Применение искусственного интеллекта для прогнозирования риска травм у спортсменов: подход с использованием реккурентных нейронных сетей

  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.

1. Rossi, 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.0201264

2. Carey, 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-2018-0002

3. 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-x

4. Bahr, 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.2005.018341

5. 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-2015-095788

6. Meeusen, 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: 10.1080/17461391.2012.730061

7. Plews, 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/s00421-012-2354-4

8. Achten, J. Heart rate monitoring: Applications and limitations / J. Achten, A.E. Jeukendrup // Sports Medicine. – 2003. – Vol. 33. – С. 517–538. – DOI: 10.2165/00007256-200333070-00004

9. Malik, 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.a014868

10. Kiviniemi, 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/s00421-007-0552-2

11. Hochreiter, S. Long short-term memory / S. Hochreiter, J. Schmidhuber // Neural Computation. – 1997. – Vol. 9 (8). – P. 1735–1780. – DOI: 10.1162/neco.1997.9.8.1735

12. 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-y