从生活方式、恢复和负荷动态特征中发现三棍运动员的术前模式
机器学习
2025-11-25 v1
摘要
三棍运动训练涉及大量游泳、骑行和跑步，由于反复的生理压力，运动员面临过度损伤的重大风险。当前的损伤预测方法主要依赖训练负荷指标，往往忽视睡眠质量、压力和个人生活方式模式等关键因素，这些因素显著影响恢复情况和损伤易感性。我们引入了一个专为三棍运动员量身定制的新型合成数据生成框架。该框架生成符合生理学规范的运动员轮廓，模拟包含周期化和负荷管理原则的个性化训练计划，并整合睡眠质量、压力水平和恢复状态等日常生活因素。我们评估了LASSO、随机森林和XGBoost等机器学习模型，表现出高的预测性能（AUC最高可达0.86），识别出睡眠障碍、心率变异性和压力作为损伤风险的关键早期指标。该可穿戴导向的方法不仅提高了损伤预测的准确性，还为克服现实世界数据限制提供了实用方案，为实现基于情境的全方位运动员监控指明了道路。
引用
@article{arxiv.2511.17610,
title = {Finding Pre-Injury Patterns in Triathletes from Lifestyle, Recovery and Load Dynamics Features},
author = {Leonardo Rossi and Bruno Rodrigues},
journal= {arXiv preprint arXiv:2511.17610},
year = {2025}
}