Prevention of Injury in Sports: Fatigue Analysis, Predicting the Difference between Intent and Perception, and Lost Time Injury Forecasting = 스포츠 부상 예방: 피로도 분석, 의도와 자각의 차이 예측, 시간 손실 부상 예측

다국어 초록 (Multilingual Abstract)

Injury prevention in sports requires comprehensive monitoring of players' physical and psychological status. While numerous studies have provided valuable insights into specific facets of injury risk, these efforts have often remained fragmented in scope. Considering the multifactorial nature of injuries, integrating diverse perspectives into a unified framework is essential for proactive prevention strategies. To address this, this study proposed a multifaceted analytical approach that combines external load, internal load, and athlete self-report measures. Specifically, the multifaceted analysis in our framework refers to providing decision-support indicators at distinct time points, particularly before and after training. The research questions to guide our study reflect our proposed approach. First, given the observation that the same physical activity may lead to varying fatigue among different players, we ask whether consistently higher perceived fatigue from similar physical activities correlates with greater susceptibility to injury, thereby proposing a model to predict internal load based on external load after training. Second, recognizing the difference between a coach's intent and a player's perception during planning and execution of the training, we question whether predicting the difference could facilitate injury prevention, leading to a model predicting the difference between rate of intended exertion and rate of perceived exertion before training. Finally, considering the critical role of physical and psychological status in injury risk, we inquire if injury probabilities based on athlete self-report measures could support decision-making, thus proposing a model for predicting lost time injuries on the day before training.
To address these questions, we proposed three artificial intelligence-based models contributing towards a data-driven approach to injury prevention in sports. This study makes five major contributions. First, it highlights the importance of integrated monitoring across external load, internal load, and athlete self-report measures. Second, it proposes a model for predicting fatigue corresponding to physical activity. Third, it proposes a model for predicting player responses to intended training intensity. Fourth, it provides a model for injury prediction based on physical and psychological status. Finally, it delivers a comprehensive framework that enables multifaceted analysis of injury prevention and management before and after training.

국문 초록 (Abstract)

스포츠 부상 예방은 선수의 신체적 및 심리적 상태에 대한 포괄적인 모니터링을 요구한다. 기존의 많은 연구들이 부상 위험의 개별적인 측면에 대해 유의미한 인사이트를 제공해왔지만, 그 범위는 각 연구의 영역에 파편화되어 있는 경우가 많았다. 부상이 다요인적인 성격을 갖는다는 점을 고려할 때, 스포츠 부상에 대한 다양한 관점을 통합한 프레임워크의 구축은 선제적인 부상 예방 전략의 수립을 위해 필수적이다. 본 연구는 이러한 필요성에 대응하기 위해 외적부하, 내적부하, 선수 자가보고 척도를 통합한 다각적 분석 접근법을 제안한다. 특히 본 프레임워크의 다각적 분석이란, 훈련 전후의 구분된 시점에 따라 부상 예방을 위한 다양한 의사결정 지원 지표를 제공하는 것을 의미한다. 본 연구를 이끄는 주요한 연구 질문은 다음과 같다. 첫째, 동일한 신체 활동을 수행하더라도 각 개별 선수에게 서로 다른 피로도를 유발한다는 점에 착안하여, 지속적으로 더 높은 피로도를 인지하는 선수들은 부상 위험에 노출되지 않을까 하는 질문과 함께 훈련 후 외적부하를 기반으로 내적부하를 예측하는 모델을 제안한다. 둘째, 훈련을 계획하고 실행하는 과정에서 코치의 의도와 선수의 인식 간의 차이에 주목하여, 이 차이를 사전에 예측함으로써 부상 예방에 기여할 수 있는지에 대한 질문과 함께 의도된 운동강도와 자각된 운동강도의 차이를 예측하는 모델을 제시한다. 셋째, 부상 위험을 결정하는 데 있어 선수의 신체적 및 심리적 상태가 핵심이라는 점에서, 훈련 전날까지 수집된 선수 자가보고 척도를 기반으로 향후 훈련에서의 부상 발생 가능성을 예측할 수 있는지에 대한 질문과 함께 시간 손실 부상 예측 모델을 제안한다.
위의 세 질문에 기반한 연구를 수행하여, 본 연구는 세 가지 인공지능 기반 예측 모델을 제안하고 데이터 기반의 스포츠 부상 예방에 공헌한다. 본 연구의 주요한 학문적 기여는 다음 다섯 가지로 요약된다. 첫째, 외적부하, 내적부하, 선수 자가보고 척도를 통합한 모니터링의 중요성을 강조한다. 둘째, 신체 활동에 따른 피로도를 예측하는 모델을 제안한다. 셋째, 코치가 의도한 운동강도에 대한 선수의 반응을 예측하는 모델을 제안한다. 넷째, 신체적 및 심리적 상태를 기반으로 부상을 예측하는 모델을 제시한다. 마지막으로, 훈련 전후의 시점을 포괄하는 부상 예방 및 관리를 위한 다각적 분석 프레임워크를 제안한다.

목차 (Table of Contents)

• Abstract i
• Contents v
• List of Tables vii
• List of Figures ix
• Chapter 1 Introduction 1
• Chapter 2 Literature Review 13
• 2.1 Athlete Self-Report Measures and Training Load 13
• 2.2 Predicting Rate of Perceived Exertion 17
• 2.3 Injury Forecasting 20
• Chapter 3 Fatigue Analysis with GPS Data and Rate of Perceived Exertion 24
• 3.1 Background 24
• 3.2 Proposed Framework 27
• 3.2.1 Problem Definition 27
• 3.2.2 Data Description and Notation 28
• 3.2.3 Model Construction 30
• 3.3 Experiments 31
• 3.3.1 Data Preparation 31
• 3.3.2 Experimental Settings 33
• 3.3.3 Experimental Results 35
• 3.4 Summary 39
• Chapter 4 Predicting the Difference between Rate of Intended Exertion and Rate of Perceived Exertion 41
• 4.1 Background 41
• 4.2 Proposed Framework 45
• 4.2.1 Problem Definition 45
• 4.2.2 Data Description and Notation 47
• 4.2.3 Feature Engineering 51
• 4.2.4 Model Construction 53
• 4.3 Experiments 57
• 4.3.1 Data Preparation 57
• 4.3.2 Experimental Settings 61
• 4.3.3 Experimental Results 64
• 4.4 Summary 70
• Chapter 5 Lost Time Injury Forecasting using Athlete Self-Report Measures 72
• 5.1 Background 72
• 5.2 Proposed Framework 75
• 5.2.1 Problem Definition 75
• 5.2.2 Data Description and Notation 76
• 5.2.3 Feature Engineering 81
• 5.2.4 Model Construction 83
• 5.3 Experiments 85
• 5.3.1 Data Preparation 85
• 5.3.2 Experimental Settings 88
• 5.3.3 Experimental Results 90
• 5.4 Summary 97
• Chapter 6 Conclusion 99
• Bibliography 103
• 국문초록 122