論文の概要: Time-to-Injury Forecasting in Elite Female Football: A DeepHit Survival Approach

• arxiv url: http://arxiv.org/abs/2601.19479v1
• Date: Tue, 27 Jan 2026 11:11:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.292774
• Title: Time-to-Injury Forecasting in Elite Female Football: A DeepHit Survival Approach
• Title（参考訳）: エリート女子サッカーにおけるタイム・ツー・インケストリーの予測 : ディープハイト・サバイバル・アプローチ
• Authors: Victoria Catterall, Cise Midoglu, Stephen Lynch,
• Abstract要約: 本研究では,DeepHitニューラルネットワークを用いて,縦断的スポーツ選手モニタリングデータから外傷発生の予測が可能かを検討した。 この分析は、プロサッカー選手のトレーニング、試合、ウェルネス記録の2シーズンを含む、公開可能なサッカーモンデータセットを利用した。
• 参考スコア（独自算出の注目度）: 0.5980822697955565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Injury occurrence in football poses significant challenges for athletes and teams, carrying personal, competitive, and financial consequences. While machine learning has been applied to injury prediction before, existing approaches often rely on static pre-season data and binary outcomes, limiting their real-world utility. This study investigates the feasibility of using a DeepHit neural network to forecast time-to-injury from longitudinal athlete monitoring data, while providing interpretable predictions. The analysis utilised the publicly available SoccerMon dataset, containing two seasons of training, match, and wellness records from elite female footballers. Data was pre-processed through cleaning, feature engineering, and the application of three imputation strategies. Baseline models (Random Forest, XGBoost, Logistic Regression) were optimised via grid search for benchmarking, while the DeepHit model, implemented with a multilayer perceptron backbone, was evaluated using chronological and leave-one-player-out (LOPO) validation. DeepHit achieved a concordance index of 0.762, outperforming baseline models and delivering individualised, time-varying risk estimates. Shapley Additive Explanations (SHAP) identified clinically relevant predictors consistent with established risk factors, enhancing interpretability. Overall, this study provides a novel proof of concept: survival modelling with DeepHit shows strong potential to advance injury forecasting in football, offering accurate, explainable, and actionable insights for injury prevention across competitive levels.
• Abstract（参考訳）: サッカーにおける怪我の発生は、個人的、競争的、財政的な結果をもたらす、アスリートやチームにとって重大な課題となる。 これまでは障害予測に機械学習が適用されてきたが、既存のアプローチは静的プレシーズンデータとバイナリ結果に依存し、現実のユーティリティを制限していることが多い。 本研究では,DeepHitニューラルネットワークを用いて,経時的スポーツ選手の計測データから損傷の予測を行い,解釈可能な予測を行った。 この分析は、プロサッカー選手のトレーニング、試合、ウェルネス記録の2シーズンを含む、公開可能なサッカーモンデータセットを利用した。 データはクリーニング、機能エンジニアリング、そして3つの計算戦略の適用を通じて事前処理された。 ベースラインモデル (Random Forest, XGBoost, Logistic Regression) はベンチマークのためのグリッドサーチによって最適化され, マルチレイヤのパーセプトロンバックボーンで実装されたDeepHitモデルは, 時系列およびLeft-one-player-out (LOPO) 検証を用いて評価された。 DeepHitは0.762の一致指数を達成し、ベースラインモデルを上回っ、個別化された時間変化リスク推定を提供する。 Shapley Additive Explanations (SHAP)は、確立されたリスク要因と整合した臨床関連予測因子を同定し、解釈可能性を高めた。 DeepHitによるサバイバルモデリングは、フットボールにおける傷害予測を推し進める強力な可能性を示し、正確で説明可能な、そして行動可能な洞察を提供することで、競技レベルの障害予防に有効であることを示す。

関連論文リスト

• Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
  時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。 本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。 新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
  論文  参考訳（メタデータ） (2025-10-03T05:18:47Z)
• Deep operator network models for predicting post-burn contraction [41.94295877935867]
  火傷は世界的な健康上の課題となる。 焼傷後傷の進展の理解と予測は効果的な治療戦略の開発に不可欠である。 機械学習の最近の進歩、特にディープラーニングは、これらの予測を加速するための有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-11-21T19:57:29Z)
• RNN-BOF: A Multivariate Global Recurrent Neural Network for Binary Outcome Forecasting of Inpatient Aggression [3.789219860006095]
  患者の将来リスクを時系列データから学習する時系列手法を用いてモデル化することを提案する。 我々は、83人の実世界の患者を対象とした移動窓トレーニングスキームを用いて、攻撃的な事象の存在を表すメインバイナリ時系列を表現している。
  論文  参考訳（メタデータ） (2023-12-02T04:42:22Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
  CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。 本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。 以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T17:07:33Z)
• Transformer-based Time-to-Event Prediction for Chronic Kidney Disease Deterioration [0.0]
  STRAFEは、電子健康記録のための一般化可能な生存分析変換器ベースのアーキテクチャである。 STRAFEの性能は,慢性腎臓病3段階の患者130,000人以上の実世界のクレームデータセットを用いて評価した。 STRAFE予測は高リスク患者の肯定的な予測値を3倍に改善し、介入プログラムのターゲティングを改善するための使用法を示す。
  論文  参考訳（メタデータ） (2023-06-09T09:46:38Z)
• Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced Dataset and Benchmark [62.997667081978825]
  本稿では,交通事故における傷害の重大性を予測するために,機械学習アルゴリズムの性能を評価する新しいデータセットを提案する。 データセットは、英国運輸省から公開されているデータセットを集約することで作成される。
  論文  参考訳（メタデータ） (2022-05-20T21:15:26Z)
• Evaluation of soccer team defense based on prediction models of ball recovery and being attacked [0.8921166277011345]
  本研究では,ボールの回復と攻撃の予測に基づいて,チーム防御を評価する手法を提案する。 45試合のデータを用いて,提案する指標とチームパフォーマンスの関係を検討した。
  論文  参考訳（メタデータ） (2021-03-17T13:15:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。