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 at the Belarusian National Technical University.
Minsk
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 of Engineering Sciences, 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
Современный спорт высших достижений предъявляет повышенные требования к физической, технической и психологической подготовке спортсменов, что усиливает проблему спортивных травм и перетренированности. Традиционные методы мониторинга зачастую не обеспечивают достаточной точности для своевременного выявления рисков травматизма. В данном исследовании разработаны и сравнены три модели на базе LSTM для прогнозирования риска травм у бегунов: основанная на биомеханических параметрах, психофизиологических показателях и интегрированная, объединяющая оба типа данных. Модели созданы на основе данных цифровых двойников двух квалифицированных бегунов, включающих физиологические (частота сердечных сокращений, вариабельность сердечного ритма, уровень лактата), биомеханические (углы суставов, симметрия шага, ускорения) и психофизиологические (качество сна, утомляемость, когнитивные реакции) показатели. Интегрированная модель показала наилучшие результаты: Accuracy = 0.89, F1-мера = 0.87, AUC-ROC = 0.91. Анализ SHAP выявил ключевые предикторы: симметрия шага, ударная нагрузка, снижение вариабельности сердечного ритма, ухудшение качества сна и субъективная утомляемость. Результаты подчеркивают преимущества интеграции разнородных данных, создавая надежную основу для персонализированных систем профилактики травм в спорте.
Modern high-performance sports place increasing demands on athletes’ physical, technical, and psychological preparedness, intensifying the challenge of sports injuries and overtraining. Traditional monitoring methods often lack predictive precision, hindering timely identification of injury risks.This study develops and compares three LSTM-based models for predicting injury risk in runners: one leveraging biomechanical parameters, another using psychophysiological indicators, and an integrated model combining both. Models were developed using data from digital twins of two professional runners, incorporating physiological (heart rate, heart rate variability, lactate levels), biomechanical (joint angles, step symmetry, accelerations), and psychophysiological (sleep quality, fatigue, cognitive responses) metrics. The integrated model demonstrated superior performance, achieving an Accuracy of 0.89, F1-score of 0.87, and AUC-ROC of 0.91. SHAP analysis identified key predictors, including step symmetry, tibial shock, reduced heart rate variability, sleep quality decline, and subjective fatigue. These findings highlight the enhanced predictive power of integrating diverse data types, offering a robust foundation for personalized injury prevention systems in sports.
The authors declare that there are no conflicts of interest present.