Modellbaserte systemer for profesjonelle fotballag, rettet mot å optimalisere helse og ytelse (AIPROFB)

1. Introduksjon Tilnærmingen til dette prosjektet oppstår fra bekymringen for å bruke intelligenssystemer kunstig intelligens og maskinlæring i profesjonell idrett som assistanse for optimalisering av helse og ytelse hos profesjonelle fotballspillere. I profesjonell idrett kreves det økende fysisk, biologisk og fysiologisk innsats og vi trenger hjelpeverktøy.

I denne forbindelse har forslaget fra flere publikasjoner i prosjektet blitt reist:

1. Deteksjon av T-bølgeinversjon med maskinlæring for å forhindre plutselig død hos profesjonelle fotballspillere.

   Spillere gjennomgår forskjellige pre-konkurrerende screeningtester for å vurdere helsetilstanden deres, spesielt er en av dem et hvilende elektrokardiogram med 12 avledninger. Basert på bølgeformfunnene i denne komplementære testen kan risikoen for en profesjonell idrettsutøver og behovet for flere komplementære tester klassifiseres (Drezner et al., 2017). Vårt forslag er å analysere disse testene på nytt og utsette dem for en matematisk maskinlæringsmodell som er i stand til å oppdage T-bølgeinversjoner i nevnte avledninger og presentere resultatene og anbefalingene i samsvar med internasjonale kriterier for elektrokardiografiske studier hos idrettsutøvere.

2. Maskinlæring brukt på biologiske parametere for kontroll og råd hos profesjonelle fotballspillere.

   I løpet av sesongen gjennomføres rutineanalyser for å kontrollere biokjemiske parametere knyttet til helse og ytelse som svinger eller endrer seg gjennom sesongen: vitamin D, vitamin B12, vitamin B9, ferritin, etc. (Galan et al. ., 2012). Nevnte data vil bli utsatt for en maskinlæringsprosedyre som kan varsle oss om endringer i spillernes vanlige mønster og som kan forårsake endringer i ytelse, til og med generere patologier.

3. Maskinlæring brukt på idrettsgeolokaliseringssystemer for forebygging av skader hos profesjonelle fotballspillere.

Dataene innhentet under treningsøkter og kamper angående fysiske data som varighet, distanse, distanse ved forskjellige hastigheter, treningstetthet, etc. Som leveres av sports geolokaliseringssystemer, er av stor betydning når man studerer innsatsen og ytelsesprofilen til hver spiller. Ved å oppnå spillerens prestasjonsprofil standardisert i henhold til treningsdagen, kan vi oppdage ugunstige situasjoner som: overtrening eller mangel på fysisk form. Varslings- og alarmsystemer rettet mot skadeforebygging kan utformes. (Rossi, Pappalardo, Marcello, Javier, & May, 2017).

2. Beskrivelse Studiene vil bli implementert ved å implementere kunstig intelligens og maskinlæringssystemer på de fysiske, biologiske og fysiologiske dataene samlet inn under rutinemessig sports- og helseaktivitet til profesjonelle fotballspillere i 2019-20 og 2020-21, 2021-22 , 2022-23 og 2023-24 sesonger.

2.1 Generelle mål

• Evaluere installasjonen av kunstig intelligenssystemer som automatisk læring for å få modeller og resultater i tolkningen av fysiske, biomedisinske og fysiologiske parametere til spillerne.

• Utvikle rådgivnings-/annonsesystemer innen helse og ytelse basert på profiler.

  3. Praktisk anvendelse Prosjektet har stort potensial for praktisk anvendelighet og kan generere et paradigmeskifte, siden det er basert på generering av matematiske og/eller programmeringsmodeller som vil hjelpe i helsekontroller og sportsbelastningskontroller som brukes på profesjonelle fotballspillere . Et bemerkelsesverdig aspekt er den mulige forbedringen i beregningen av sannsynlighetsvektene til risikofaktorene på helse og ytelse.