CN110379516B - 一种基于大数据的运动机能分析伤病风险概率预测非线性模型的构建方法 - Google Patents

Abstract

本发明公开了一种基于大数据的运动机能分析伤病风险概率预测非线性模型的构建方法，涉及运动机能分析技术领域。基于多源数据建立的伤病风险概率预测模型，计算出球员伤病风险概率预测值用于监测球员身体素质趋势变化；为教练团队合理安排训练和比赛提供了数据支撑，为降低伤病的发生提供依据。

Description

一种基于大数据的运动机能分析伤病风险概率预测非线性模 型的构建方法

技术领域

本发明涉及运动机能分析技术领域，具体的涉及一种基于大数据的运动机能分析伤病风险概率预测非线性模型的构建方法。

背景技术

对于足球运动员来说，伤病不仅会缩短运动员的球员生涯，还会增加运动员的治疗和康复费用，甚至导致退役后产生骨性关节炎等相关并发症及继发退行性结构改变；而对于职业俱乐部来说，运动员发生伤病不仅会减少他们的上场时间，还会増加伤病治疗及康复的费用。因此，探究足球运动员的损伤因素并建立科学伤病预测模型不仅有助于保持足球运动员的健康，而且对足球运动的发展都至关重要。

伤病风险依赖于很多因素或变量或参数，比如年龄、伤病历史、身体成分、耐力、肌肉力量、生物标志物、灵敏、训练负荷(慢性、急性负荷)、比赛准备情况等，还有一些随机因素，比如与对方球员的接触，包括比赛时的碰撞，随机因素对伤病发生的贡献不能预测。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种基于大数据的运动机能分析伤病风险概率预测非线性模型的构建方法。

为解决上述问题，本发明采用如下的技术方案。

一种基于大数据的运动机能分析伤病风险概率预测线性模型及其构建方法,其特征在于，包括以下步骤：

1)获取伤病风险预测指标，所述的伤病风险预测指标包括I类指标和II指标；

2)计球员i的数量为N个，i＝1,…,N；且与伤病风险预测指标相关的参数j的数量为M个，j＝1,…,M；记球员i的参数j的值为x_ij，得到s_ij：

其中，对于I类指标参数，A_j对应最小伤病风险，B_j对应最大伤病风险；对于II类指标参数，恰好相反；

3)采用非线性模型对球员i的伤病风险指标参数j进行伤病风险概率P_ij计算，

4)对球员i进行整体伤病风险概率计算，记为(IRP)_i，通过计算 P_ij(j＝1，...，M)的平均值得到：

w_j为伤病历史例次权重，

进一步的，所述的I类指标包括年龄、脂肪百分比、肌酸激酶、星型折返跑时间、近十场比赛的平均跑动距离、当前赛季的伤病例次，所述的II指标包括最大相对摄氧量、蹲跳高度。

相比于现有技术，本发明的优点在于：

1)使用非线性模型进行伤病风险预测，更加符合各伤病风险因素对伤病风险发生的影响；

2)利用球队的历史数据建立基准进而进行模型的建立，更加适用于该团队；

3)基于多源数据建立的伤病风险概率预测模型，计算出球员伤病风险概率预测值用于监测球员身体素质趋势变化；

4)为教练团队合理安排训练和比赛提供了数据支撑，为降低伤病的发生提供依据。

具体实施方式

下面结合本发明实施例对技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于大数据的运动机能分析中伤病风险概率预测线性模型，是通过以下步骤构建得到的：

(1)此模型共用到8个指标，分别是Age(年龄)、Fat(脂肪百分比)、肌酸激酶(CK)、VO2 peak(最大相对摄氧量)、CMJ(蹲跳高度)、Star Run time(星型折返跑时间)、Sum_3_MD(近十场比赛的平均总跑动距离+平均高速跑距离+平均冲刺跑距离)、Injury Numbers(当前赛季的伤病例次)。其中Age(年龄)、Fat(脂肪百分比)、肌酸激酶(CK)、Star Run time(星型折返跑时间)、Sum_3_MD (近十场比赛的平均总跑动距离+平均高速跑距离+平均冲刺跑距离)、Injury Numbers(当前赛季的伤病例次)这六个指标的值越大，伤病风险越大，为类型I的参数；VO2 peak(最大相对摄氧量)、CMJ (蹲跳高度)这两个指标的值越大，伤病风险越小，为类型II的参数。上述数据来源于球队管理人员的采集，其中年龄属于基本信息；每年对球员的身体机能检测，包括身体成分、耐力、肌肉力量、生物标志物、灵敏测试；伤病历史是伤病管理模块最基本的信息，记录了球员历史的所有伤病；训练负荷(慢性、急性负荷)来源是训练和比赛中采集的数据。

(2)伤病风险预测值的相关指标取值：年龄、脂肪百分比来源于身体成分测试，蹲跳高度来源于弹跳测试，CK来源于血液检测，星型折返跑时间来源于灵敏测试的星型折返跑测试，本赛季伤病例次来源于本赛季损伤和疾病的伤病例次之和，最大相对摄氧量来源于耐力测试，近十场比赛的平均总跑动距离+平均高速跑距离+平均冲刺跑距离来源于比赛数据(Amisco数据)。所有测试指标数据均取计算日期最近一次的测试数据。

球员i的参数j的值为x_ij(i＝1,…,N；j＝1,…,M)，对于每个参数J，我们定义一个合理的范围[A_j,B_j]，得到

A_j≤x_ij≤B_j

对于类型I的参数，A_j对应最小伤病风险，B_j对应最大伤病风险。对于类型II的参数，恰好相反。得到s_ij如下：

因此，s＝0为最小风险，s＝1为最大风险。

合理的范围，即上限和下限，不同参数的范围如下表所示：

我们采用线性模型进行伤病风险的计算，对于每个参数，计算出球员i的这个参数的伤病风险概率，公式如下：

球员i的整体伤病风险概率，记为(IRP)_i，通过计算P_ij(j＝1，...，M)的平均值得到：

我们给出除伤病历史例次外其他指标相同的权重，伤病历史例次给出双倍的权重，所以得到如下：

所述的运动机能分析中伤病风险概率预测线性模型在足球竞技中的应用。

实施例1：

a)我们得到19个球员的风险概率预测模型计算的相关指标数据，如下表所示。

b)通过以上数据根据公式

计算出每个球员每个指标的风险概率预测值，如下表所示。

c)根据每个球员每个指标的伤病风险概率预测值通过公式

进行伤病风险概率预测值的计算，结果如下表所示：

球员姓名	伤病风险概率预测值
		球员1	0.36
球员2	0.36
		球员3	0.31
球员4	0.27
		球员5	0.40
球员6	0.31
		球员7	0.31
球员8	0.25
		球员9	0.34
球员10	0.31
		球员11	0.38
球员12	0.29
		球员13	0.30
球员14	0.28
		球员15	0.23
球员16	0.28
		球员17	0.27
球员18	0.27
		球员19	0.18

从表中可以看出，球员5和球员11的伤病风险概率预测值比较高，处于较高的伤病风险水平，需要进一步进行情况了解和相关检测。

以上所述仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内。根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。

Claims (2)

1.一种基于大数据的运动机能分析伤病风险概率预测非线性模型的构建方法,其特征在于，通过以下步骤构建：

1)获取伤病风险预测指标，所述的伤病风险预测指标包括I类指标和II指标；

2)计球员i的数量为N个，i＝1,…,N；且与伤病风险预测指标相关的参数j的数量为M个，j＝1,…,M；记球员i的参数j的值为x_ij，得到s_ij：

其中，对于I类指标参数，A_j对应最小伤病风险，B_j对应最大伤病风险；对于II类指标参数，恰好相反；

3)采用非线性模型对球员i的伤病风险指标参数j进行伤病风险概率P_ij计算，

4)对球员i进行整体伤病风险概率计算，记为(IRP)_i，通过计算P_ij的平均值得到：

其中，w_j为伤病风险评价各参数权重，P_ij是指伤病风险概率，

是P_ij的加权平均数；

2.根据权利要求1所述的一种基于大数据的运动机能分析伤病风险概率预测非线性模型的构建方法，其特征在于，所述的I类指标包括年龄、脂肪百分比、肌酸激酶、星型折返跑时间、近十场比赛的平均跑动距离、当前赛季的伤病例次，所述的II类指标包括最大相对摄氧量、蹲跳高度。