《Sensors》：Characterization of Successful Patterns of Play in Field Hockey from Wearable Sensor Data
编辑推荐：
尽管全球定位系统（GPS）追踪技术不断进步，但对团队运动比赛模式的分析仍然具有挑战性。虽然个体运动员统计数据已有充分记录，但理解特定团队进攻成功的原因需要从时空数据中提取有意义的特征。本研究探讨的问题是：机器学习算法能否基于GPS衍生的团队移动模式有效表征曲棍
尽管全球定位系统（GPS）追踪技术不断进步，但对团队运动比赛模式的分析仍然具有挑战性。虽然个体运动员统计数据已有充分记录，但理解特定团队进攻成功的原因需要从时空数据中提取有意义的特征。本研究探讨的问题是：机器学习算法能否基于GPS衍生的团队移动模式有效表征曲棍球成功与不成功的进攻回合？研究人员分析了国际曲棍球联合会（FIH）组织的2018年男子曲棍球世界杯期间，一支国家男子曲棍球队的GPS数据。研究人员从经度和纬度坐标开发了新颖的基于团队的特征，包括球员接近度（约8–15 m的球员间距）、角球定位、通过离散小波变换（DWT）计算的运动能量，以及速度-加速度指标。使用随机森林（RF）对描述63次进攻回合（42次成功，21次不成功）的13个特征进行分类。成功被定义为进球、射正球门或攻入攻击圈。通过重复10次的5折交叉验证，随机森林模型的平均分类准确率为78%（95%置信区间[CI]：75–81%），受试者工作特征曲线下面积（AUC）为0.88（95%CI：0.85–0.91）。敏感性分析显示，剔除“对手”（Opposition）变量对预测性能影响极小（准确率77.1%，AUC 0.862），而留一场交叉验证在留出比赛中表现出可变性能（准确率60–82%，AUC 0.69–0.96）。最具区分度的特征是进攻期间的球员接近度、高最大加速度（>2.5 m·s?2）、参与运动员数量（9名以上）以及平均移动距离（约10 m）。进攻持续时间也很关键，成功的进攻持续3–6秒。当提取适当的团队导向特征时，机器学习能够有效地从GPS数据表征成功的曲棍球进攻。尽管新颖的基于小波的球员能量指标在当前形式下显示出负向预测贡献，但它仍可能在未来的负荷管理应用中具有潜力。这一计算方法框架具有推广到其他需要时空模式识别的团队运动的潜力。
论文解读：基于可穿戴传感器数据的曲棍球成功进攻模式机器学习表征
一、研究背景与问题
团队运动中的比赛模式分析一直是体育科学中的难点。尽管GPS（全球定位系统）跟踪技术不断进步，但以往研究大多聚焦于个体运动员的跑动距离、速度等统计指标，较少从团队协同层面解释进攻成败。团队运动的成功主要源于协调的集体行为而非孤立动作，然而现有方法往往缺乏对特定进攻回合成功与否的明确分类。视频标记分析、T-pattern分析、热图可视化等方法虽然能识别一些模式，但多偏向个体层面或未与进攻结果挂钩。曲棍球中的短角球和长角球具有明确的起止时间和结果判定，非常适合研究团队协调行为。因此，该研究旨在从GPS轨迹中提取团队级特征，利用机器学习算法判别进攻是否成功，并将计算结转化为可操作的教练建议。
二、研究概况与总体结论
研究人员使用了国际曲棍球联合会（FIH）组织的2018年男子曲棍球世界杯中一支国家队的GPS数据（10 Hz，Catapult OptimEye S5设备），对手为爱尔兰、法国、英格兰、中国和荷兰。研究编码了65个角球进攻，剔除2个数据质量问题后纳入63个进攻回合（42次成功，21次失败）。成功等级定义为：进球=3，射正球门=2，攻入攻击圈=1，失败=0；其中短角球因开始时球已在圈内，单纯圈进入不算成功。研究人员开发了13个团队级特征，包括球员接近度（Closeness）、角球定位、基于离散小波变换（DWT）的运动能量、速度-加速度指标等，并使用随机森林（RF）进行分类。重复5折交叉验证显示，模型平均准确率为78%（95%CI：75–81%），AUC（受试者工作特征曲线下面积）为0.88（95%CI：0.85–0.91），证明机器学习能够从GPS数据中有效识别成功进攻模式。最具判别力的特征是球员接近度、最大加速度、参与人数和平均距离。该框架可推广至其他需要时空模式识别的团队运动。
三、主要技术方法
数据来源于上述国家队在2018年世界杯期间对阵5支对手的比赛，所有场上球员佩戴10 Hz GPS设备。预处理时，以23米线作为空间阈值判断球员是否参与进攻，仅纳入越过该线的球员。特征包括：Opposition（对手）、Quarter（节次）、Time（持续时间）、Score_Differential（比分差）、Player_Past23（越过23米线的人数）、Mean_Max_Velocity（平均最大速度）、Mean_Max_Acceleration（平均最大加速度）、Mean_Team_Velocity（平均团队速度）、Mean_DistanceTrav（平均移动距离）、Corner_Positioning（角球起始位置离门距离）、Closeness（中位球员间距）、Proportion_of_Goal_Directional_Linear_Runs（朝向球门的线性跑动比例）、Mean_Player_Energy（基于DWT的球员平均能量）。建模采用随机森林（600棵树），以重复分层5折交叉验证（10次）评估性能，并用变量重要性（平均准确度下降）和部分依赖图解释模型。
四、研究结果
3.1 探索性数据分析与特征分布：通过可视化和分布比较发现，成功进攻的球员中位间距约为8–15 m，而不成功进攻更分散；成功进攻的持续时间集中在3–6秒；成功进攻中9名以上球员参与的比例更高；最大速度和加速度也更高。
3.2 随机森林分类性能：重复5折交叉验证的平均准确率77.98%（95%CI：74.93–81.02%），灵敏度57.2%，特异性88.53%，AUC 0.879；无信息率（NIR）为66.7%（p=0.038）。变量重要性分析显示，Closeness是最重要预测因子，其后依次是Mean_Max_Acceleration、Player_Past23、Opposition、Mean_Max_Velocity和Mean_Team_Velocity。敏感性分析中，剔除Opposition后性能基本不变（准确率77.1%，AUC 0.862）；留一场交叉验证的准确率在60–82%间波动，AUC在0.69–0.96间，但主要预测因子的重要性排序保持一致。
3.3 关键预测特征评估：部分依赖图显示，Closeness在约8–15 m时成功概率最高；平均移动距离约10 m；参与人数≥9；持续时间3–6秒；最大加速度>2.5 m·s
?2；最大速度约4.0 m·s
?1；平均团队速度<1.0 m·s
?1；比分差呈U型关系。对手特征显示，对荷兰和中国时成功概率较高，对爱尔兰时较低。
五、讨论与结论
讨论部分强调，Closeness的突出重要性提示成功进攻依赖紧凑、协调的站位，但该关联不等于因果关系；3–6秒的持续时间和约10米的移动距离说明成功进攻是爆发性、决定性的行动，而非慢速组织。研究还提出了实用的教练建议：保持8–15 m间距、强调高加速度和高速度、让9名以上球员参与、在3–6秒内完成进攻，以及针对不同对手进行战术准备。局限性包括样本量小（63次）、类别不平衡、单队单赛事、特征工程存在主观性、未评估编码者信度等。未来研究可扩展到防守角球、多类别结果、实时反馈系统，并优化小波能量指标。
结论部分（翻译）：研究人员开发并验证了一个从GPS追踪数据表征曲棍球成功进攻的机器学习框架。随机森林通过利用新颖的团队导向特征，特别是球员接近度（约8–15 m球员间距）和球员加速度，达到了78%的5折10次重复交叉验证准确率。留一比赛验证在留出比赛中产生可变的预测性能（准确率60–82%），反映了将预测推广到未见比赛的挑战。这些发现为教练提供了可操作的战术情报，同时证明小规模体育数据集可以通过仔细的特征工程产生稳健的见解。该方法具有推广到其他团队运动的潜力，为从时空追踪数据中提取战术知识提供了模板。未来工作应扩展到防守回合、完善基于小波的负荷指标、实施实时战术反馈系统，并使用来自更多比赛的大型数据集。
