The prediction of the running injuries based on selfreported training data on load is difficult. At present, coaches and researchers have no validated system to predict if a runner has an increased risk of injuries. We aim to develop an algorithm to predict the increase of the risk of a runner to sustain an injury. As a first step Self-reported data on training parameters and injuries from high-level runners (duration=37 weeks, n=23, male=16, female=7) were used to identify the most predictive variables for injuries, and train a machine learning tree algorithm to predict an injury. The model was validated by splitting the data in training and a test set. The 10 most important variables were identified from 85 possible variables using the Random Forest algorithm. To predict at an earliest stage, so the runner or the coach is able to intervene, the variables were classified by time to build tree algorithms up to 7 weeks before the occurrence of an injury. By building machine learning algorithms using existing self-reported training data can enable prospective identification of high-level runners who are likely to develop an injury. Only the established prediction model needs to be verified as correct.
In het RAAK-project, genaamd Groningen MAPS, is er veel data en kennis vergaard van waaruit antwoorden zijn geformuleerd op verschillende vragen rondom belasting en belastbaarheid van (top)sporters. Het onderzoek naar de factoren die invloed hebben op de prestaties en het blessurerisico van sporters heeft opgeleverd dat we nu meer inzicht hebben in de informatie die nodig is om gericht te zoeken naar verbanden tussen belasting en belastbaarheid. We hebben echter nog niet gekeken naar de data vanuit een datamining perspectief. Datamining is het gericht zoeken naar verbanden in een database met als doel het opstellen van profielen. Deze profielen kunnen nieuwe inzichten geven waardoor sporters van nog betere feedback voorzien kunnen worden. Het doel van het Top-up project is om kennis te ontwikkelen over het automatiseren van de verwerking en analyse van datastromen. Dit zal leiden tot een datasysteem wat automatisch analyses uitvoert achter de schermen. Met dit datasysteem kan de Groningen MAPS-data verder geanalyseerd worden (door middel van datamining) om nieuw inzicht te verkrijgen op het gebied van patronen in belasting en belastbaarheid van (top)sporters.
In het RAAK-project, genaamd Groningen MAPS, is er veel data en kennis vergaard van waaruit antwoorden zijn geformuleerd op verschillende vragen rondom belasting en belastbaarheid van (top)sporters. Het onderzoek naar de factoren die invloed hebben op de prestaties en het blessurerisico van sporters heeft opgeleverd dat we nu meer inzicht hebben in de informatie die nodig is om gericht te zoeken naar verbanden tussen belasting en belastbaarheid.We hebben echter nog niet gekeken naar de data vanuit een datamining perspectief. Datamining is het gericht zoeken naar verbanden in een database met als doel het opstellen van profielen. Deze profielen kunnen nieuwe inzichten geven waardoor sporters van nog betere feedback voorzien kunnen worden. Het doel van het Top-up project is om kennis te ontwikkelen over het automatiseren van de verwerking en analyse van datastromen. Dit zal leiden tot een datasysteem wat automatisch analyses uitvoert achter de schermen. Met dit datasysteem kan de Groningen MAPS-data verder geanalyseerd worden (door middel van datamining) om nieuw inzicht te verkrijgen op het gebied van patronen in belasting en belastbaarheid van (top)sporters.
Er ontstaan in Nederland veel blessures als gevolg van overbelasting in alle lagen van de sport. Hoe kunnen deze blessures worden voorkomen? Insteek van dit project is het gebruik van (sensor)technologie en big data analyse voor het vroegtijdig detecteren van signalen van overbelasting en daarmee het voorkomen van blessures. Een grote hoeveelheid technologie wordt momenteel al gebruikt voor het meten aan sporters (quantified self). Professionele sportclubs investeren in dure systemen. Diepte-interviews tonen echter aan dat er twee grote problemen zijn: ten eerste de grote hoeveelheid data en ten tweede de kennis voor een juiste interpretatie van de data benodigd voor een omzetting naar een trainingsadvies. Computermodellen opgebouwd uit systematische data-analyse van de enorme hoeveelheden trainingsdata en aangevuld met domeinkennis kunnen deze problemen oplossen. Er is behoefte aan een systeem waarin informatie uit verschillende bronnen in één systeem wordt opgeslagen en toegankelijk gemaakt om vervolgens geïntegreerd geanalyseerd te kunnen worden. Individuele profielen moeten gebouwd worden uit de data voor een snelle, automatische interpretatie. Hiermee kan grensbewaking voor overbelasting plaatsvinden en kunnen trainingsaanpassingen gedaan worden waar nodig. Vanuit deze behoefte richt het project zich op de praktijkvraag “Hoe kunnen we een praktisch toepasbaar gereedschap ontwikkelen dat valide de externe en interne trainingsbelasting kan meten, de (para)medische staf en/of fysiek trainer helpt bij het detecteren van (potentiële) overbelasting en daarmee helpt bij het plegen van de juiste interventies voor het voorkomen van blessures?”. Het principe van een dergelijke ‘belastingmonitor’ is al aangetoond. Voor een volwaardig prototype zal echter zowel het computermodel als de gebruikersapplicatie technisch gezien moeten worden doorontwikkeld, geoptimaliseerd, uitgebreid en vooral getest. Daar richten de onderzoeksvragen van dit project zich op. De focus ligt in eerste instantie op het (betaalde) voetbal, maar kan ook naar andere teamsporten en de breedtesport vertaald worden.
