Systèmes basés sur des modèles pour les équipes de football professionnelles, visant à optimiser la santé et les performances (AIPROFB)

1. Introduction L'approche de ce projet découle du souci d'utiliser les systèmes d'intelligence artificielle et l'apprentissage automatique dans le sport professionnel comme aide à l'optimisation de la santé et des performances des footballeurs professionnels. Dans le sport professionnel, des efforts physiques, biologiques et physiologiques croissants sont nécessaires et nous avons besoin d'outils d'aide.

A cet égard, la proposition de plusieurs publications au sein du projet a été évoquée :

1. Détection de l'inversion des ondes T avec apprentissage automatique pour prévenir la mort subite chez les footballeurs professionnels.

   Les joueurs subissent divers tests de dépistage pré-compétitifs pour évaluer leur état de santé, notamment l'un d'eux est un électrocardiogramme à 12 dérivations au repos. Sur la base des résultats de la forme d'onde de ce test complémentaire, le risque d'un athlète professionnel et la nécessité de tests complémentaires peuvent être classés (Drezner et al., 2017). Notre proposition est de réanalyser ces tests et de les soumettre à un modèle mathématique d'apprentissage automatique capable de détecter les inversions d'ondes T dans lesdites dérivations et de présenter les résultats et les recommandations conformément aux critères internationaux d'étude électrocardiographique chez les athlètes.

2. Apprentissage automatique appliqué aux paramètres biologiques pour le contrôle et le conseil chez les footballeurs professionnels.

   Au cours de la saison, des analyses de routine sont réalisées pour contrôler les paramètres biochimiques liés à la santé et aux performances qui fluctuent ou changent tout au long de la saison : vitamine D, vitamine B12, vitamine B9, ferritine, etc. (Galan et al., 2012). Lesdites données seront soumises à une procédure d'apprentissage automatique qui peut nous informer des altérations du schéma habituel des joueurs et qui peut entraîner des altérations des performances, voire générer des pathologies.

3. Apprentissage automatique appliqué aux systèmes de géolocalisation sportive pour la prévention des blessures chez les footballeurs professionnels.

Les données obtenues lors des séances d'entraînement et des matchs concernant les données physiques telles que la durée, la distance, la distance à différentes vitesses, la densité d'entraînement, etc. Qui sont fournis par les systèmes de géolocalisation sportive, sont d'une grande importance lors de l'étude du profil d'effort et de performance de chaque joueur. En obtenant le profil de performance du joueur standardisé en fonction de la journée d'entraînement, nous pouvons détecter des situations défavorables telles que : surentraînement ou manque de condition physique. Des systèmes d'avertissement et d'alarme visant à prévenir les blessures peuvent être conçus. (Rossi, Pappalardo, Marcello, Javier et May, 2017).

2. Description Les études seront mises en œuvre en mettant en œuvre des systèmes d'intelligence artificielle et d'apprentissage automatique sur les données physiques, biologiques et physiologiques collectées lors de l'activité sportive et de santé de routine des footballeurs professionnels en 2019-20 et 2020-21, 2021-22. , saisons 2022-23 et 2023-24.

2.1 Objectifs généraux

• Évaluer l'installation de systèmes d'intelligence artificielle tels que l'apprentissage automatique pour obtenir des modèles et des résultats dans l'interprétation des paramètres physiques, biomédicaux et physiologiques des joueurs.

• Développer des systèmes de conseil/publicité dans le domaine de la santé et de la performance basés sur des profils.

  3. Application pratique Le projet a un grand potentiel d'applicabilité pratique et pourrait générer un changement de paradigme, car il est basé sur la génération de modèles mathématiques et/ou de programmation qui aideront dans les contrôles de santé et les contrôles de charge sportive qui sont appliqués aux footballeurs professionnels. . Un aspect notable est l'amélioration possible du calcul des poids probabilistes des facteurs de risque sur la santé et la performance.