《Sports》:Body Composition and Physical Fitness in Five-a-Side Soccer for the Blind Players: A Penalized Regression Approach
编辑推荐:
背景:盲人五人制足球(Five-a-side soccer for the blind, F5)是一项残奥会运动,其表现变量包括人体测量学因素和体能。然而,尽管已有这一认识,但利用算法识别该运动主要变量的表现分析科学文献仍然很少。目的:本研究的目标是(i)基于
背景:盲人五人制足球(Five-a-side soccer for the blind, F5)是一项残奥会运动,其表现变量包括人体测量学因素和体能。然而,尽管已有这一认识,但利用算法识别该运动主要变量的表现分析科学文献仍然很少。目的:本研究的目标是(i)基于身体成分和体能变量识别F5球员的关键表现指标;(ii)使用机器学习(machine learning, ML)算法对人体测量学和身体表现变量进行排序。材料与方法:研究人员开展了一项横断面研究,以描述F5球员的身体成分和体能水平。共有20名F5球员参与。为解决人体测量学变量的高维性和多重共线性,同时降低过拟合风险,实施了惩罚回归模型(弹性网络(Elastic Net)和套索(Lasso)算法)。结果:虽然未调整的双变量相关性提示身体成分与表现之间存在关联,但经错误发现率(False Discovery Rate, FDR)校正后均不显著(pFDR ≥ 0.05)。然而,正则化多变量模型分离出探索性候选变量。交叉验证性能在反向跳(countermovement jump, CMJ)跳高、CMJ功率、5-0-5变向(change of direction, COD)和20米冲刺中为零(R2cv = 0.00%),仅在0–5米速度中为中等(R2cv = 59.42%;RMSEcv = 0.08秒)。结论:在进攻球员与防守球员之间,未检测到人体测量学、身体成分或体能特征的统计学显著差异(p > 0.05)。惩罚化机器学习算法识别出一小组与特定身体任务相关的探索性候选变量。由于样本量较小(n = 20),这些模型应被视为探索性和假设生成性的。
盲人五人制足球(Five-a-side soccer for the blind, F5)是一项残奥会运动,参赛者为视力障碍人士,场上球员为B1级(完全失明)球员,并使用发声球以通过听觉和动觉获取信息。F5属于间歇性运动,运动表现受身体成分(body composition)和体能(physical fitness)等变量影响。然而,现有关于F5的科学文献中,利用算法系统识别关键表现变量的研究仍较匮乏,且身体成分与体能变量常被独立分析,难以确定其在比赛中的综合作用。为此,研究人员开展了一项横断面研究,旨在基于身体成分和体能变量识别F5球员的关键表现指标,并使用机器学习(machine learning, ML)算法对人体测量学和身体表现变量进行排序。
该研究以20名哥伦比亚国家盲人足球队的场上球员(11名进攻球员、9名防守球员)为样本,描述了其身体成分与体能水平,并采用惩罚回归模型(Elastic Net和Lasso算法)处理变量间的高维性和多重共线性。结果显示,进攻球员与防守球员在人体测量学、身体成分或体能方面均无统计学显著差异(p > 0.05)。未调整的双变量相关经错误发现率(False Discovery Rate, FDR)校正后均不显著,但惩罚化多变量模型识别出若干探索性候选变量。交叉验证性能仅在0–5米冲刺速度上达到中等水平(R
2cv = 59.42%),其余模型均未超过样本均值零模型。因此,这些模型应被视为探索性和假设生成性工具,而非确证的预测模型。该研究为F5运动员形态与机能特征的分析提供了新视角,展示了惩罚回归在小样本体育科学数据中筛选变量的潜在价值。
关键技术方法方面,研究人员采用横断面设计,招募哥伦比亚国家盲人足球队20名B1级男性场上球员。身体成分评估遵循国际运动人体测量学促进会(International Society for the Advancement of Kinanthropometry, ISAK)标准,使用生物电阻抗法测量体质量,并测量身高、皮褶厚度、围度等指标。体能测试包括反向跳(countermovement jump, CMJ)、5-0-5变向(change of direction, COD)测试和0–20米冲刺,使用手机应用程序采集数据。统计分析包括正态性和方差齐性检验、独立样本t检验或Mann-Whitney U检验、Spearman相关分析及Benjamini-Hochberg法FDR校正。针对32个人体测量学指标与20名样本的高维比,实施Elastic Net和Lasso惩罚回归,通过五折交叉验证选择正则化参数λ,并用500次Bootstrap重采样评估特征选择稳定性。所有分析均在RStudio中完成,并固定随机种子以保证可重复性。
研究结果部分首先描述了基础特征。表1显示,进攻球员与防守球员在身高、体质量等基本人体测量学指标上无显著差异。表2显示,肌肉质量占总体质量的37.53%至38.41%,体脂率在防守球员中为21.02%、进攻球员中为24.28%,八皮褶厚度总和为105.31至110.71毫米,均具有统计一致性。表3显示,CMJ功率(1669.18至1816.82瓦)和跳高(31.47至32.35厘米)两组对称;20米冲刺总时间为3.30至3.56秒,COD 5-0-5时间为4.86至5.15秒,均无显著位置差异。因此,数据被合并进行探索性分析。
3.1 通过正则化进行变量选择
为处理高维性和多重共线性,研究人员采用Elastic Net和Lasso回归,通过五折交叉验证自动将冗余系数收缩至零。对于CMJ功率,指定了限制为前五个候选预测因子的严格简约Lasso模型。所有标准化系数均被转换回原始物理单位,并通过数值重建示例验证代数一致性,证明这些方程仅是样本特定的描述性关联。
3.2 与垂直跳跃性能相关的形态学特征
对于CMJ跳高,Elastic Net仅保留髋围作为唯一探索性候选预测因子,回归方程为:跳高CMJ(厘米)= 33.2732 ? 0.0158 ×(髋围,厘米)。对于CMJ绝对功率,Lasso模型保留了体质量、BMI、屈臂围、小腿围和肌肉质量百分比(Lee法):功率CMJ(瓦)= 768.5968 + 2.3271 × 体质量 + 16.2537 × BMI ? 7.8498 × 屈臂围 + 18.4556 × 小腿围 ? 0.2193 × 肌肉质量(Lee)%。数值重建结果与样本均值一致,但仅表明数学转换无误。
3.3 敏捷性和冲刺阶段的人体测量学约束
对于COD 5-0-5总时间,模型仅保留脂肪质量(Kerr法)百分比:总时间(秒)= 4.8936 + 0.0035 × 脂肪质量(Kerr)%。对于0–5米初始速度,模型保留了身高、体脂率、肌肉质量百分比、肱三头肌皮褶、肱二头肌皮褶、腹部皮褶、大腿皮褶、髋围和骨质量(Rocha法)等多个变量,其方程重建样本均值1.0440秒,同样仅支持代数一致性。
3.4 交叉验证性能和重采样稳定性分析
五折交叉验证显示,0–5米速度模型具有中等探索性能力(R
2cv = 59.42%,RMSE
cv = 0.08秒),其中大腿皮褶(100.0% Bootstrap选择频率)、体脂率(99.4%)和肌肉质量百分比(99.2%)为潜在重要特征。然而,CMJ跳高、CMJ功率、COD 5-0-5和20米总时间的R
2cv均为0.00%,表明其样本外预测能力不优于样本均值零模型。因此,保留的非零系数只能解释为样本内描述性关联。
在讨论部分,研究人员将结果与已有文献比较。Lameira Oliveira等研究巴西精英F5球队时报告平均体脂率为19.3%,其中边锋最低(17.4%),中卫最高(23.1%);本研究中的哥伦比亚防守球员体脂率(21.02%)接近巴西中卫,进攻球员(24.28%)则更高。Durán-Agüero等报告的智利球员体脂率约22.8%,骨质量(11.7 ± 1.1千克)高于本研究。体能方面,尽管本研究未发现位置差异,但先前纵向研究报道了F5球员功率输出的改善。未调整的相关分析显示CMJ力与BMI(ρ = 0.606)、COD 5-0-5时间与八皮褶总和(ρ = 0.541)存在中度关联,但经FDR校正后均失去显著性,提示小样本双变量相关矩阵易产生假阳性。机器学习模型方面,Bongiovanni等使用Extra Trees Regressor发现肌肉面积、去脂体重和围度是职业足球表现的主要决定因素;Izhanov等则报告20米运球、射门等技术-战术变量占主导,仅体质量一个身体形态变量;而Emmonds等指出非残疾人足球运动员变向能力与肥胖变量无关。本研究中的模型赋予了人体测量学特征更大的相对重要性。研究局限包括横断面设计无法推断因果、样本量小(n = 20)、参数与样本比高(p = 32)以及非嵌套交叉验证可能带来的不稳定性。未来研究应开展纵向设计,纳入生理、生化、技术-战术等多维因素,并在更大样本中验证。
研究结论翻译如下:本研究未在该国家队队列中发现进攻球员与防守球员在人体测量学特征、身体成分或体能方面存在任何统计学显著差异。尽管在评估的球员样本中未观察到差异,但机器学习算法提出了一组初步的人体测量学和体能变量,这些特定方程中保留的特征描述的是样本特定的描述性关联,而非可推广或稳健的表现决定因素。未来研究可对所使用的模型进行验证。