Modellbaserade system för professionella fotbollslag, som syftar till att optimera hälsa och prestation (AIPROFB)

1. Inledning Tillvägagångssättet för detta projekt uppstår från oro för att använda intelligenssystem artificiell intelligens och maskininlärning i professionell idrott som hjälp för att optimera hälsa och prestation hos professionella fotbollsspelare. Inom professionell idrott krävs ökade fysiska, biologiska och fysiologiska insatser och vi behöver hjälpverktyg.

I detta avseende har förslaget från flera publikationer inom projektet tagits upp:

1. Detektering av T-vågsinversion med maskininlärning för att förhindra plötslig död hos professionella fotbollsspelare.

   Spelare genomgår olika screeningtester före tävlingen för att bedöma deras hälsotillstånd, särskilt en av dem är ett elektrokardiogram med 12 avledningar i vila. Baserat på vågformsfynden i detta kompletterande test kan risken för en professionell idrottare och behovet av fler kompletterande tester klassificeras (Drezner et al., 2017). Vårt förslag är att analysera dessa tester på nytt och utsätta dem för en matematisk modell för maskininlärning som är kapabel att detektera T-vågsinversioner i nämnda avledningar och presentera resultaten och rekommendationerna i enlighet med internationella kriterier för elektrokardiografiska studier hos idrottare.

2. Maskininlärning tillämpas på biologiska parametrar för kontroll och rådgivning hos professionella fotbollsspelare.

   Under säsongen genomförs rutinanalyser för att kontrollera biokemiska parametrar relaterade till hälsa och prestation som fluktuerar eller förändras under säsongen: vitamin D, vitamin B12, vitamin B9, ferritin etc. (Galan et al. ., 2012). Nämnda data kommer att utsättas för en maskininlärningsprocedur som kan meddela oss om förändringar i spelarnas vanliga mönster och som kan orsaka förändringar i prestanda, till och med generera patologier.

3. Maskininlärning tillämpas på sport geolokaliseringssystem för att förebygga skador hos professionella fotbollsspelare.

Den data som erhålls under träningspass och matcher avseende fysiska data som längd, distans, distans i olika hastigheter, träningstäthet etc. Som tillhandahålls av sport geolokaliseringssystem, är av stor betydelse när man studerar ansträngnings- och prestationsprofilen för varje spelare. Genom att erhålla spelarens prestationsprofil standardiserad efter träningsdagen kan vi upptäcka ogynnsamma situationer som: överträning eller brist på fysisk kondition. Varnings- och larmsystem som syftar till att förebygga skador kan utformas. (Rossi, Pappalardo, Marcello, Javier, & May, 2017).

2. Beskrivning Studierna kommer att implementeras genom att implementera artificiell intelligens och maskininlärningssystem på de fysiska, biologiska och fysiologiska data som samlats in under den rutinmässiga sport- och hälsoaktiviteten för professionella fotbollsspelare under 2019-20 och 2020-21, 2021-22 , säsongerna 2022-23 och 2023-24.

2.1 Allmänna mål

• Utvärdera installationen av artificiell intelligenssystem såsom automatisk inlärning för att få modeller och resultat i tolkningen av spelarnas fysiska, biomedicinska och fysiologiska parametrar.

• Utveckla rådgivnings-/annonseringssystem inom området hälsa och prestation utifrån profiler.

  3. Praktisk tillämpning Projektet har stor potential för praktisk tillämpning och skulle kunna generera ett paradigmskifte, eftersom det är baserat på generering av matematiska och/eller programmeringsmodeller som kommer att hjälpa till vid hälsokontroller och sportbelastningskontroller som tillämpas på professionella fotbollsspelare . En anmärkningsvärd aspekt är den möjliga förbättringen i beräkningen av probabilistiska vikter av riskfaktorer på hälsa och prestation.