Новый ИИ предсказывает риск травм у теннисистов по данным с датчиков и видео
Международная группа исследователей разработала мультимодальный фреймворк Predictive Athlete Readiness for Tennis (PART), предназначенный для мониторинга состояния теннисистов и оценки краткосрочного риска травм. Работа опубликована на платформе arXiv (ID 2608.21530).
В отличие от традиционных подходов, которые часто полагаются на субъективные оценки экспертов, PART объединяет разнородные источники данных: физиологические показатели, параметры тренировок и матчей, информацию о сне с носимых устройств, результаты опросников, тесты вертикального прыжка и анализ движений из видеозаписей игр.
Система использует специализированные модели машинного и глубокого обучения, которые независимо извлекают четыре ключевые характеристики спортсмена: общее самочувствие, риск травмы, физические возможности и стиль игры. Затем специальный механизм взвешенной интеграции присваивает каждой модели адаптивный вес на основе ее надежности, что позволяет эффективно комбинировать разнородные модальности.
В ходе эксперимента данные собирались у девяти теннисистов колледжа. Результаты показали, что PART достигает высокой точности в мониторинге самочувствия и оценке краткосрочной предрасположенности к травмам. Авторы отмечают, что модель также применима для теннисистов-любителей, предоставляя персонализированные рекомендации для снижения риска травм и оптимизации производительности.
По словам исследователей, подобные мультимодальные подходы уже активно используются в футболе, баскетболе и борьбе, но в теннисе они были изучены недостаточно. Новая работа заполняет этот пробел и открывает перспективы для создания умных систем поддержки спортсменов, которые могут помочь тренерам и игрокам принимать более обоснованные решения о нагрузках и восстановлении.
Разработка находится на ранней стадии, однако авторы подчеркивают ее потенциал для массового применения — от профессионального спорта до любительских занятий, где возможность вовремя заметить признаки перегрузки особенно важна для предотвращения серьезных повреждений.
