Интеграция биомеханических и психофизиологических данных в модель прогнозирования травм спортсменов с использованием LSTM-сетей

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.

1. Kakouris N. Yener N, Fong DTR. A systematic review of running-related musculoskeletal injuries in runners. Journal of Sport and Health Science. 2021;10(5):513–522. DOI: 10.1016/j.jshs.2021.04.001

2. Lopes AD, Hespanhol Junior LC. Yeung SS, Costa LOP. What are the Main Running-Related Musculoskeletal Injuries?: A Systematic Review. Sports Medicine. 2012;42(10):P. 891–905. DOI: 10.1007/BF03262301

3. Burke A, Dillon S, O’Connor S, Whyte EF, Gore S, Moran KA. Aetiological Factors of Running-Related Injuries: A 12 Month Prospective “Running Injury Surveillance Centre” (RISC) Study. Sports Medicine – Open. 2023;9(1):46. DOI: 10.1186/s40798-023-00589-1

4. Amendolara A, Pfister D, Settelmayer M, Shah M, Wu V, Donnelly S, et al. An Overview of Machine Learning Applications in Sports Injury Prediction. Cureus. 2023;15(9):e46170. DOI: 10.7759/cureus.46170

5. Leckey C, van Dyk N, Doherty C, Lawlor A, Delahunt E. Machine learning approaches to injury risk prediction in sport: a scoping review with evidence synthesis. British Journal of Sports Medicine. 2025;59(7):491–500. DOI: 10.1136/bjsports-2024-108576

6. Ye X. Huang Y, Bai Z, Wang Y. A novel approach for sports injury risk prediction: based on time-series image encoding and deep learning. Frontiers in Physiology. 2023;14:1174525. DOI: 10.3389/fphys.2023.1174525

7. Solonets AV, Snarsky AS. Application of artificial intelligence for predicting injury risk in athletes: an approach using recurrent neural networks. System analysis and applied information science. 2025;2:11–16. (In Russ.). DOI: 10.21122/2309-4923-2025-2-11-16

8. Majumdar A, Bakirov R, Hodges D, Scott S, Rees T. Machine Learning for Understanding and Predicting Injuries in Football. Sports Medicine – Open. 2022;8(1):73. DOI: 10.1186/s40798-022-00465-4

9. Lundberg S, Lee S. A Unified Approach to Interpreting Model Predictions. arXiv. 2017;arXiv:1705.07874v2. DOI: 10.48550/arXiv.1705.07874

10. Hou J, Tian Z. Application of recurrent neural network in predicting athletes' sports achievement. The Journal of Supercomputing. 2022;78(1):5507–5525. DOI: 10.1007/s11227-021-04082-y

11. Bahr R, Krosshaug T. Understanding injury mechanisms: A key component of preventing injuries in sport. British Journal of Sports Medicine. 2005;39(6):324–329. DOI: 10.1136/bjsm.2005.018341