Modelbaserede systemer til professionelle fodboldhold, rettet mod at optimere sundhed og præstationer (AIPROFB)

1. Introduktion Tilgangen til dette projekt udspringer af bekymringen om at bruge intelligenssystemer kunstig intelligens og maskinlæring i professionel sport som hjælp til optimering af sundhed og præstationer hos professionelle fodboldspillere. I professionel sport kræves øget fysisk, biologisk og fysiologisk indsats, og vi har brug for hjælperedskaber.

I den forbindelse er forslaget fra flere publikationer inden for projektet blevet rejst:

1. Detektion af T-bølge-inversion med maskinlæring for at forhindre pludselig død hos professionelle fodboldspillere.

   Spillere gennemgår forskellige præ-kompetitive screeningstests for at vurdere deres helbredstilstand, specifikt en af ​​dem er et hvilende elektrokardiogram med 12 afledninger. Baseret på bølgeformsfundene i denne komplementære test kan risikoen for en professionel atlet og behovet for flere komplementære tests klassificeres (Drezner et al., 2017). Vores forslag er at genanalysere disse tests og underkaste dem en matematisk maskinlæringsmodel, der er i stand til at detektere T-bølgeinversioner i nævnte ledninger og præsentere resultaterne og anbefalingerne i overensstemmelse med internationale kriterier for elektrokardiografiske undersøgelser hos atleter.

2. Maskinlæring anvendt på biologiske parametre til kontrol og rådgivning hos professionelle fodboldspillere.

   I løbet af sæsonen udføres rutineanalyser for at kontrollere biokemiske parametre relateret til sundhed og præstation, der svinger eller ændrer sig hen over sæsonen: D-vitamin, B12-vitamin, B9-vitamin, ferritin osv. (Galan et al. ., 2012). Disse data vil blive udsat for en maskinlæringsprocedure, der kan give os besked om ændringer i spillernes sædvanlige mønster, og som kan forårsage ændringer i ydeevne, endda generere patologier.

3. Maskinlæring anvendt på sportsgeolokaliseringssystemer til forebyggelse af skader hos professionelle fodboldspillere.

Data opnået under træningssessioner og kampe vedrørende fysiske data såsom varighed, distance, distance ved forskellige hastigheder, træningstæthed osv. Som leveres af sports geolocation-systemer, er af stor betydning, når man studerer indsats- og præstationsprofilen for hver spiller. Ved at opnå spillerens præstationsprofil, der er standardiseret efter træningsdagen, kan vi opdage ugunstige situationer såsom: overtræning eller mangel på fysisk tilstand. Advarsels- og alarmsystemer rettet mod skadesforebyggelse kan designes. (Rossi, Pappalardo, Marcello, Javier, & May, 2017).

2. Beskrivelse Undersøgelserne vil blive implementeret ved at implementere kunstig intelligens og maskinlæringssystemer på de fysiske, biologiske og fysiologiske data indsamlet under de professionelle fodboldspilleres rutinemæssige sports- og sundhedsaktivitet i 2019-20 og 2020-21, 2021-22 , 2022-23 og 2023-24 sæsoner.

2.1 Generelle mål

• Evaluer installationen af ​​kunstig intelligenssystemer såsom automatisk læring for at opnå modeller og resultater i fortolkningen af ​​fysiske, biomedicinske og fysiologiske parametre for spillerne.

• Udvikle rådgivnings-/annonceringssystemer inden for sundhed og performance baseret på profiler.

  3. Praktisk anvendelse Projektet har et stort potentiale for praktisk anvendelighed og kan generere et paradigmeskifte, da det er baseret på generering af matematiske og/eller programmeringsmodeller, der vil hjælpe med sundhedskontrol og sportsbelastningskontrol, der anvendes til professionelle fodboldspillere . Et bemærkelsesværdigt aspekt er den mulige forbedring i beregningen af ​​de probabilistiske vægte af risikofaktorerne på sundhed og præstation.