基于纵向运动员监测数据的次日健康风险预测：自适应风险感知可解释结构增强网络（ARISE-Net）

《Scientific Reports》：ARISE-Net enables interpretable next-day wellness-risk prediction from longitudinal athlete monitoring data

　　

摘要

纵向运动员监测数据为预判短期健康恶化状态并支持主动的训练负荷管理提供了机会，但许多现有的运动损伤与健康预测研究依赖于小规模静态表格数据集、薄弱的泄漏控制、有限的校准分析以及不够完善的可解释性程序。我们提出了 ARISE-Net（自适应风险感知可解释结构增强网络），一种用于次日运动员健康风险预测的时间风险表示框架。给定包含每日训练负荷和自我报告健康通道的 14 天回溯窗口，ARISE-Net 结合了输入特征注意力、双向循环时序编码器、基于原型的特征分组、双路径局部-结构融合，以及使用监督焦点损失目标和 KL 正则化训练的变分风险头。学习到的时序风险嵌入随后通过仅在验证集上进行的堆叠整合到一个梯度提升主干网络中。主要评估在纵向 SoccerMon 语料库上进行，该语料库包含 50 名精英女子足球运动员在两个赛季中的监测数据。任务是根据 15 个每日监测通道预测次日感知的压力升高，采用按时间分离的同组内留出验证方案，并辅以按受试者分组的评估以检验对未见运动员的泛化能力；正类患病率为 0.258。在十五种方法中，ARISE-Net 取得了最高的 PR-AUC 点估计值（0.880；受试者聚类自助法 95% 置信区间 [0.849, 0.906]），F1 分数为 0.832，MCC 为 0.768。在 ARISE-Net 与最强的现代基线模型（包括 FT-Transformer 和 CatBoost）之间，PR-AUC 或 AUROC 未检测到具有统计学显著性的差异。相比之下，在配对受试者聚类检验中，ARISE-Net 显著优于二元持续基线以及多种传统基线方法，包括逻辑回归、KNN、朴素贝叶斯和决策树。一项补充的运动员分组评估保留了模型的相对排名，但绝对性能有所降低（折均值 PR-AUC 0.812?±?0.034），表明研究结果并非仅由运动员身份驱动。可解释性通过一个有界的多方法程序进行评估：注意力被视为内部定位信号，并与 SHAP 值、排列重要性、时序注意力画像、逐日通道注意力图以及逐层表示可分性进行交叉验证。这些分析将模型的焦点定位于近期疲劳和压力动态，但并未被解读为因果证据。在 SIRP、UFIP 和 AIP 上的辅助实验仅作为静态表格合理性检查予以保留。由于主要证据来自单一精英女子足球队列和主观健康终点，在进行广泛部署之前，需要跨运动项目、性别、监测系统以及经临床认定的损伤结局进行外部验证。