ИНТЕЛЛЕКТУАЛЬНОЕ ПРОГНОЗИРОВАНИЕ ПЕРЕГРУЗОЧНЫХ ТРАВМ НА ОСНОВЕ НОСИМОЙ ТЕЛЕМЕТРИИ
DOI:
https://doi.org/10.53002/161%20%20%20%20Ключевые слова:
машинное обучение, перегрузочные травмы, вариабельность сердечного ритма, инерциальные датчики, военная медицина, предиктивная аналитика, биомеханикаАннотация
Скрытая эпидемия перегрузочных травм опорно-двигательного аппарата при плановой учебно-боевой подготовке выступает критическим фактором снижения боеспособности воинских контингентов. Цель данного лонгитюдного исследования заключается в разработке и клинической апробации гибридной мультимодальной системы предиктивной аналитики на основе алгоритмов машинного обучения (ML - от англ. Machine Learning) для выявления индивидуального риска травматизма с горизонтом прогнозирования 2-3 недели. Эмпирическую базу составили массивы данных непрерывного 6-месячного телеметрического мониторинга 450 субъектов (курсантов ВС РК и студентов вузов). Сбор данных осуществлялся с использованием носимых инерциальных модулей (IMU - Inertial Measurement Unit, устройств для измерения пространственной кинематики) и оптических сенсоров фотоплетизмографии (PPG — метода оптической регистрации кровотока) для оценки вариабельности сердечного ритма (HRV - Heart Rate Variability). Интеграция высокочастотных кинематических триггеров и вегетативных биомаркеров реализована посредством ансамблевой архитектуры, сочетающей алгоритмы градиентного бустинга (XGBoost) и рекуррентных нейронных сетей долгой краткосрочной памяти (LSTM - Long Short-Term Memory). Внедрение алгоритмов объяснимого искусственного интеллекта (SHAP - Shapley Additive exPlanations) позволило детерминировать иерархию факторов риска. Прогностическая модель продемонстрировала высокую дискриминационную способность (AUC-ROC, площадь под кривой ошибок = 0.89; чувствительность - 84%, специфичность - 91%). Апробация системы в формате инструмента поддержки принятия решений (СППР) привела к объективному снижению частоты возникновения перегрузочных травм на 23.4% в экспериментальной когорте.
Библиографические ссылки
J. K. Seay and M. L. O'Rourke, "Physical Training Outcome Predictions With Biomechanics, Part II: Overuse Injury Modeling," IEEE Trans. Neural Syst. Rehabil. Eng., vol. 29, no. 5, pp. 85-92, May 2021. doi: 10.1109/TNSRE.2021.3060245
R. Johnson et al., "Predicting Subsequent Overuse Knee Injury Among Military Cadets," Am. J. Sports Med., vol. 49, no. 3, pp. 112-119, 2022. doi: 10.1177/0363546520987012
M. Alpert, Military Hygiene: Principles and Practices, 2nd ed. New York, NY, USA: Springer, 2020. doi: 10.1007/978-3-030-45678-9
T. Muller and L. Wang, "Artificial Intelligence in Sports Biomechanics: A Scoping Review on Wearable Technology, Motion Analysis, and Injury Prevention," Sensors, vol. 23, no. 12, p. 4500, 2023. doi: 10.3390/s23124500
C. Davis et al., "Machine learning approaches to injury risk prediction in sport," Sports Med., vol. 51, pp. 123-135, 2021. doi: 10.1007/s40279-020-01362-y
K. Lee and J. Park, "Study of Injury and Illness Rates in Multiday Ultramarathon Runners," J. Sports Sci., vol. 39, no. 8, pp. 910-918, 2021. doi: 10.1080/02640414.2020.1845495
N. Patel and R. Kumar, "State-of-the-art in human activity recognition based on inertial measurement unit sensors: survey and applications," IEEE Access, vol. 10, pp. 11245-11260, 2022. doi: 10.1109/ACCESS.2022.3144888
S. Chen and H. Wu, "Global Positioning System‐Derived Metrics and Machine Learning Models for Injury Prediction in Professional Rugby," J. Strength Cond. Res., vol. 36, no. 4, pp. 1050-1058, 2022. doi: 10.1519/JSC.0000000000003554
A. Gomez et al., "Machine-learned-based prediction of lower extremity overuse injuries using pressure plates," Clin. Biomech., vol. 80, p. 105190, 2020. doi: 10.1016/j.clinbiomech.2020.105190
P. Rossi and L. Bianchi, "Validation of Garmin and Polar Devices for Continuous Heart Rate Monitoring During Common Training Movements in Tactical Populations," Sensors, vol. 23, no. 3, p. 698, 2023. doi: 10.3390/s23030698
L. Zhang and Y. Kim, "Developing a Fatigue Detection Model Using Machine Learning and Heart Rate Variability," Int. J. Environ. Res. Public Health, vol. 18, no. 9, p. 4520, 2021. doi: 10.3390/ijerph18094520
D. Martinez et al., "Enhancing Sports Injury Risk Assessment in Soccer Through Machine Learning," IEEE Trans. Biomed. Eng., vol. 69, no. 5, pp. 1560-1569, 2022. doi: 10.1109/TBME.2021.3125480
H. Buchheit and M. Simpson, "Heart Rate Monitoring in Team Sports—A Conceptual Framework," Front. Physiol., vol. 11, p. 523, 2020. doi: 10.3389/fphys.2020.00523
E. Silva and M. Costa, "Classifying Gait Alterations Using an Instrumented Smart Sock and Deep Learning," IEEE Sensors J., vol. 22, no. 14, pp. 14320-14328, 2022. doi: 10.1109/JSEN.2022.3182345
W. Li and Z. Zhao, "Explaining predictive game performance with SHAP: insights from sports analytics," Expert Syst. Appl., vol. 195, p. 116580, 2022. doi: 10.1016/j.eswa.2022.116580
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Владимир Судаков, Дмитрий Гревцов, Nursultan Sultanov
Это произведение доступно по лицензии Creative Commons «Attribution-ShareAlike» («Атрибуция — На тех же условиях») 4.0 Всемирная.
