文|墨卿煙
編輯|墨卿煙
前言
足球，當今世界上的第一大運動，比賽和訓練的強度也是非常的大，為了保證球員的身體，相關的疲勞監測儼然已經成為主流。
為了量化訓練負荷，一些廠商們紛紛推出可穿戴設備傳感器，如包含全球定位系統功能和加速度計的微機電系統，儘管有關外部負荷監測的知識取得了進步，但是仍然有許多不足的地方。
足球運動中常見的疲勞監測方法包括主觀和客觀觀測量，儘管如此，關於此類測試的幾個問題仍然存在，例如球員的買入，對球場表現缺乏直接影響以及測試缺乏特異性。
目前正在探索改進疲勞監測策略存在着一個途徑，那就是使用三軸加速度計來捕獲矢量量化的三維運動，並已被用作身體負荷的全局指標或檢測足球運動員的疲勞狀況。
在證明這一三維運動衍生的指標可以可靠地使用後，科學家們觀察到在前一周訓練負荷很高後，之後在比賽中每分鐘的指標都會有所增加。
所以科學家們認為球員活動的這種變化，可能與潛在的疲勞狀態有關，因為以前的值用於進行比較，這種標準化在精英足球中幾乎是看不到的。
那麼，究竟該如何創造出，能夠準確預測球員身體狀態變化的裝置呢？
設想提出
在這方面蘭蔻等人提出了評估預測模型與作為球員的心率之間，直接比較的有效性的概念，這種方法的一個優點就是，它允許人們在不測試球員的情況下對球員的準備情況做出一些假設。
雖然這種方法看起來很有前途，但是它只能評估球員的健康狀況，因此用類似的方法來評估球員的神經肌肉狀態，也許是一個不錯的選擇。
出於這個原因，科學家們將開發一種使用機器學習技術，來評估球員們神經肌肉狀態的新方法作為了自己的主要目標，為此科學家們評估了訓練和比賽期間收集到的外部負荷數據。
材料和方法
在上近五百次的訓練和上百場正式比賽期間，科學家們記錄了球員的外部負荷，平均每個球員們記錄了將近兩百次。
記錄結果不夠次數的受試者會被排除在進一步分析之外，以便刪除由於受傷或任何其他原因，而在賽季中僅部分參加比賽的球員。
此次科學家們使用的新系統，是由多個不同的慣性傳感器組成，其有效性和可靠性之前已經過測試，衛星定位設備通過緊身背心放置在球員的肩胛骨之間，提取了不同的外部負載指標。
數據分析
此次研究的主要目的是開發一種可以使用的機器學習技術，以此評估球員神經肌肉狀態，使用外部負荷數據來預測訓練或比賽球員的負載數據，因此，使用訓練數據集構建了多個數據模型
科學家們利用這些數據模型來進行分析，其中每個示例代表球員們的訓練過程，並由描述球員們外部負載的向量組成。
使用不同的模型來預測訓練或匹配數據，這是科學家們的目標變量，在訓練期間和比賽中累積的數據是按照三維運動捕捉系統的建議，以及先前研究中提出的計算的。
統計分析
採用受試者內線性混合模型來分析數據的均值差，其中與季節相關的信息數據佔到了很大的比重，線性混合模型還用於分析該數據相對於前幾個星期的變化。
根據比賽前幾天對一周中的另外幾天進行分類，為了避免與另一模型有關的混淆因素，只考慮了打0分鐘的球員，此外科學家們還研究了負載數據如何隨工作量變化而變化。
在過去5天內累計，考慮到一周的負荷管理和負荷分配，會隨着球隊或教練的理念而變化，我們將這些分析僅限於一線隊，顯示了第一梯隊每周負荷分布。
當科學家們發現統計學上顯着的差異時，他們便選擇用最不顯着的差異方法進行多重比較，還計算了標準化效應量，即根據平均差與合併標準差的比率估計。
這些差異分別被解釋為小、中和大差異統計分析使用社會科學統計軟件包進行計算，統計學顯著性的閾值設定為p。
結果
在選定的算法中，隨機森林回歸算法表現出最佳的性能，在五倍交叉驗證後顯示出最佳性能後，隨機森林回歸被科學家們用於進一步分析，在這之後，他們選擇了七個外部負載指標並進行特徵重要性分析。
算法選擇
外部負荷數據、球員位置和訓練類型等特徵在計算模型中被視為預測因子，並根據目標變量來進行建模，主要用到的算法有：極端梯度提升、隨機森林回歸、線性回歸。
描述該模型的基本數學函數並不代表本研究的目的，然而，提升算法和隨機森林回歸算法是基於集成學習的方法，選中它們，也是因為在處理回歸問題中的效率，和識別高維數據中非線性相互作用時，它們有着較強的能力。
相比之下，選擇線性回歸是因為其在識別自變量和因變量之間的線性關係方面具有簡單性。
數據預處理
在開發這一系統時，科學家們採用了預處理技術，來最大限度地提高每個模型的性能，部分、個人和康複課程被排除在分析之外。
為了消除任何可能影響結果的混雜因素，因此只考慮球員完全完成的訓練課程，分類預測因子在插入邏輯回歸模型之前經過一個熱編碼過程。
此外在線性回歸訓練之前，所有特徵都使用最小最大縮放器進行歸一化，規範化確保所有特徵都公平地貢獻了學習過程，但是分布式梯度增強庫是基於樹模型的算法，所以並不需要規範化。
特徵消除、超參數調優和交叉驗證
執行遞歸特徵消除以去除可能增加過度擬合風險的相關特徵，實施隨機森林回歸算法也是為了識別與預測數據值最相關的特徵。
在這個初始過程之後，科學家們使用隨機搜索來調整隨機森林回歸中的超參數，而在線性回歸中則不存在任何可調的超參數。
後來科學家們使用三重交叉來驗證調整超參數，並選擇在每次摺疊中產生最佳性能的超參數組合，20%的數據集使用隨機森林回歸和隨機搜索，而其餘80%則使用五重交叉驗證，以此來測試不同的模型。
模型評估
最後科學家們使用均方根誤差和平均絕對百分誤差，評估了每個模型的適用性，均方根誤差和平均絕對百分誤差表明模型具有良好的預測能力，特別是平均絕對百分誤差的值非常低，這表明預測非常準確。
預測的數據可以使科學家們觀察到訓練中最常見的數據變化，並對其做出預測，科學家們對最佳性能的模型進行了特徵重要性的分析。
此外科學幾門為了理解該模型在線式世界中的實用性，他們建議用類似的方式來模擬季節的變換，以此獲得了在不同季節下，球員們不同的負載數據。
以前的研究表明，球員負載的變化可用於檢測足球運動員的疲勞，機器學習技術用來開發基於負載數據預測的新運動效率指數。
在整個賽季中監測了多名精英足球運動員，衛星定位系統用於收集外部負載數據，這些數據又用於預測訓練和比賽期間的負載數據，隨機森林回歸產生了最佳性能。
並被納入進一步的分析中，計算邏輯回歸模型預測的負載數據值與真實模型之間的差異，使用數據分數變換為每個參與者進行個性化設置，並將其解釋為疲勞或神經肌肉準備的跡象。
科學家們使用線性混合模型來分析該數據如何根據季節、星期幾和每周負載而變化，關於季節變化，最低和最高數據值分別被記錄在季節開始時和季節中期，並且結果顯示比賽日的負載值較低。
實際運用
邏輯回歸模型技術的採用可用於計算每個參與者的負載數據，並量化他們的神經肌肉準備情況，這種方法具有許多優點。
它可以使球員每天評估神經肌肉新鮮度，並且可以通過“隱形”的方法檢測疲勞的可能性，而不必讓球員接受測試，以此來了解球員的日常準備情況可以幫助教練和體能教練改進恢復策略設計並優化訓練負荷管理。
結論
此次研究的目的就是為了開發基於機器學習方法的新運動效率指數，但是科學家們考慮到與監測精英足球運動員狀態相關的固有挑戰，這次研究為運動檢測領域開闢了新的可能性。
事實上，這項研究的初步結果顯示，運動效率指數是會根據季節的不同、每周期內的某一天以及訓練負荷的變化而有明顯的波動的。
科學家們表示，想要讓這一技術更加完善，未來的研究還需要進一步驗證這種方法對神經肌肉疲勞的預測程度。
在閱讀此文後，煩請您關注+評論，方便剩下後續事件有新的進展能夠讓您迅速關注到
