Athlete Injury Prediction: A Time Series Forecasting Method Based on Wearable Sensor Data and Deep Learning

Abstract

Athlete injuries pose significant challenges in sports, leading to performance declines, financial losses, and long-term health issues. This paper presents a novel approach for predicting injury risks using time series data from wearable sensors, integrating permutation entropy as a feature with an LSTM model enhanced by attention mechanisms. Synthetic data simulating 20 athletes’physiological metrics (heart rate, accelerometer, gyroscope) were generated to train and evaluate the model, incorporating realistic trends like gradual escalations in heart rate and accelerations to mimic pre-injury states. The dataset includes trends toward injury risks, enabling robust predictions and addressing data scarcity issues in real-world scenarios. Experiments demonstrate high performance: accuracy of 99.87%, precision of 100%, recall of 99.36%, F1-score of 99.68%, and AUC of 99.78%. Ablation studies confirm the value of permutation entropy, improving F1 by 0.13% through better capture of signal complexity. Cross-validation yields a mean accuracy of 99.79% with low variance (std 0.10%), underscoring model stability. Visualizations, including confusion matrices, ROC curves, and feature importances, highlight the model’s effectiveness in capturing injury precursors and provide interpretable insights for practitioners. This method advances early warning systems, potentially reducing injuries through proactive interventions and personalized training adjustments. Future work could incorporate real-world data for enhanced generalizability and explore hybrid models with additional modalities.

Травмы спортсменов создают серьезные проблемы в спорте, приводя к снижению производительности, финансовым потерям и долгосрочным проблемам со здоровьем. В этой статье представлен новый подход к прогнозированию рисков травм с использованием данных временных рядов, получаемых от носимых датчиков, и интеграции энтропии перестановок в качестве функции с моделью LSTM, улучшенной механизмами внимания. Для тренировки и оценки модели были сгенерированы синтетические данные, имитирующие физиологические показатели 20 спортсменов (частота сердечных сокращений, акселерометр, гироскоп), которые включают реалистичные тенденции, такие как постепенное увеличение частоты сердечных сокращений и ускорений, чтобы имитировать состояния до травмы. Набор данных включает тенденции к травмам риски, позволяющие делать надежные прогнозы и решать проблемы нехватки данных в реальных сценариях. Эксперименты демонстрируют высокую эффективность: точность 99,87%, прецизионность 100%, отзывчивость 99,36%, показатель F1 99,68% и AUC 99,78%. Исследования по удалению подтверждают значение энтропии перестановок, улучшая F1 на 0,13% за счет лучшего учета сложности сигнала. Перекрестная проверка дает среднюю точность 99,79% при низкой дисперсии (стандартное значение 0,10%), что подчеркивает стабильность модели. Визуализация, включающая матрицы путаницы, кривые ROC и значения характеристик, подчеркивает эффективность модели в выявлении предвестников травм и предоставляет практикам доступную для интерпретации информацию. Этот метод развивает системы раннего предупреждения, потенциально снижая травматизм за счет упреждающих вмешательств и индивидуальной корректировки обучения. В будущей работе можно было бы использовать реальные данные для повышения обобщаемости и изучить гибридные модели с дополнительными возможностями.