論文の概要: Landmark-Based Discrimination of Injury-Associated Athlete-Sessions from Minute-Resolution Multimodal Football Monitoring Data

• arxiv url: http://arxiv.org/abs/2609.03790v1
• Date: Thu, 03 Sep 2026 13:00:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.061981
• Title: Landmark-Based Discrimination of Injury-Associated Athlete-Sessions from Minute-Resolution Multimodal Football Monitoring Data
• Title（参考訳）: 短時間のマルチモーダルフットボールモニタリングデータによる傷害関連スポーツセッションのランドマークによる識別
• Abstract要約: スポーツ選手の監視データは、試合やトレーニングセッションを通して数分ごとに記録され、一方、怪我情報は、セッション全体が負傷関連であるかどうかのみを示す。 同じセッションレベルラベルを毎分割り当てると、セッション内障害の発症が不明であったとしても、障害状態が正確な時間毎に分かっていることが暗示される。 毎分ラベルを付けるのではなく、その時点まで観測された情報を用いて、各ランドマークにアスリートのセッション毎に1つの表現を構築します。
• 参考スコア（独自算出の注目度）: 0.2614050967550738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Athlete monitoring data may be recorded minute by minute throughout a match or training session, while injury information may only indicate whether the entire session was injury-associated. This creates a modelling problem: assigning the same session-level label to every minute would imply that injury status is known at each exact time, even though within-session injury onset is unknown. Our novelty is a fixed-landmark, one-representation-per-athlete-session formulation that directly addresses this mismatch. Instead of labelling every minute, we construct one representation per athlete-session at each landmark using information observed up to that point. This keeps the target at the session level and avoids unsupported minute-level injury supervision. A landmark is a fixed time point within the same session, such as 10, 20, or 30 minutes. At each landmark, we assess whether the whole session is injury-associated or non-injury-associated and examine how discrimination changes as more within-session information becomes available. Using 2020 SoccerMon data, we analyse 3,743 athlete-sessions from 48 elite women's football athletes, including 22 injury-associated sessions from five athletes. We evaluate pre-session, cumulative, dynamic, and combined representations with athlete-disjoint validation, athlete-cluster bootstrap uncertainty, common-cohort sensitivity analysis, alternative negative-athlete fold allocations, equal-athlete weighting, and Logistic Regression, Random Forest, and XGBoost benchmarks. Primary CUM+DYN Logistic Regression yields ROC-AUC 0.367-0.607 and PR-AUC 0.0080-0.0150 across landmarks, with wide uncertainty. PRE-containing representations show higher point estimates at several landmarks but remain uncertain.
• Abstract（参考訳）: スポーツ選手の監視データは、試合やトレーニングセッションを通して数分ごとに記録され、一方、怪我情報は、セッション全体が負傷関連であるかどうかのみを示す。 同じセッションレベルラベルを毎分割り当てると、セッション内障害の発症が不明であったとしても、障害状態が正確な時間毎に分かっていることが暗示される。 私たちの新奇性は固定されたランドマークであり、このミスマッチに直接対処する1対1のセッションの定式化です。 毎分ラベルを付けるのではなく、その時点まで観測された情報を用いて、各ランドマークにアスリートのセッション毎に1つの表現を構築します。 これにより、標的をセッションレベルに保ち、控えめな軽傷管理を避けることができる。 ランドマークは,10,20,30分など,同じセッション内の固定時間ポイントである。 各ランドマークにおいて、セッション全体が傷害関連か非傷害関連かを評価し、セッション内情報が増えるにつれて、差別がどのように変化するかを検討する。 2020 FIFAMonのデータを用いて、48人のエリート女子サッカー選手から3,743人のアスリートのセッションを分析しました。 我々は,プレセッション,累積的,動的,複合的な表現を,選手の不随意の検証,アスリート・クラスターブートストラップの不確実性,コモンコホート感度分析,代替負の重み付け,ロジスティック回帰,ランダムフォレスト,XGBoostベンチマークで評価した。 一次CUM+DYNロジスティック回帰は、ROC-AUC 0.367-0.607とPR-AUC 0.0080-0.0150をランドマーク全体で生成し、広い不確実性を有する。 事前を含む表現は、いくつかのランドマークにおいてより高い点推定を示すが、依然として不確実である。

関連論文リスト

• Multimodal Injury Risk Prediction in Tennis [2.77796548098615]
  テニス選手のパフォーマンスと怪我のリスクを評価するため,テニス選手のための多モーダル・プレセット・レディネス・フレームワーク(PART)を提案する。 Partは、生理的指標、トレーニングとマッチデータ、ウェアラブルデバイスからの睡眠データ、毎日のアンケートによる自己報告情報、ジャンプアセスメント、マッチプレイビデオからのモーション分析など、9人の大学テニス選手から収集された複数のデータソースを処理する。 全体ウェルネスと傷害リスクの両方を予測し、特定の身体領域の高度な予測を危険にさらす。
  論文  参考訳（メタデータ） (2026-08-25T20:21:05Z)
• Multimodal Injury Risk and Performance Prediction in Tennis Using Weighted Ensemble Learning [4.699056011866599]
  本研究では,テニス選手のスポーツ選手の健康状態を監視し,短期的傷害リスクを推定するための重み付きアンサンブル学習フレームワークであるPART(Predictive Athlete Readiness for Tennis)を提案する。 Partは、生理的指標、トレーニングとマッチデータ、ウェアラブルデバイスからの睡眠情報、セルフレポートされたアンケート、垂直ジャンプアセスメント、マッチプレイビデオからのモーション分析など、幅広い入力を処理する。 スポーツ選手のウェルネスをモニターし、短期的傷害感受性を推定する上で、パートは強いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-08-21T18:09:35Z)
• Towards Athlete Fatigue Assessment from Association Football Videos [53.20057980542362]
  本稿では,ピッチ座標における選手軌跡を抽出する最先端のゲーム状態再構成手法を構築した。 次に,これらの信号から加速度-速度プロファイルを構築し,その挙動を疲労関連性能指標として解析する。 以上の結果から,単眼映像は,A-S時間と相性のあるキネマティックなパターンを回復すると同時に,トラジェクティブノイズ,校正誤差,放送映像固有の時間的不連続性に敏感であることが明らかとなった。
  論文  参考訳（メタデータ） (2026-04-07T09:36:28Z)
• Finding Pre-Injury Patterns in Triathletes from Lifestyle, Recovery and Load Dynamics Features [0.7448254811651419]
  トライアスロンのトレーニングでは、アスリートは繰り返し生理的ストレスによる怪我を過大評価するリスクを負う。 現在の傷害予測アプローチは、睡眠の質、ストレス、個人のライフスタイルといった重要な要素を無視して、トレーニング負荷メトリクスに依存している。 トライアスロントレーニングに適した新しい合成データ生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-18T08:48:37Z)
• Towards Anytime Retrieval: A Benchmark for Anytime Person Re-Identification [85.78039373517021]
  Anytime Person Re-identification (AT-ReID) は、時間変動に基づく複数のシナリオにおいて効果的な検索を実現することを目的としている。 最初の大規模なデータセットであるAT-USTCは、複数の服を着ている人の403万枚の画像を含む。 シナリオ固有の特徴学習のためのマルチシナリオReIDフレームワークを含むUni-ATという統一モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-20T11:20:22Z)
• National Running Club Database: Assessing Collegiate Club Athletes' Cross Country Race Results [20.27217553683791]
  ナショナル・ランニング・クラブ・データベース(NRCD)は、2023年と2024年のクロスカントリーシーズンから5,585人の選手の15,397人のレース結果を集めている。 本稿では,スポーツ選手の進行状況に関する洞察を提供するNRCDデータセットを紹介する。
  論文  参考訳（メタデータ） (2025-09-12T17:50:23Z)
• Posture-Driven Action Intent Inference for Playing style and Fatigue Assessment [2.1548132286330453]
  行動ビデオから人間の意図を識別するための姿勢に基づくソリューションを提案する。 攻撃的および防御的ショット意図を識別するために,75%以上のF1スコアと80%以上のAUC-ROCが得られた。
  論文  参考訳（メタデータ） (2025-07-15T18:27:17Z)
• Hang-Time HAR: A Benchmark Dataset for Basketball Activity Recognition using Wrist-Worn Inertial Sensors [47.33629411771497]
  本稿では,手首に装着したセンサから身体活動認識手法を評価するためのベンチマークデータセットを提案する。 データセットは、米国とドイツの2つのチームで記録され、計24人のプレーヤーが手首に慣性センサーを装着した。
  論文  参考訳（メタデータ） (2023-05-22T15:25:29Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• PS-ARM: An End-to-End Attention-aware Relation Mixer Network for Person Search [56.02761592710612]
  モジュール・パーソン・サーチのための新しいアテンション・アウェア・リレーション・ミキサー(ARM)を提案する。 私たちのARMモジュールはネイティブで、きめ細かい監督やトポロジカルな仮定に依存していません。 我々のPS-ARMは、両方のデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-10-07T10:04:12Z)
• Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
  本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。 具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。 次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
  論文  参考訳（メタデータ） (2020-07-13T20:05:19Z)

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。