Modelgebaseerde systemen voor professionele voetbalteams, gericht op het optimaliseren van gezondheid en prestaties (AIPROFB)

1. Inleiding De aanpak van dit project komt voort uit de zorg om intelligentiesystemen, kunstmatige intelligentie en machine learning in de professionele sport te gebruiken als hulp bij het optimaliseren van de gezondheid en prestaties van professionele voetballers. In de professionele sport zijn toenemende fysieke, biologische en fysiologische inspanningen vereist en hebben we hulpmiddelen nodig.

In dit verband is het voorstel van verschillende publicaties binnen het project aan de orde gesteld:

1. Detectie van T-golfinversie met machine learning om plotselinge dood bij profvoetballers te voorkomen.

   Spelers ondergaan verschillende pre-competitieve screeningtests om hun gezondheidstoestand te beoordelen, met name een daarvan is een 12-afleidingen elektrocardiogram in rust. Op basis van de golfvormbevindingen in deze aanvullende test kan het risico van een professionele atleet en de behoefte aan meer aanvullende tests worden geclassificeerd (Drezner et al., 2017). Ons voorstel is om deze tests opnieuw te analyseren en ze te onderwerpen aan een machinaal lerend wiskundig model dat T-golfinversies in genoemde afleidingen kan detecteren en de resultaten en aanbevelingen kan presenteren in overeenstemming met internationale criteria voor elektrocardiografisch onderzoek bij atleten.

2. Machine learning toegepast op biologische parameters voor controle en advies bij profvoetballers.

   Tijdens het seizoen worden routinematige analyses uitgevoerd om biochemische parameters met betrekking tot gezondheid en prestaties te controleren die gedurende het seizoen fluctueren of veranderen: vitamine D, vitamine B12, vitamine B9, ferritine, enz. (Galan et al., 2012). Deze gegevens zullen worden onderworpen aan een machine learning-procedure die ons op de hoogte kan stellen van veranderingen in het gewoontepatroon van de spelers en die veranderingen in de prestaties kan veroorzaken, en zelfs pathologieën kan veroorzaken.

3. Machine learning toegepast op geolocatiesystemen voor sport ter voorkoming van blessures bij profvoetballers.

De gegevens verkregen tijdens trainingen en wedstrijden met betrekking tot fysieke gegevens zoals duur, afstand, afstand bij verschillende snelheden, trainingsdichtheid, etc. Die worden geleverd door geolocatiesystemen voor sport, zijn van groot belang bij het bestuderen van het inspannings- en prestatieprofiel van elke speler. Door het prestatieprofiel van de speler te verkrijgen, gestandaardiseerd volgens de trainingsdag, kunnen we ongunstige situaties detecteren, zoals: overtraining of een gebrek aan fysieke conditie. Waarschuwings- en alarmsystemen gericht op letselpreventie kunnen worden ontworpen. (Rossi, Pappalardo, Marcello, Javier, & mei, 2017).

2. Beschrijving De onderzoeken zullen worden uitgevoerd door kunstmatige intelligentie en machine learning-systemen te implementeren op de fysieke, biologische en fysiologische gegevens die zijn verzameld tijdens de routinematige sport- en gezondheidsactiviteiten van de profvoetballers in de periode 2019-20 en 2020-21, 2021-22 , seizoenen 2022-23 en 2023-24.

2.1 Algemene doelstellingen

• Evalueer de installatie van kunstmatige intelligentiesystemen zoals automatisch leren om modellen en resultaten te verkrijgen bij de interpretatie van fysieke, biomedische en fysiologische parameters van de spelers.

• Op basis van profielen advies-/advertentiesystemen ontwikkelen op het gebied van gezondheid en prestatie.

  3. Praktische toepassing Het project heeft een groot potentieel voor praktische toepasbaarheid en kan een paradigmaverschuiving teweegbrengen, aangezien het gebaseerd is op het genereren van wiskundige en/of programmeermodellen die zullen helpen bij gezondheidscontroles en sportbelastingcontroles die worden toegepast op professionele voetballers . Opvallend is de mogelijke verbetering in de berekening van de probabilistische gewichten van de risicofactoren op gezondheid en prestatie.