной сети Long Short-Term Memory (LSTM), позволяет выявлять периоды повышенного риска травм у спортсменов и, основываясь на полученных результатах, корректировать тренировочный процесс для предотвращения этих рисков. В ходе экспериментов на реальных данных был достигнут высокий уровень точности прогноза – 85 %, что подтверждает эффективность предложенного подхода для предсказания вероятности травм. Несмотря на успешность модели, для обеспечения более точной валидации разработанного подхода авторы признают необходимость проведения дополнительных лонгитюдных исследований с расширенным набором данных.

The aim of this study is to develop and validate a model for predicting injury risk in athletes using machine learning methods to analyze time series physiological data. The research focuses on data from runners with the high qualification, including heart rate (HR), heart rate variability (HRV), and training load, allowing for the assessment of an athlete’s physiological state over time and the identification of potential health risks. The proposed prediction model, based on a Long Short-Term Memory (LSTM) recurrent neural network, enables the identification of periods of increased injury risk in athletes and allows for adjustments to the training process to prevent injuries. Experimental results on real-world data demonstrated a high prediction accuracy of 85%, confirming the effectivenes of the proposed approach in forecasting injury probability. Despite the model’s success, the authors recognize the need for further longitudinal studies with an expanded dataset to ensure a more precise validation of the proposed method.

спортивные травмыпрогнозированиемашинное обучениерекуррентные нейронные сетиискусственный интеллектвариабельность сердечного ритмачастота сердечных сокращенийтренировочная нагрузкаsports injuriespredictionmachine learningrecurrent neural networksartificial intelligenceheart rate variabilityheart ratetraining loadReferencesRossi, A. Effective injury forecasting in soccer with GPS training data and machine learning / A. Rossi, L. Pappalardo, P. Cintia, F.M. Iaia, J. Fernàndez, D. Medina // PLoS ONE. – 2018. – Vol. 13, Iss. 7. – P. 1–15. – DOI10.1371/journal.pone.0201264Rossi, A. Effective injury forecasting in soccer with GPS training data and machine learning / A. Rossi, L. Pappalardo, P. Cintia, F.M. Iaia, J. Fernàndez, D. Medina // PLoS ONE. – 2018. – Vol. 13, Iss. 7. – P. 1–15. – DOI10.1371/journal.pone.0201264Carey, D.L. Predictive modelling of training loads and injury in Australian football / D.L. Carey, K.L. Ong, R. Whiteley, K.M. Crossley, J. Crow, M.E. Morris // International Journal of Computer Science in Sport. – 2018. – Vol. 17, Iss. 1. – P. 1–18. – DOI: 10.2478/ijcss-2018-0002Carey, D.L. Predictive modelling of training loads and injury in Australian football / D.L. Carey, K.L. Ong, R. Whiteley,Eetvelde, H.V. Machine learning methods in sport injury prediction and prevention: a systematic review / H.V. Eetvelde, L.D. Mendonça, C. Ley, R. Seil, T. Tischer // Journal of Experimental Orthopaedics. – 2021. – Vol. 8, Iss. 27. – P. 1–15. – DOI: 10.1186/s40634-021-00346-xK.M. Crossley, J. Crow, M.E. Morris // International Journal of Computer Science in Sport. – 2018. – Vol. 17, Iss. 1. – P. 1–18. – DOI: 10.2478/ijcss-2018-0002Bahr, R. Understanding injury mechanisms: A key component of preventing injuries in sport / R. Bahr, T. Krosshaug // British Journal of Sports Medicine. – 2005. – Vol. 39, Iss. 6. – P. 324–329. – DOI: 10.1136/bjsm.2005.018341Eetvelde, H.V. Machine learning methods in sport injury prediction and prevention: a systematic review / H.V. Eetvelde,Gabbett, T.J. The training-injury prevention paradox: Should athletes be training smarter and harder? / T.J. Gabbett // British Journal of Sports Medicine. – 2016. – Vol. 50, Iss. 5. – P. 273–280. – DOI: 10.1136/bjsports-2015-095788L.D. Mendonça, C. Ley, R. Seil, T. Tischer // Journal of Experimental Orthopaedics. – 2021. – Vol. 8, Iss. 27. – P. 1–15. – DOI: 10.1186/s40634-021-00346-xMeeusen, R. Prevention, diagnosis, and treatment of the overtraining syndrome: Joint consensus statement of the European College of Sport Science and the American College of Sports Medicine / R. Meeusen, M. Duclos, C. Foster, A. Fry, M. Gleeson, D. Nieman, J. Raglin, G. Rietjens, J. Steinacker, A. Urhausen // European Journal of Sport Science. – 2013. – Vol. 45, Iss. 1. – P. 186–205. – DOI: 10.1080/17461391.2012.730061Bahr, R. Understanding injury mechanisms: A key component of preventing injuries in sport / R. Bahr, T. Krosshaug // British Journal of Sports Medicine. – 2005. – Vol. 39, Iss. 6. – P. 324–329. – DOI: 10.1136/bjsm.2005.018341Plews, D.J. Heart rate variability in elite triathletes, is variation in variability the key to effective training? A case comparison / D.J. Plews, P.B. Laursen, A.E. Kilding, M. Buchheit // European journal of applied physiology. – 2012. – Vol. 112. – P. 3729–3741. – DOI: 10.1007/s00421-012-2354-4Gabbett, T.J. The training-injury prevention paradox: Should athletes be training smarter and harder? / T.J. Gabbett // British Journal of Sports Medicine. – 2016. – Vol. 50, Iss. 5. – P. 273–280. – DOI: 10.1136/bjsports-2015-095788Achten, J. Heart rate monitoring: Applications and limitations / J. Achten, A.E. Jeukendrup // Sports Medicine. – 2003. – Vol. 33. – С. 517–538. – DOI: 10.2165/00007256-200333070-00004Meeusen, R. Prevention, diagnosis, and treatment of the overtraining syndrome: Joint consensus statement of the European College of Sport Science and the American College of Sports Medicine / R. Meeusen, M. Duclos, C. Foster, A. Fry, M. Gleeson, D. Nieman, J. Raglin, G. Rietjens, J. Steinacker, A. Urhausen // European Journal of Sport Science. – 2013. – Vol. 45, Iss. 1. – P. 186–205. – DOI: 10.1080/17461391.2012.730061Malik, M. Heart rate variability: Standards of measurement, physiological interpretation, and clinical use / M. Malik, J.T. Bigger, A.J. Camm, R.E. Kleiger, A. Malliani, A.J. Moss, P.J. Schwartz // European Heart Journal. – 1996. – Vol. 17, Iss. 3. – P. 354–381. – DOI: 10.1093/oxfordjournals.eurheartj.a014868Plews, D.J. Heart rate variability in elite triathletes, is variation in variability the key to effective training? A case comparison / D.J. Plews, P.B. Laursen, A.E. Kilding, M. Buchheit // European journal of applied physiology. – 2012. – Vol. 112. – P. 3729–3741. – DOI: 10.1007/s00421-012-2354-4Kiviniemi, A.M. Endurance training guided by daily heart rate variability measurements / A.M. Kiviniemi, A.J. Hautala, H. Kinnunen, M.P. Tulppo // European Journal of Applied Physiology. – 2007. – Vol. 101. – С. 743–751. – DOI: 10.1007/s00421-007-0552-2Achten, J. Heart rate monitoring: Applications and limitations / J. Achten, A.E. Jeukendrup // Sports Medicine. – 2003. – Vol. 33. – С. 517–538. – DOI: 10.2165/00007256-200333070-00004Hochreiter, S. Long short-term memory / S. Hochreiter, J. Schmidhuber // Neural Computation. – 1997. – Vol. 9 (8). – P. 1735–1780. – DOI: 10.1162/neco.1997.9.8.1735Malik, M. Heart rate variability: Standards of measurement, physiological interpretation, and clinical use / M. Malik, J.T. Bigger, A.J. Camm, R.E. Kleiger, A. Malliani, A.J. Moss, P.J. Schwartz // European Heart Journal. – 1996. – Vol. 17, Iss. 3. –Hou, J. Application of recurrent neural network in predicting athletes' sports achievement / J. Hou, Z. Tian // The Journal of Supercomputing. – 2022. – Vol. 78. – P. 5507–5525. – DOI: 10.1007/s11227-021-04082-yP. 354–381. – DOI: 10.1093/oxfordjournals.eurheartj.a014868Kiviniemi, A.M. Endurance training guided by daily heart rate variability measurements / A.M. Kiviniemi, A.J. Hautala, H. Kinnunen, M.P. Tulppo // European Journal of Applied Physiology. – 2007. – Vol. 101. – С. 743–751. – DOI: 10.1007/s00421-007-0552-2Kiviniemi, A.M. Endurance training guided by daily heart rate variability measurements / A.M. Kiviniemi, A.J. Hautala, H. Kinnunen, M.P. Tulppo // European Journal of Applied Physiology. – 2007. – Vol. 101. – С. 743–751. – DOI: 10.1007/s00421-007-0552-2Hochreiter, S. Long short-term memory / S. Hochreiter, J. Schmidhuber // Neural Computation. – 1997. – Vol. 9 (8). – P. 1735–1780. – DOI: 10.1162/neco.1997.9.8.1735Hochreiter, S. Long short-term memory / S. Hochreiter, J. Schmidhuber // Neural Computation. – 1997. – Vol. 9 (8). – P. 1735–1780. – DOI: 10.1162/neco.1997.9.8.1735Hou, J. Application of recurrent neural network in predicting athletes' sports achievement / J. Hou, Z. Tian // The Journal of Supercomputing. – 2022. – Vol. 78. – P. 5507–5525. – DOI: 10.1007/s11227-021-04082-yHou, J. Application of recurrent neural network in predicting athletes' sports achievement / J. Hou, Z. Tian // The Journal of Supercomputing. – 2022. – Vol. 78. – P. 5507–5525. – DOI: 10.1007/s11227-021-04082-y

The authors declare that there are no conflicts of interest present.