AI预测运动伤病助教练放心排兵布阵

　　职业体育是现代最热门的娱乐产业之一，人们喜欢看那些天赋异禀的运动员展示出的各种运动美感。而对于身处其中的运动员和教练员来说，伤病是挥之不去的阴影，虽然运动医学的发展有了很大的进步，但是能否避免伤病依然在很大程度上靠直觉和运气。现在数据科学家希望用机器算法的成果来帮助教练作出更好的判断，但是这并不容易。

　　2005年，17岁的足球运动员Alessio Rossi在比赛中右脚踝上撕裂了两条韧带，重伤结束了他进入职业球坛的梦想。如今，Rossi是意大利比萨大学的博士后研究员，在那里他收集和分析大量数据，以帮助顶级球队的球员更好的减少伤病。

　　一个在顶级球队（例如英超联赛）效力的球员将身着紧身球衣，上面装有GP、加速度计、陀螺仪和数字罗盘。当他们进行训练时，传感器会跟踪他们的心率，速度和跑动的距离。“我们在整个赛季中都会跟随一个团队，在训练和比赛中记录GPS数据，” Rossi解释说。然后，他使用机器学习来尝试分析数据，给出球员在接下来的几天或几周内受伤的可能性。

　　训练量和伤病是一对矛盾。足够的训练可以提高球员的竞技水平，并保持良好的身体状态，但是同时也增加了身体承受的压力，积累了潜在的疲劳度，从而更有可能导致伤病。目前的状况下，球员依靠教练的直觉和经验来预测他是否会受伤，从而调整他的训练和比赛的频率。

　　根据之前的研究成果，职业球员每运动1000小时会有2.5到9.4次受伤，其中大约三分之一是来自过度疲劳，因此这种伤病是可预测的。大多数轻伤持续一周左右，但反复出现的—约占总数的15%—伤病往往需要更多的休息。在这段时间里，球员的身体和精神状态都会下降，他们的职业生涯可能会因此受到影响。而在他们的养伤休战期间，也可能增加队友的工作量，也增加了受伤的概率。最著名的例子莫过于外星人罗纳尔多，这位超级巨星的职业生涯几乎一半时间都在养伤，而不是在场上进球。

　　在职业体育界之外，这个问题更加严重。那些有志于某个项目的青少年运动员可没有职业运动员那样好的训练条件，也缺乏高水平的教练和队医。他们仗着“年轻”，经常超量运动，希望尽快提高水平以增加进入职业体育界的概率。因此，青少年足球运动员的受伤率可能高达每1000小时运动量有19.4次受伤。

　　用传统方法评估训练量和预测伤病完全靠经验，这依然很有价值，但也有局限性。Rossi的目标是帮助教练员将他们的直觉与数据显示的结果结合起来。要做到这一点，第一步是收集尽可能多的信息。在一项试验中，他的团队使用插入衣服的传感器包来监测26名职业球员，在23周的时间里记录了931次个人训练课程。研究人员从中提取了12个变量，包括总跑动距离、每秒超过5.5米的冲刺距离，以及对身体造成额外压力的高强度启动和急停的次数。

　　在其他运动中，要收集的最有用的数据可能有所不同。例如，棒球运动员可以佩戴带有加速器的智能袖子，测量关节角度、速度和压力，而花样滑冰运动员可以在臀部安装加速器和陀螺仪，记录跳跃情况。耳环、连体衣、背心或带子可以测量心率和氧饱和度，腕带可以记录睡眠质量和体温。一些体育科学家还加入了背景数据，如球员的情绪、身体质量指数和以前的伤病，以及球员在一定时期内喝了多少水，最近乘坐巴士或飞机走了多远。

　　得到各种数据之后，Rossi 使用一种有监督的机器学习技术，根据不同的变量提出一系列问题以得出结论—决策树分类器。Rossi 的模型中的变量涵盖了上述的大部分数据。通过对数据提出一系列问题，该系统能够预测80%的伤害—尽管对于一些反复出现的健康问题，如特定的扭伤和拉伤，该系统几乎每次都能发现警告信号。

　　其他研究人员使用罗西基于决策树的方法的变种，如 “随机森林 ”或 “梯度提升” 技术，这些技术使用多个决策树来逐步改善预测。另一种机器学习技术，即所谓的深度神经网络，可以给出的准确性更高。因此尽管神经网络算法在许多科学领域都很受欢迎，但罗西认为这种方法目前在体育领域是行不通的——这种算法是一个黑箱，人们不知道算法是基于什么理由给出结果的，其结论背后的逻辑很难解释。而这个原因恰恰是很重要的：教练们想知道运动员为什么可能受伤，而不仅仅是他们会受伤。因此Rossi 宁愿降低算法的准确性，也要提供可以解释的结果。

　　都柏林Kitman Labs的数据科学家Derek McHugh同意这种观点，他强调，在团队运动中，解释算法如何得出结论的逻辑是最重要的。他说：“如果教练不能准确的理解为什么算法会预测某个队员有可能受伤，他就不能采取有效行动来降低队员受伤的风险”。当运动员受伤时，他想知道哪些因素是他和球队可以控制的，哪些是不可控的因素——比如对手的严重犯规行为。

　　体育正在逐渐进入一个新时代，人工智能可能会充当助理教练。算法可以让一个青少年更加科学地训练，避免职业生涯中的伤病，或者帮助一个职业运动员延长运动生涯。与McHugh合作的团队已经看到伤病减少了5%到40%。然而，并不是每个教练都乐意与人工智能联手的。“教练们有时感觉不好，因为这似乎是在试图取代人的因素，”Rossi 说。但在现实中，数据只是一种工具。他说：“对结果的解释，对训练负荷的改变，是由教练来完成的。”

　　McHugh同意必须由人来做出最后的决定：一旦运动员在某一天的受伤概率从受伤模型中输出，运动员或教练就必须决定预测的风险是否可以接受，这取决于更多的因素。比如那天可能有一场重要的比赛，而且该球员可能对球队特别重要。即使预测的受伤概率可能高达70%，教练可能愿意冒这个险，甚至是不得不冒这个险。

　　显而易见，科学家没想抢教练的饭碗，他们只是认为教练将多年的经验与机器的分析性见解结合起来，比完全依赖直觉会更有优势。随着数据的不断积累以及算法变得更加强大，由人工智能作出的受伤预测将会越来越准确。