AI-система аналізу продуктивності спортсменів
Спортивна аналітика продуктивності - одна з найбільш data-intensive областей застосування ML. Професійні клуби АПЛ, NBA, MLB вкладають мільйони в системи, які перетворюють GPS-треки, біометричні дані та відео на actionable insights для тренерського штабу.
Джерела даних
GPS/IMU-відстеження:
- Catapult Sports, STATSports, Polar: пристрої у жилетах гравців
- Метрики: швидкість, прискорення/уповільнення, дистанція, sprint count
- Частота: 10-100 Гц (GPS) + 1000 Гц (акселерометр)
- Виробничі: навантаження гравця, дистанція бігу на високій швидкості, механічна робота
Відеоаналітика:
- OPTA / StatsBomb: дані подій з відеовідстеження (xG, xA, тиск)
- STATSports Vision / Second Spectrum: автоматичне відстеження позиції 25 кадрів/с
- Computer Vision: skeleton tracking (MediaPipe, OpenPose) для біомеханіки
Біометричні дані:
- HR монітори: Polar H10, Garmin HRM-Pro
- HRV (варіабельність серцевого ритму): індикатор відновлення та перетренованості
- Відстеження сну: Whoop, Oura Ring
- Lactate testing: лабораторні дані прямого виміру
RPE (коефіцієнт сприйнятого фізичного навантаження): Суб'єктивна оцінка зусилля 1-10 після тренування/гри — один із найкращих предикторів ризику травми.
Показники ефективності
Фізичні ключові показники ефективності:
фізичні_метрики = {
'total_distance_km': session_total_distance / 1000,
'hsr_distance_km': high_speed_running_m / 1000, # >5.5 м/с
'sprint_distance_km': sprint_distance_m / 1000, # >7.0 м/с
'accel_decels_count': кількість(прискорення > 2.5 або уповільнення > 2.5),
'max_speed_ms': максимальна швидкість сеансу,
'player_load': catapult_player_load,
'explosive_distance': explosive_acceleration_distance
}
Технічні ключові показники ефективності (з даних подій):
- Коефіцієнт успішного завершення, PPDA (інтенсивність натискання)
- xG, xA, очікувана загроза (xT)
- Коефіцієнт підбору м'яча, % виграних поєдинків
Моделювання втоми
Співвідношення гострого та хронічного навантаження (СГН):
def acwr(тижневі_навантаження, acute_window=1, chronic_window=4):
"""
Оптимальна зона ACWR: 0.8-1.3
ACWR > 1.5 → високий ризик травми навантаження (40% вище baseline)
ACWR < 0.8 → недозавантаження, низька участь
"""
гострий = np.mean(тижневі_навантаження[-гостре_вікно:])
хронічний = np.mean(тижневі_навантаження[-хронічне_вікно:])
повернути гострий / хронічний якщо хронічний > 0 інакше 1.0
Відновлення на основі HRV: Середньоквадратичне значення послідовних різниць (RMSSD) з HRV:
- Зниження RMSSD на 15% + vs. personal baseline → знижена готовність
- Тренд зниження 3+ дня → накопичена втома, потрібен розвантажувальний день
Прогнозування ризику травм
Характеристики:
особливості_ризику_травми = {
'acwr': acwr(завантаження_за_останні_4_тижні),
'hrv_deviation': (hrv_today - hrv_baseline) / hrv_baseline,
'сукупна_втома': сума(оцінки_втоми_за_останні_7_дні),
'днів_з_відпочинку': днів_з_повного_дня_відпочинку,
'попередні_травми': бінарна_історія_травм,
'вік': вік_гравця,
'session_rpe': суб'єктивна оцінка зусиль,
'якість_сну': показник_відстеження_сну,
'muscle_soreness_reported': біль, про який повідомлялося самостійно
}
модель_ризику_інвазії = LightGBMClassifier().fit(X_train, y_invasion)
сьогоднішній_ризик = модель_ризику_травми.predict_proba([особливості_сьогодні])[:, 1]
Цільова метрика: AUC 0.70-0.80 на prospective validation (наступний місяць, не у вибірці). Більш висока точність – ймовірно overfit.
Управління навантаженням та періодизація
Формування тренувального плану:
- Phase classification: підготовчий, передсезонний, у сезоні, пост-матч
- хвиля навантаження: 3 тижні накопичення + 1 тиждень розвантаження
- Individual thresholds: кожен гравець має персональні пороги навантаження
RL для тренувального планування: Agent оптимізує план тренувань на тиждень:
- Стан: поточна фізична форма, втома, ризик травмування, графік
- Actions: тренувальний обсяг та інтенсивність
- Винагорода: максимальне покращення фізичної форми − ймовірність травми
Порівняльна аналітика
Бенчмаркінг:
- Порівняння з найкращими гравцями ліги на аналогічних позиціях
- Z-score метрик: наскільки вище/нижче середнього
- Radar chart: візуалізація профілю гравця
Відстеження розвитку талантів: Young players: trajectory модель - як має виглядати прогрес за роками. Випереджає траєкторію → accelerated development.
Dashboard для тренера
- Табло готовності гравця: готовий / обережно / обмежено / недоступний
- Weekly load summary для кожного гравця
- Injury risk heatmap на наступний тиждень
- Індивідуальні та командні показники
- Trend charts: фізична форма динаміка за сезон
Стек: TimescaleDB для сенсорних даних, Grafana для dashboards, FastAPI для ML-інференсу, React для custom тренерського інтерфейсу.
Терміни: GPS аналітика + ACWR + базові dashboards - 6-8 тижнів. Система з injury prediction, HRV-інтеграцією та periodization planning - 4-5 місяців.