Prédiction des blessures au Foot 5 à l'aide d'une méthode de machine learning
Résumé
Football is a popular team sport worldwide, with several variants, including Futsal, beach soccer, and five-a-side football (Fa5). While football has been extensively studied regarding injury prediction using machine learning techniques, Fa5 has received less attention. This study aims to develop a machine learning tool to prevent injuries in Fa5 practice by understanding the factors contributing to injuries. We collected data from 1827 participants through a questionnaire survey, including physical attributes, practice habits, and injury details. Using a tree-based approach, we reduced the dataset's dimension and selected a decision tree ensemble method, the random forest, to achieve better regularization. After crossvalidation, we adjusted the model's threshold cutoff to increase sensitivity to false negatives, which are more problematic than false positives in injury detection. The final model achieved a recall of 0.70 and an accuracy of 0.65, with physical attributes and duration of practice identified as important features.
Le football est un sport d'équipe populaire dans le monde entier, avec plusieurs variantes comme le futsal, le beach soccer et le foot 5 (Fa5). Si le football a fait l'objet d'études approfondies concernant la prédiction des blessures à l'aide de techniques d'apprentissage automatique, le Fa5 a reçu moins d'attention. Cette étude vise à développer un outil d'apprentissage automatique pour prévenir les blessures dans la pratique du Fa5 en comprenant les facteurs contribuant aux blessures. Les données anthropométriques, sportives et relatives aux blessures ont été recueillies auprès de 1827 participants par le biais d'un questionnaire. L'algorithme employé est un random forest, ce qui a permis de déterminer l'importance des variables en amont de la phase d'optimisation. Nous avons ajusté le seuil du modèle pour augmenter la recall aux faux négatifs, qui sont plus problématiques que les faux positifs dans la détection des blessures. Le modèle final a atteint un rappel de 0,70 et une accuracy de 0,65, les attributs physiques et la durée de l'entraînement étant identifiés comme des caractéristiques importantes.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |
