使用 18 个特征预测中国大学生运动员的足球伤病

关于数据集

大学足球伤病预测数据集

🎯 概述

该数据集包含来自800 名参加大学和省级联赛的中国大学生足球运动员的综合数据。目标是使用机器学习分类方法预测运动员是否会在下一个赛季受伤。

📊 数据集详细信息

• 样本：800 名大学足球运动员
• 特征：18个输入特征+1个目标标签
• 任务：二元分类（0 = 无受伤，1 = 受伤）
• 平衡：均衡的数据集
• 年龄范围：18-24岁（典型的大学生）

🏃‍♂️ 功能类别

物理特性（4个特点）

• 年龄、身高、体重、BMI
• 通过标准大学健康检查来衡量

足球特定指标（4 个特征）

• 比赛位置、每周训练时长、参加的比赛、伤病史
• 从官方记录和教练评估中收集

体能评估（6项功能）

• 膝盖力量、腿筋柔韧性、反应时间、平衡性、冲刺速度、敏捷性
• 使用标准化协议进行专业体能测试

生活方式因素（3个特征）

• 睡眠时间、压力水平、营养质量
• 自我报告调查和验证问卷

培训合规性（1 个功能）

• 热身常规依从性（0=差，1=好）

🎯 目标变量

下一季伤病：二元分类，其中伤病定义为训练/比赛相关的伤病导致连续缺勤≥7天，经大学医疗中心和教练组核实。

🔬 数据质量

• 收集时间：每学年开始后4周内
• 验证：多源验证（医疗记录、教练报告、学生调查）
• 质量控制：由运动医学专家审核
• 缺失数据：极少，已通过多种渠道验证

🚀 潜在应用

• 运动医学研究：确定关键的损伤风险因素
• 预防性医疗保健：数据驱动的伤害预防策略
• 大学体育管理：学生运动员的风险评估
• 机器学习：医疗保健分类算法验证

📈 建议的方法

• 经典机器学习：逻辑回归、随机森林、SVM、XGBoost
• 评估指标：准确率、精确率、召回率、F1 分数、AUC-ROC
• 验证：分层抽样交叉验证

🏆 研究价值

该数据集连接了运动科学和机器学习，为大学级别的运动损伤预测提供了宝贵的见解。它对于运动医学、预防保健和应用机器学习领域的研究人员尤其有价值。