基于多模态的网球运动受伤风险预测

# 网球运动中的多模态损伤风险预测
来源：https://arxiv.org/html/2608.25126
Francisco Erramuspe Alvarez, Shobharani Polasa, Weihao Qu, Jay Wang 和 Ling Zheng
所属机构：计算机科学与软件工程系，蒙茅斯大学，美国西长枝市 \{s1365567,s1365603, wqu, jwang, lzheng\}@monmouth\.edu

###### 摘要
机器学习对运动员表现和损伤风险的预测产生了显著的积极影响。该领域的大多数研究依赖主观观察和专家评估，这限制了其有效性。在足球、篮球和摔跤等运动中，一些研究尝试通过整合来自其他来源的数据（例如可穿戴设备的读数）与传统的主观观察和专家评估，以提高准确性来应对这一挑战。然而，网球领域的类似研究在很大程度上尚未被探索。在本文中，我们提出了一种**多模态**的网球运动员就绪预测框架（PART\mathtt{PART}），用于评估网球运动员的表现和损伤风险。通过利用机器学习和深度学习技术，PART\mathtt{PART}处理从九名大学网球运动员收集的多种来源数据，包括生理指标、训练和比赛数据、来自可穿戴设备的睡眠数据、通过每日问卷自我报告的信息、跳跃评估以及比赛视频中的动作分析。PART\mathtt{PART}捕捉网球运动员的四个特征：整体健康状况、损伤风险、身体能力和比赛风格。通过监督学习整合这四个特征，它能够对网球运动员的状况进行全面评估，并对处于风险中的特定身体部位（例如上半身，如肘部，或下半身，如膝盖）进行高级预测。我们使用九名大学网球运动员的数据进行的评估表明，PART在预测整体健康状况和损伤风险方面均表现优异。此外，我们的框架对于经常因错误技术动作而受伤的休闲网球运动员也显示出潜力。

###### 索引关键词：损伤预测、网球、运动、深度学习、机器学习
††脚注：© 2025 IEEE。允许个人使用本材料。所有其他用途（包括当前或未来的任何媒体，例如转载/重新发布本材料用于广告或促销目的、创建新的汇编作品、用于转售或再分发到服务器或列表，或在其他作品中重用本作品的任何受版权保护的组件）必须获得 IEEE 的许可。接受的作者手稿。发表于 2025 IEEE 第五届人机系统国际会议（ICHMS），第 28–34 页。DOI: 10\.1109/ICHMS61085\.2025\.11154160\.

## I 引言
在职业体育中，优化运动员表现的同时最小化受伤风险，需要全面理解影响运动员身心健康的多种因素，包括生理、心理、训练和生活方式因素。研究这些因素如何影响运动员身体健康和损伤风险的一个流行方法是应用机器学习来预测表现结果和潜在损伤。运动表现和损伤预测已在篮球、足球、摔跤和网球等运动中得到了积极研究。该领域的近期研究强调了一些关键因素，如训练计划、运动员特征、受伤史和工作负荷，作为影响损伤风险的关键因素\[1 (https://arxiv.org/html/2608.25126#bib.bib21),2 (https://arxiv.org/html/2608.25126#bib.bib15),3 (https://arxiv.org/html/2608.25126#bib.bib16)\]。在各项运动的表现和损伤预测研究中，专注于网球的研究具有特殊意义：（1）网球在全球体育界享有独特而崇高的地位，被公认为全球最受欢迎的个人运动之一，并吸引了各个年龄段的忠实粉丝群体。（2）网球运动复杂，需要将运动能力、战略思维和心理韧性相结合，这使得表现和损伤预测尤其具有挑战性。（3）与网球相关的损伤很常见，通常源于过度使用和重复性动作\[4 (https://arxiv.org/html/2608.25126#bib.bib10)\]。（4）大量休闲网球运动员因不正确的技术动作而受伤，著名的例子包括网球肘和网球膝\[5 (https://arxiv.org/html/2608.25126#bib.bib9)\]。这突出了损伤预测的重要性，特别是对于希望预防此类问题的休闲玩家。然而，当前基于机器学习的网球表现和损伤预测仍然依赖于官方比赛统计数据、主观观察和专家评估。这导致了运动表现和损伤预测现有研究中的一个共同挑战：许多模型严重依赖主观观察和专家评估\[6 (https://arxiv.org/html/2608.25126#bib.bib6)\]，限制了它们捕捉各种因素复杂相互作用的能力。为此，研究人员越来越多地转向更适合机器学习模型的多样化数据源，旨在提高表现和损伤风险预测的准确性。一个用于增强运动表现和损伤预测的良好数据源，应能为目标运动领域的每位运动员提供独特的、特定于该运动的信息。体育评估的快速发展为我们带来了一些有希望的候选者：一个有前途的数据源来自快速发展的可穿戴技术领域，它已影响到生活的各个方面，包括检测潜在的跌倒\[7 (https://arxiv.org/html/2608.25126#bib.bib11),8 (https://arxiv.org/html/2608.25126#bib.bib12)\]、提醒用户心率异常、分析睡眠质量\[9 (https://arxiv.org/html/2608.25126#bib.bib13)\]和跟踪锻炼进度；另一个有价值的数据源是运动员自我报告测量（ASRM）的日益普及，这在提升运动表现方面已显示出巨大潜力\[10 (https://arxiv.org/html/2608.25126#bib.bib14)\]；运动员训练和比赛的视频为运动员独特的风格和技术提供了宝贵的见解。视频分析已被广泛用于提升各种运动（包括篮球、游泳和网球）的表现。这些数据源提供了丰富、客观和主观的数据，可用于改进网球表现和损伤风险的预测。这激励我们开发一个强大的表现和损伤预测工具，能够捕捉来自所有有前景的多样化数据源的独特信息，并为网球运动员提供详细、有意义的预测和建议。挑战也是显而易见的：考虑的数据源越多，开发此类预测模型的复杂度会急剧增加。为了使用可穿戴设备数据和自我报告调查，需要一个更新颖的预测框架设计。此外，当考虑视频时，如何将视频数据整合到框架中以提供有关运动员有意义的洞察，使得设计更具挑战性。为此，本文提出了一种**多模态**的网球运动员就绪预测框架（PART\mathtt{PART}），该框架在预测网球运动员的整体健康状况时，考虑了他们的身体能力和损伤概率。由回归模型预测的运动员身体能力直接影响其损伤风险。较低的身体能力（可能由于疲劳或恢复不足）会显著增加受伤的易感性。该框架利用多种机器学习算法开发了一个预测模型，整合了来自大学网球运动员的多种来源的数据，包括视频、生理数据、锻炼细节、睡眠信息和自我报告的调查回复。具体来说，我们的贡献是：
1. 我们从9名（男/女）大学网球运动员那里收集了多样来源的数据，包括视频类型数据（如比赛视频）和文本类型数据（如来自可穿戴设备的生理数据、锻炼细节和睡眠信息、自我报告的调查回复以及由专业医生记录的定期垂直跳跃数据）。每个数据源都为网球运动员的表现和损伤预测提供了自己独特的信息。
2. 我们开发了一个**多模态**预测框架PART\mathtt{PART}，通过我们定义的运动员就绪评分（ARS）以及具有高损伤风险的身体部位，来预测网球运动员的表现能力和损伤易感性。我们的ARS是通过监督学习学习多个因素得到的：使用深度学习模型MLP和LSTM进行身体能力预测；使用XGBoost分类器进行损伤风险概率预测；使用XGBoost回归器进行整体健康状况预测；使用计算机视觉和动作分析技术进行比赛风格分析。比赛风格分析处理视频类型数据，而其他模型则侧重于文本类型数据。

本文结构如下：第二节 (https://arxiv.org/html/2608.25126#S2) 首先概述我们框架的架构。第三节 (https://arxiv.org/html/2608.25126#S3) 聚焦于数据收集、数据预处理和特征工程。第四节 (https://arxiv.org/html/2608.25126#S4) 展示了用于整体健康预测、损伤风险分类、身体能力预测和比赛风格分析的四个模型。第五节 (https://arxiv.org/html/2608.25126#S5) 展示了通过整合这些模型结果生成ARS的细节。第六节 (https://arxiv.org/html/2608.25126#S6) 展示了运动表现和损伤预测的相关工作。我们在第七节 (https://arxiv.org/html/2608.25126#S7) 总结本文并讨论未来工作。

## II 系统架构
基于收集和预处理的数据，我们开发了一个全面的系统架构来预测运动员健康和损伤风险。该架构整合了各种机器学习模型，并促进了从输入到输出的无缝数据流。图1 (https://arxiv.org/html/2608.25126#S2.F1) 展示了PART\mathtt{PART}的整体架构。它由数据输入层、预处理模块、四个分别学习网球运动员身体能力、损伤风险、整体健康和比赛风格的模型，以及一个用于生成输出的集成模型组成。这种模块化设计在处理多样化数据类型和按需集成新模型方面提供了灵活性和可扩展性。我们的框架始于从四个主要来源收集数据：提供睡眠和锻炼数据的WHOOP可穿戴设备、来自问卷的自我报告数据、来自专业医生的垂直跳数据以及比赛视频。前三个是文本类型数据，需要严格的预处理阶段，包括数据清洗和特征工程。PART\mathtt{PART}的核心是四个专门的预测模型：1) 一个身体能力预测模型，利用MLP和LSTM架构，基于数据的时间序列来预测运动员的身体就绪度；2) 一个损伤风险分类模型，采用XGBoost分类器，利用生理和自我报告数据来评估损伤概率；3) 一个整体健康预测模型，依靠XGBoost回归器，通过整合多个数据特征来评估运动员的总体健康状况。4) 一个比赛风格模型，基于比赛视频预测运动员的风格。我们选择XGBoost是因为其相比其他模型的最佳性能，详见第四节 (https://arxiv.org/html/2608.25126#S4)。这四个模型的输出在我们的集成模型中进行合成，以计算运动员就绪评分（ARS），从而对运动员的状况进行全面评估。ARS是一个范围在0到100之间的综合评分，较高的分数表示整体表现就绪度更好。例如，ARS达到90或以上表明运动员处于高强度训练或比赛的最佳状态，而低于60的分数可能表明需要额外的休息或恢复。在集成模型中，ARS将通过监督学习进行学习。详见第四节 (https://arxiv.org/html/2608.25126#S4)。此外，我们的框架还提供损伤部位预测，该预测来自损伤风险模型。请参阅图注：图 1：用于运动员健康和损伤风险预测的系统架构。

## III 数据收集与预处理
### III-A 数据收集
数据从九名大学网球运动员（男性：5名，女性：4名；年龄：20\.3 ± 1\.5 岁；身高：175\.2 ± 8\.7 厘米；体重：68\.9 ± 9\.2 公斤）处收集，时间跨度为16周。所有参与者均被告知研究程序并提供了书面同意。数据从四个不同的来源收集。图2 (https://arxiv.org/html/2608.25126#S3.F2) 展示了其中三个：每日在线*问卷*、垂直跳跃测试和比赛视频。此外，WHOOP可穿戴设备记录了客观的睡眠数据、连续的生理数据以及包含训练课程和比赛的详细锻炼数据。我们使用如图2 (https://arxiv.org/html/2608.25126#S3.F2)(b)所示的标准的每周或每两周一次的Sparta测试方案收集垂直跳跃数据，并收集如图2 (https://arxiv.org/html/2608.25126#S3.F2)(c)所示的比赛视频。我们收集的属性数量为85，条目数量为82804。请参阅图注 (a) 问卷， (b) Sparta跳跃， (c) 比赛视频。图 2：框架中使用的示例输入数据类型：(a) 关于运动员各方面情况的在线问卷，(b) 用于评估身体表现和准备状态的Sparta垂直跳跃数据，(c) 用于动作分析和比赛风格评估的比赛视频。WHOOP可穿戴指标也被框架使用，但未在此图中显示。

### III-B 数据预处理和特征工程
数据预处理涉及几个关键步骤，以确保数据质量和适合模型训练。这些步骤包括标准化缺失值、转换数据类型、填充缺失值、创建“损伤风险”目标变量、选择相关特征、处理多重共线性以及缩放数值特征。为了处理缺失值，数值特征如静息心率（bpm）将根据分布情况使用均值或中位数进行填充，而分类列（如活动名称）将使用最频繁的值（众数）进行填充。对于时间序列数据，缺失的时间戳（如锻炼开始时间）将进行前向填充以保持连续性。特征工程增强了模型捕捉数据内复杂模式和关系的能力。我们在此研究中使用了以下特征工程技术。为了解决偏斜分布并满足线性回归假设，我们对诸如“心率变异性（ms）”之类的变量应用了对数变换，以帮助规范化数据分布。在关键变量（如“活动负荷”和“睡眠时长（分钟）”）之间创建交互项，以捕捉对恢复的综合影响，使模型能够考虑到影响运动员健康的不同因素之间的相互作用。为了捕捉非线性关系