CN110379517B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110379517B
CN110379517B CN201910670256.6A CN201910670256A CN110379517B CN 110379517 B CN110379517 B CN 110379517B CN 201910670256 A CN201910670256 A CN 201910670256A CN 110379517 B CN110379517 B CN 110379517B
Authority
CN
China
Prior art keywords
injury
player
injury risk
risk
risk probability
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
Application number
CN201910670256.6A
Other languages
English (en)
Other versions
CN110379517A (zh
Inventor
林庆阳
于凌霞
赵贝贝
王滨鹭
姜晓斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Luneng Physical Culture Branch Co Of State Grid Shandong Electric Power Co
State Grid Shandong Electric Power Co Ltd
Original Assignee
Luneng Physical Culture Branch Co Of State Grid Shandong Electric Power Co
State Grid Shandong Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Luneng Physical Culture Branch Co Of State Grid Shandong Electric Power Co, State Grid Shandong Electric Power Co Ltd filed Critical Luneng Physical Culture Branch Co Of State Grid Shandong Electric Power Co
Priority to CN201910670256.6A priority Critical patent/CN110379517B/zh
Publication of CN110379517A publication Critical patent/CN110379517A/zh
Application granted granted Critical
Publication of CN110379517B publication Critical patent/CN110379517B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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中伤病风险概率预测线性模型。
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的构建方法,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类指标；
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的风险点Xij，得到Sij：
Figure GDA0003819890100000011
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，Pij＝0.1+0.8sij；
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：
Figure GDA0003819890100000021
其中，Wj为伤病风险评价各参数权重，
Figure GDA0003819890100000022
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类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)基于个体的历史数据所建立的伤病风险概率预测模型能够更好地符合球员自身的伤病风险概率预测。
2)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；
3)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)、InjuryNumbers(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，肌酸激酶来源于血液检测，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，即Amisco提供的数据。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：
Figure GDA0003819890100000031
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：
Figure GDA0003819890100000041
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：
Pij＝0.1+0.8sij
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：
Figure GDA0003819890100000042
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：
Figure GDA0003819890100000043
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。
Figure GDA0003819890100000044
Figure GDA0003819890100000051
b)通过以上数据根据公式Pij＝0.1+0.8sij计算出每个球员每个指标的风险概率预测值，如下表所示。
Figure GDA0003819890100000052
Figure GDA0003819890100000061
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
Figure GDA0003819890100000062
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 0.51
球员2 0.51
球员3 0.46
球员4 0.41
球员5 0.56
球员6 0.46
球员7 0.45
球员8 0.38
球员9 0.51
球员10 0.43
球员11 0.54
球员12 0.45
球员13 0.46
球员14 0.45
球员15 0.39
球员16 0.42
球员17 0.42
球员18 0.42
球员19 0.29
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类指标；
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的风险点Xij，得到Sij：
Figure FDA0003819890090000011
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，Pij＝0.1+0.8sij；
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：
Figure FDA0003819890090000012
Wj为用于计算伤病风险概率各因素的权重，确定伤病风险评价的各因素的权重影响
Figure FDA0003819890090000013
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。
CN201910670256.6A 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线性模型的构建方法 Active CN110379517B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910670256.6A CN110379517B (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线性模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910670256.6A CN110379517B (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线性模型的构建方法

Publications (2)

Publication Number Publication Date
CN110379517A CN110379517A (zh) 2019-10-25
CN110379517B true CN110379517B (zh) 2023-01-10

Family

ID=68255426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910670256.6A Active CN110379517B (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线性模型的构建方法

Country Status (1)

Country Link
CN (1) CN110379517B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007125074A (ja) * 2005-11-01 2007-05-24 Aloka Co Ltd 骨折リスク評価システム
CN101238981A (zh) * 2007-01-12 2008-08-13 国际商业机器公司 根据三维捕获的图像流来跟踪身体运动范围的方法和系统
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
CN106618586A (zh) * 2016-12-27 2017-05-10 尹志军 运动损伤检测装置及系统
CN106725445A (zh) * 2017-02-27 2017-05-31 厦门大学 一种脑电波控制的便携式人体运动损伤监护系统与方法
CN206777325U (zh) * 2016-12-27 2017-12-22 尹志军 运动损伤检测装置及系统
CN109260672A (zh) * 2018-08-28 2019-01-25 百度在线网络技术（北京）有限公司 运动数据的分析方法、装置、可穿戴设备及存储介质
CN109701230A (zh) * 2019-01-18 2019-05-03 郑州航空工业管理学院 一种基于大数据的体育训练用平衡辅助训练控制系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007125074A (ja) * 2005-11-01 2007-05-24 Aloka Co Ltd 骨折リスク評価システム
CN101238981A (zh) * 2007-01-12 2008-08-13 国际商业机器公司 根据三维捕获的图像流来跟踪身体运动范围的方法和系统
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
CN106618586A (zh) * 2016-12-27 2017-05-10 尹志军 运动损伤检测装置及系统
CN206777325U (zh) * 2016-12-27 2017-12-22 尹志军 运动损伤检测装置及系统
CN106725445A (zh) * 2017-02-27 2017-05-31 厦门大学 一种脑电波控制的便携式人体运动损伤监护系统与方法
CN109260672A (zh) * 2018-08-28 2019-01-25 百度在线网络技术（北京）有限公司 运动数据的分析方法、装置、可穿戴设备及存储介质
CN109701230A (zh) * 2019-01-18 2019-05-03 郑州航空工业管理学院 一种基于大数据的体育训练用平衡辅助训练控制系统及方法

Also Published As

Publication number Publication date
CN110379517A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
Smith Physiological profile of senior and junior England international amateur boxers
Granados et al. Differences in physical fitness and throwing velocity among elite and amateur female handball players
Hoff Training and testing physical capacities for elite soccer players
Zarić et al. Match performance in young female basketball players: Relationship with laboratory and field tests
Morrison et al. A systematic review on fitness testing in adult male basketball players: Tests adopted, characteristics reported and recommendations for practice
CA2770078C (en) Sensory testing data analysis by categories
Cui et al. Set-to-set performance variation in tennis Grand Slams: play with consistency and risks
Rogatzki et al. Response of protein S100B to playing American football, lifting weights, and treadmill running
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
Brooks et al. An ordered response model of test cricket performance
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
Pedro et al. Anthropometric profile and physical fitness performance comparison by game position and connections with performance parameters in official matches of Chilean men rugby players
Neeld et al. Impact of preceding workload on team performance in collegiate men's ice hockey
Singh et al. An effect of mental toughness on different level of participation in soccer players
Majlesi et al. Correlation between anthropometric and physical fitness traits: A case study in Hamedan kabaddi team
Cipryan et al. AUTONOMIC NERVOUS SYSTEM OBSERVATION THROUGH TO USE OF SPECTRAL ANALYSIS OF HEART RATE VARIABILITY IN ICE HOCKEY PLAYERS.
Seipp et al. Acute Effects of High-Intensity Interval Running on Lower-Body and Upper-Body Explosive Strength and Throwing Velocity in Handball Players
Dülger et al. The effect of leg strength and jump performance on balance in handball players
Lupo et al. Performance analysis in youth waterbasket–a physiological, time motion, and notational analysis of a new aquatic team sport
Ross Physical characteristics and match performance in rugby sevens
Bunc Physiological and functional characteristics of adolescent athletes in several sports: impications for talent identification
Casado et al. Training volume and intensity distribution among elite middle-and long-distance runners
Fullarton et al. USE OF THE SESSION-RPE METHOD FOR DETERMINING TRAINING LOAD IN NRL PLAYERS.
Myers et al. Modelling the relationship between relative load and match outcome in junior tennis players
Xing et al. Assessment of stress response and its interrelationship with external load in female soccer 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