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
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 Download PDFInfo
- Publication number
- CN110379516B CN110379516B CN201910670171.8A CN201910670171A CN110379516B CN 110379516 B CN110379516 B CN 110379516B CN 201910670171 A CN201910670171 A CN 201910670171A CN 110379516 B CN110379516 B CN 110379516B
- Authority
- CN
- China
- Prior art keywords
- injury risk
- index
- player
- injury
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 208000027418 Wounds and injury Diseases 0.000 title claims abstract description 71
- 230000006378 damage Effects 0.000 title claims abstract description 71
- 208000014674 injury Diseases 0.000 title claims abstract description 71
- 238000004458 analytical method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 title claims description 5
- 230000007659 motor function Effects 0.000 title abstract description 6
- 238000010276 construction Methods 0.000 claims abstract description 3
- 102000004420 Creatine Kinase Human genes 0.000 claims description 7
- 108010042126 Creatine kinase Proteins 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 5
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 9
- 239000000203 mixture Substances 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000009534 blood test Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 201000008482 osteoarthritis Diseases 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
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
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xij，得到sij：
其中，对于I类指标参数，Aj对应最小伤病风险，Bj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Pij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 Pij(j＝1，...，M)的平均值得到：
wj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xij(i＝1,…,N；j＝1,…,M)，对于每个参数J，我们定义一个合理的范围[Aj,Bj]，得到
Aj≤xij≤Bj
对于类型I的参数，Aj对应最小伤病风险，Bj对应最大伤病风险。对于类型II的参数，恰好相反。得到sij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Pij(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xij，得到sij：
其中，对于I类指标参数，Aj对应最小伤病风险，Bj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Pij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Pij的平均值得到：
其中，wj为伤病风险评价各参数权重，Pij是指伤病风险概率，
是Pij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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910670171.8A CN110379516B (zh) | 2019-07-24 | 2019-07-24 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910670171.8A CN110379516B (zh) | 2019-07-24 | 2019-07-24 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110379516A CN110379516A (zh) | 2019-10-25 |
| CN110379516B true CN110379516B (zh) | 2023-01-10 |
Family
ID=68255470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910670171.8A Active CN110379516B (zh) | 2019-07-24 | 2019-07-24 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110379516B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116798646B (zh) * | 2023-08-17 | 2023-11-24 | 四川互慧软件有限公司 | 基于聚类算法的蛇伤预后预测方法、装置及电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BR0206722A (pt) * | 2002-11-27 | 2004-08-10 | Fundacao De Amparo A Pesquisa | Método e usos da técnica de citometria de fluxo para controle e acompanhamento de lesões musculares em atletas submetidos a esforço fìsico; abordagem imunológica e condicionamento fìsico |
| CN202979029U (zh) * | 2012-12-05 | 2013-06-05 | 徐州市产品质量监督检验中心 | 一种钢结构网架的三维虚拟现实健康监测系统 |
| CN103279795A (zh) * | 2013-06-13 | 2013-09-04 | 中南大学 | 一种乘员碰撞损伤的预测方法 |
| CN104200076A (zh) * | 2014-08-19 | 2014-12-10 | 钟亚平 | 一种运动员运动损伤风险预警方法 |
| CN104715147A (zh) * | 2015-03-09 | 2015-06-17 | 奥美之路(北京)技术顾问有限公司 | 运动损伤风险评估模型 |
| CN107145716A (zh) * | 2017-04-12 | 2017-09-08 | 国网山东省电力公司 | 基于大数据的运动机能分析中平衡指标模型及其构建方法和应用 |
| CN107680687A (zh) * | 2017-07-31 | 2018-02-09 | 国网山东省电力公司 | 基于大数据的运动机能分析中力量指标模型及其构建方法和应用 |
| CN108206058A (zh) * | 2016-12-19 | 2018-06-26 | 平安科技（深圳）有限公司 | 人体综合健康风险预测方法及系统 |
| EP3509071A1 (en) * | 2018-01-08 | 2019-07-10 | Firstbeat Technologies Oy | A method and an apparatus for determining injury risk of a person based on physiological data |
-
2019
- 2019-07-24 CN CN201910670171.8A patent/CN110379516B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BR0206722A (pt) * | 2002-11-27 | 2004-08-10 | Fundacao De Amparo A Pesquisa | Método e usos da técnica de citometria de fluxo para controle e acompanhamento de lesões musculares em atletas submetidos a esforço fìsico; abordagem imunológica e condicionamento fìsico |
| CN202979029U (zh) * | 2012-12-05 | 2013-06-05 | 徐州市产品质量监督检验中心 | 一种钢结构网架的三维虚拟现实健康监测系统 |
| CN103279795A (zh) * | 2013-06-13 | 2013-09-04 | 中南大学 | 一种乘员碰撞损伤的预测方法 |
| CN104200076A (zh) * | 2014-08-19 | 2014-12-10 | 钟亚平 | 一种运动员运动损伤风险预警方法 |
| CN104715147A (zh) * | 2015-03-09 | 2015-06-17 | 奥美之路(北京)技术顾问有限公司 | 运动损伤风险评估模型 |
| CN108206058A (zh) * | 2016-12-19 | 2018-06-26 | 平安科技（深圳）有限公司 | 人体综合健康风险预测方法及系统 |
| CN107145716A (zh) * | 2017-04-12 | 2017-09-08 | 国网山东省电力公司 | 基于大数据的运动机能分析中平衡指标模型及其构建方法和应用 |
| CN107680687A (zh) * | 2017-07-31 | 2018-02-09 | 国网山东省电力公司 | 基于大数据的运动机能分析中力量指标模型及其构建方法和应用 |
| EP3509071A1 (en) * | 2018-01-08 | 2019-07-10 | Firstbeat Technologies Oy | A method and an apparatus for determining injury risk of a person based on physiological data |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110379516A (zh) | 2019-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qader et al. | A methodology for football players selection problem based on multi-measurements criteria analysis | |
| McGee et al. | The National Football League combine: a reliable predictor of draft status? | |
| Sindall et al. | Wheelchair tennis match-play demands: effect of player rank and result | |
| Wendler | A critical analysis of test elements used in physical education | |
| KR101768729B1 (ko) | 카테고리에 의한 지각 테스트 데이터 분석 | |
| Cui et al. | Set-to-set performance variation in tennis Grand Slams: play with consistency and risks | |
| Rogers et al. | Player profiling and monitoring in basketball: a Delphi study of the most important non-game performance indicators from the perspective of elite athlete coaches | |
| Turner et al. | How to monitor training load and mode using sRPE | |
| Brooks et al. | An ordered response model of test cricket performance | |
| CN110379516B (zh) | 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 | |
| Sinkovic et al. | The plyometric treatment effects on change of direction speed and reactive agility in young tennis players: a randomized controlled trial | |
| Teplan et al. | The level and differences of aerobic capacity in three different young soccer teams in the U17 category | |
| Ma et al. | Effect of core strength training on the badminton player’s performance: A systematic review & meta-analysis | |
| Gibbs et al. | Concussion Incidence and Recurrence in Professional Australian Football Match‐Play: A 14‐Year Analysis | |
| Haycraft et al. | Relationships between physical testing and match activity profiles across the Australian football league participation pathway | |
| CN110379517B (zh) | 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的构建方法 | |
| Caparrós et al. | Influence of strength programs on the injury rate and team performance of a professional basketball team: a six-season follow-up study | |
| Maunder et al. | Do fast bowlers fatigue in cricket? A paradox between player anecdotes and quantitative evidence | |
| Boby et al. | In pursuit of precision: assessing the impact of physical attributes on change of direction speed in women's cricket | |
| Ionescu et al. | The Relationship of Agility and Balance Tests Results of Young Female Skaters with Competition Scores in Figure Skating | |
| Jindo et al. | Accuracy of subjective stats of key performance indicators in tennis | |
| Sharma et al. | Comparison of Strength Ability of Volleyball and Basketball Players | |
| Titus et al. | Predictors of obstacle course racing performance | |
| Ross | Physical characteristics and match performance in rugby sevens | |
| US20150273312A1 (en) | System and method for organizing and training team athletic players |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |