在资源受限条件下，面向大学级别足球训练负荷监测与运动表现风险预测的可解释人工智能模型的构建与验证

《Sport Sciences for Health》：Development and validation of an explainable artificial intelligence model for training load monitoring and performance risk prediction in university-level football under resource constraints

　　

摘要

人工智能在运动表现分析中的日益整合，主要聚焦于配备高成本追踪系统的高水平足球环境。然而，有限的研究探讨了在大学级别足球项目中实施可解释机器学习模型的情况，这些项目在财务和技术约束下运作。本研究旨在开发和外部验证一个可解释人工智能（XAI）模型，用于训练负荷监测和表现风险预测，仅使用低成本的内部负荷、基于现场的表现和身心状态指标。52名大学级别的男性足球运动员在为期八周的赛季期间受到监测，产生了1008个会话级别的观察数据。收集了内部负荷变量（每次训练的自觉用力程度评分、训练单调性、应变和急性：慢性工作负荷比）、神经肌肉表现指标（20米冲刺和反向跳跃）和每日身心状态测量数据。机器学习模型，包括逻辑回归、随机森林和极端梯度提升（XGBoost），被训练用于分类表现风险事件，定义为冲刺或跳跃表现下降≥5%。模型性能通过五折交叉验证和时间外部验证（第6-8周）进行评估。XGBoost模型展示了卓越的预测性能（交叉验证AUC = 0.91，时间验证AUC = 0.88），显著优于传统的急性：慢性工作负荷比方法（AUC = 0.62–0.64；p < 0.001）。基于SHAP的可解释性分析确定了身心状态指数（28%）、训练单调性（24%）和每次训练的自觉用力程度评分（18%）作为风险预测的主要贡献因素，突出了大学足球中表现适应的非线性和多维结构。这些发现表明，基于低资源指标的可解释机器学习模型可以为教育体育环境中的训练负荷监测提供准确、可解释和可扩展的决策支持框架。所提出的方法弥合了高水平足球和大学足球之间的技术差距，同时推进了应用运动科学中负责任和可解释的人工智能整合。