本发明属于运动医学，具体涉及一种女子足球运动员下肢运动损伤后重返运动时间预测模型。
背景技术：
1、近年来，大数据支持下的人工智能技术在医学领域的发展迅速，在疾病的诊断，筛查以及治疗方式选择指导方面发挥了举足轻重的作用[1]。相比传统的统计学方法，人工智能技术可将低维度的特征逐层抽象为更高维度的特征，从而更好地融合各类影响因素以获得更高准确度的预测水平[2]。通过计算机模型自动化评估各类医学数据(如医学影像资料、病史信息、测试结果等)以及变量转换与融合等提升模型性能的策略，人工智能技术可充分实现数据之间信息互补，摆脱单一数据中时间和空间的局限性，以便更为综合性地了解疾病发生的风险或者疾病治疗的预后，为临床医生的决策提供客观依据[2,1]。目前，大数据平台及人工智能算法已在包括复旦大学附属华山医院等单位的临床诊疗及科研活动中得到广泛重视和应用，在疾病模型建立、数据分析等方面具有良好应用基础，例如影像学病灶的智能识别、患者术后并发症的风险评估等。因此，我们认为借助大数据及人工智能技术可通过纳入下肢运动损伤相关的危险因素或者保护因素数据而测算患者发生结局事件的风险，使得预测运动损伤的发生和发展成为可能，从而实现早期发现和早期干预的目的，建立人工智能辅助的下肢运动损伤的防治体系。
2、然而，目前医学界和体育界均尚未有已投入使用的针对职业运动员下肢运动损伤风险的预测模型，少部分已发表的初期模型亦多以国外运动员作为样本，并且纳入变量单一(学科局限)、研究缺乏连续性，对本土的专业运动员的应用价值低[3–5]。
技术实现思路
1、本发明的目的在于提供一种针对女子足球运动员下肢运动损伤后重返运动时间预测模型，助力女足运动员更好的比赛表现。
2、本发明提供的女子足球运动员下肢运动损伤后重返运动时间预测模型，由如下步骤构建得到：
3、第一步，训练所需的女子足球运动员受试者选择。
4、具体选择为省市级女子足球运动队队员(150名以上)。选择标准：自愿加入的研究期间在役的女子足球运动队全奥运会候补队员。排除标准：研究前拒绝参加的运动员，因重大疾病等原因长时间(大于半年)无法参加比赛训练的运动员。受试者退出标准：受试者不愿或不能继续参加研究者；在受试者入组后发现其不符合入选标准，或符合任一排除标准；因研究过程中出现重大疾病、退役、怀孕等原因无法按照计划完成研究者。
5、第二步，训练所需的女子足球运动员受试者信息收集及队列分配。
6、由优秀运动员下肢损伤数据管理平台软件回顾性收集运动员的如下信息：(1)基本信息数据，例如，姓名、身高、年龄、体重、性别、药物及补剂应用情况、疫苗接种史、家族疾病史、月经史及其对运动表现影响等相关字段；(2)下肢运动损伤的医学标准数据，例如，就诊姓名、疾病名称、疾病部位、诊断记录、诊断时间等相关字段；(3)运动员训练比赛相关信息，例如，赛季前中后体能训练以及伤害预防训练情况等；(4)运动员心理饮食信息，例如睡眠情况、对成绩的期待以及饮食情况等。
7、此为，还前瞻性收集运动员的如下信息：(1)下肢运动损伤的医学标准数据，例如，就诊姓名、疾病名称、疾病部位、诊断记录、诊断时间等相关字段；(2)运动员训练比赛相关信息，例如，赛季前中后体能训练以及伤害预防训练情况等；(3)运动员心理饮食信息，例如睡眠情况、对成绩的期待以及饮食情况等；(4)基本信息数据变化。
8、确定结局变量为女足运动员下肢运动损伤后重返运动时间，下肢运动损伤具体包括常见的膝关节前交叉韧带损伤、膝关节半月板损伤、髌腱腱病、踝关节不稳定、跟腱腱病、胫骨疲劳性骨折等。
9、根据上述条件，确定作为分析对象的女足运动员数量；然后，确定一部分(大多数)女足运动员随机分配至模型训练队列，余下部分(小部分)随机分配至模型验证队列。训练和验证队列的下肢损伤相关信息、训练比赛信息、心理饮食信息、其他信息等均无显著差异。
10、第三步，预警模型的建立。
11、采用最小绝对收缩和选择算子(lasso)回归算法利用x1-x33共33个危险因素进行变量筛选及建模；具体地，利用from sklearn.linear_model import lasso命令导入lasso库，sklearn版本1.4.0，首先定义模型lasso_model＝lasso(alpha＝8.35)，这里正则化参数选择8.35(对应的mse较小、r^2较大)，然后利用lasso_model.fit()方法进行拟合，最后利用plot()方法进行绘图；得到直接相关因素：x2:身高，x3:体重，x12:日常训练频率次，x17:体能训练时长；
12、预警模型具体表达式为：
13、y＝a2x2-a3x3-a12x12-a17x17-a0；
14、a2,a3,a12,a17,a0为系数。y为重返时间(取整，单位为天)。
15、变量解释：x1:年龄，x2:身高，x3:体重，x4:bmi指数，x5:体脂率，x6:惯用脚，x7:所属球队，x8:场上位置，x9:下肢伤痛是否为接触性损伤，x10:下肢伤痛为训练中受伤或比赛中受伤，x11:是否为二次损伤，x12:日常训练频率次，x13:日常训练时长时，x14:是否进行热身训练，x15:是否进行体能训练，x16:体能训练频率次，x17:体能训练时长，x18:我昨晚睡得很好，x19:我期待今天的训练或比赛，x20:我对未来的运动成绩是乐观的，x21:我感到精力充沛，x22:我胃口很好，x23:我有很少的肌肉不适，x24:过敏史，x25:新冠疫苗是否接种，x26:本人或者直系亲属中是否有以下疾病，x27:初潮，x28:敏捷性，x29:平衡能力，x30:跑动能力，x31:移动能力，x32:肌肉力量，x33:爆发能力；
16、第四步，重要危险因素识别。
17、利用shap算法识别影响女子足球运动员下肢运动损伤后重返运动时间的重要危险因素；首先导入shap库，然后利用shap.explainer()方法创建解释器，利用explainer.shap_values()方法求出shap值，最后利用shap.summary_plot()方法进行绘图；具体地，“身高”、“日常训练频率”、“体能训练时长”、“体重”被筛选为贡献最大的五项危险因素，提示这些危险因素可能会导致女足运动员的下肢后重返运动时间。
18、本发明的技术效果
19、本发明建立了女子足球运动员下肢运动损伤后重返运动时间预测模型，利用筛选模型策略对涵盖下肢损伤相关信息、训练比赛信息、心理饮食信息、其他信息等在内的33项危险因素进行筛选后选取4项特征变量对女足运动员的下肢运动损伤后重返运动时间进行有效预测。此外本发明还确定了影响女子足球运动员下肢运动损伤后重返运动时间的重要危险因素，提示“身高”、“日常训练频率”、“体能训练时长”、“体重”可能会显著影响女足运动员的下肢后重返运动时间。本发明可协助对女子足球专项运动员的下肢运动损伤后重返运动时间进行预测并根据高级别危险因素加速重返运动时间，助力更好的比赛表现。
1.一种女子足球运动员下肢运动损伤后重返运动时间预测模型，其特征在于，由如下步骤构建得到：
2.根据权利要求1所述的女子足球运动员下肢运动损伤后重返运动时间预测模型，其特征在于，具体为：
