Systemy oparte na modelach dla profesjonalnych drużyn piłkarskich, mające na celu optymalizację zdrowia i wydajności (AIPROFB)

1. Wprowadzenie Podejście tego projektu wynika z troski o wykorzystanie systemów inteligencji, sztucznej inteligencji i uczenia maszynowego w sporcie zawodowym jako pomocy w optymalizacji zdrowia i wydajności zawodowych piłkarzy. W sporcie zawodowym wymagany jest wzmożony wysiłek fizyczny, biologiczny i fizjologiczny oraz potrzebne są narzędzia pomocnicze.

W związku z tym zgłoszono propozycję kilku publikacji w ramach projektu:

1. Wykrywanie inwersji załamka T za pomocą uczenia maszynowego w celu zapobiegania nagłej śmierci zawodowych piłkarzy.

   Zawodnicy przechodzą różne przedzawodowe badania przesiewowe w celu oceny ich stanu zdrowia, w szczególności jednym z nich jest spoczynkowy 12-odprowadzeniowy elektrokardiogram. W oparciu o przebieg fali w tym teście uzupełniającym można sklasyfikować ryzyko związane z zawodowym sportowcem i potrzebę większej liczby testów uzupełniających (Drezner i in., 2017). Naszą propozycją jest ponowna analiza tych testów i poddanie ich modelowi matematycznemu uczenia maszynowego, który jest w stanie wykryć inwersje załamka T we wspomnianych odprowadzeniach i przedstawić wyniki i zalecenia zgodnie z międzynarodowymi kryteriami badań elektrokardiograficznych u sportowców.

2. Uczenie maszynowe zastosowane do parametrów biologicznych do kontroli i porad zawodowych piłkarzy.

   W trakcie sezonu przeprowadzane są rutynowe analizy w celu kontroli parametrów biochemicznych związanych ze zdrowiem i wydajnością, które wahają się lub zmieniają w trakcie sezonu: witamina D, witamina B12, witamina B9, ferrytyna itp. (Galan i wsp., 2012). Wspomniane dane zostaną poddane procedurze uczenia maszynowego, która może powiadomić nas o zmianach w nawykowym wzorcu graczy i które mogą powodować zmiany w wydajności, a nawet generowanie patologii.

3. Uczenie maszynowe zastosowane w sportowych systemach geolokalizacji w celu zapobiegania urazom u zawodowych piłkarzy.

Dane uzyskane podczas sesji treningowych i meczów dotyczące danych fizycznych, takich jak czas trwania, dystans, dystans przy różnych prędkościach, gęstość treningu itp. Które dostarczają sportowe systemy geolokalizacji, mają ogromne znaczenie przy badaniu profilu wysiłkowego i wyczynowego każdego zawodnika. Uzyskując standaryzację profilu wydolnościowego zawodnika według dnia treningowego możemy wykryć niekorzystne sytuacje takie jak: przetrenowanie czy brak kondycji fizycznej. Można zaprojektować systemy ostrzegawcze i alarmowe mające na celu zapobieganie urazom. (Rossi, Pappalardo, Marcello, Javier i maj 2017).

2. Opis Badania będą realizowane poprzez wdrożenie systemów sztucznej inteligencji i uczenia maszynowego na danych fizycznych, biologicznych i fizjologicznych zebranych podczas rutynowej aktywności sportowo-zdrowotnej zawodowych piłkarzy nożnych w latach 2019-20 i 2020-21, 2021-22 , sezony 2022-23 i 2023-24.

2.1 Cele ogólne

• Oceń instalację systemów sztucznej inteligencji, takich jak automatyczne uczenie się, aby uzyskać modele i wyniki w interpretacji parametrów fizycznych, biomedycznych i fizjologicznych graczy.

• Opracowanie systemów doradczo-reklamowych w obszarze zdrowia i wydajności w oparciu o profile.

  3. Praktyczne zastosowanie Projekt ma ogromny potencjał praktycznego zastosowania i może spowodować zmianę paradygmatu, ponieważ opiera się na generowaniu modeli matematycznych i/lub programistycznych, które pomogą w kontroli zdrowia i kontroli obciążenia sportowego, które są stosowane u zawodowych piłkarzy . Godnym uwagi aspektem jest możliwa poprawa obliczania wag probabilistycznych czynników ryzyka dla zdrowia i wydajności.