Đơn Giản Hóa Dữ Liệu Tải Ngoài Trong Các Cuộc Thi Bóng Rổ Nam NCAA Division-I: Phân Tích Thành Phần Chính

Jason D. Stone1,2,3, Justin J. Merrigan2, Jad Ramadan2, Robert Shaun Brown3, Gerald T. Cheng3, W. Guy Hornsby1,2, Holden T. Smith2, Scott M. Galster2, Joshua A. Hagen2
1College of Physical Activity and Sport Sciences, West Virginia University, United States
2Human Performance Innovation Center, School of Medicine, Rockefeller Neuroscience Institute, West Virginia University, United States
3Men's Basketball, Athletics Department, West Virginia University, United States

Tóm tắt

Mục đích chính là đơn giản hóa dữ liệu tải ngoài thu được trong các cuộc thi bóng rổ Division-I (DI) thông qua phân tích thành phần chính (PCA). Mục đích thứ hai là xác định liệu các kết quả PCA có nhạy cảm với các yêu cầu tải của các nhóm vị trí khác nhau (POS) hay không. Dữ liệu bao gồm 229 quan sát thu được từ 10 vận động viên bóng rổ nam tham gia các cuộc thi NCAA DI. Mỗi vận động viên đã đeo một đơn vị đo lường quán tính được gắn vào cùng một vị trí trên quần đùi của họ trước khi thi đấu. PCA đã tiết lộ hai yếu tố có giá trị riêng lớn hơn 1.0 và giải thích 81.42% tổng phương sai. Yếu tố đầu tiên bao gồm tổng giảm tốc (totDEC, 0.94), tốc độ trung bình (avgSPD, 0.90), tổng gia tốc (totACC, 0.85), tổng tải cơ học (totMECH, 0.84), và tổng tải nhảy (totJUMP, 0.78). Tốc độ tối đa (maxSPD, 0.94) là yếu tố duy nhất góp phần vào yếu tố thứ hai. Dựa trên PCA, các biến tải ngoài đã được đưa vào hồi quy logistic đa thức dự đoán vị trí (Overall model,p<0.0001; AUCcenters=0.93, AUCguards=0.88, AUCforwards=0.80), nhưng chỉ có maxSPD, totDEC, totJUMP và totMECH là những yếu tố đóng góp quan trọng cho sự thành công của mô hình (p<0.0001 cho từng yếu tố). Mặc dù có sự liên quan cao, mô hình vẫn gặp phải một số vấn đề phân biệt giữa các hậu vệ và tiền đạo, vì các yêu cầu trong trò chơi thường chồng chéo nhau giữa hai vị trí này. Tuy nhiên, PCA đã hiệu quả trong việc đơn giản hóa một tập dữ liệu tải ngoài lớn thu thập từ các vận động viên bóng rổ nam NCAA DI. Những dữ liệu này cho thấy rằng maxSPD, totDEC, totJUMP và totMECH là nhạy cảm nhất với sự khác biệt vị trí trong các cuộc thi. Để mô tả tốt nhất các yêu cầu thi đấu, các biến này có thể được sử dụng để cá nhân hóa các chế độ huấn luyện và phục hồi một cách hiệu quả nhất.

Từ khóa

#Phân tích thành phần chính #dữ liệu tải ngoài #bóng rổ nam NCAA #nhóm vị trí #hồi quy logistic đa thức

Tài liệu tham khảo

Alt, 2020, Validity of a local positioning system during outdoor and indoor conditions for team sports, Sensors, 20, 5733, 10.3390/s20205733

Bunker, 2019, A machine learning framework for sport result prediction, Appl. Comput. Inform, 15, 27, 10.1016/j.aci.2017.09.005

Casamichana, 2019, Looking for complementary intensity variables in different training games in football, J. Strength Condition. Res, 10.1519/JSC.0000000000003025

Cohen, 1988, Statistical Power Analysis for the Behavioral Sciences 2nd ed.

Cunanan, 2018, The general adaptation syndrome: a foundation for the concept of periodization, Sports Med, 48, 787, 10.1007/s40279-017-0855-3

Edwards, 2018, Monitoring and managing fatigue in basketball, Sports, 6, 19, 10.3390/sports6010019

Federolf, 2014, The application of principal component analysis to quantify technique in sports, Scand. J. Med. Sci. Sports, 24, 491, 10.1111/j.1600-0838.2012.01455.x

Fowler, 2017, Greater effect of east vs. west travel on jet-lag, sleep and team-sport performance, Med Sci Sports Exerc, 10.1249/MSS.0000000000001374

Fox, 2021, Not all about the effort? A comparison of playing intensities during winning and losing game quarters in basketball, Int. J. Sports Physiol. Perform, 1, 1, 10.1123/ijspp.2020-0448

Fox, 2017, A review of player monitoring approaches in basketball, J. Strength Condition. Res, 31, 2021, 10.1519/JSC.0000000000001964

Fox, 2019, The impact of contextual factors on game demands in starting, semiprofessional, male basketball players, Int. J. Sports Physiol. Perform, 15, 450, 10.1123/ijspp.2019-0203

Gual, 2016, Effects of in-season inertial resistance training with eccentric overload in a sports population at risk for patellar tendinopathy, J. Strength Condition. Res, 30, 1834, 10.1519/JSC.0000000000001286

Howatson, 2009, Exercise-induced muscle damage following a bout of sport specific repeated sprints, J. Strength Condition. Res, 23, 2419, 10.1519/JSC.0b013e3181bac52e

Jones, 2011, JMP statistical discovery software, Wiley Interdisc. Rev, 3, 188, 10.1002/wics.162

Kaiser, 1960, The application of electronic computers to factor analysis, Educ. Psychol. Meas, 20, 141, 10.1177/001316446002000116

Kaiser, 1974, Educational and psychological measurement, SAGE J., 34, 111, 10.1177/001316447403400115

Laffaye, 2014, Countermovement jump height: gender and sport-specific differences in the force-time variables, J. Strength Condition. Res, 28, 1096, 10.1519/JSC.0b013e3182a1db03

Luo, 2011, “Linear discriminant analysis: New formulations and overfit analysis,”, Proceedings of the AAAI Conference on Artificial Intelligence, 10.1609/aaai.v25i1.7926

Merrigan, 2021, Acute inflammatory, cortisol, and soreness responses to supramaximal accentuated eccentric loading, J. Strength Condition. Res, 35, S107, 10.1519/JSC.0000000000003764

Merrigan, 2021, Dimensionality reduction differentiates sensitive force-time characteristics from loaded and unloaded conditions throughout competitive military training, Sustainability, 13, 6105, 10.3390/su13116105

O'Donoghue, 2008, Principal components analysis in the selection of key performance indicators in sport, Int. J. Perform. Analy. Sport, 8, 145, 10.1080/24748668.2008.11868456

Parmar, 2018, Using principal component analysis to develop performance indicators in professional rugby league, Int. J. Perform. Analy. Sport, 18, 938, 10.1080/24748668.2018.1528525

Rojas-Valverde, 2019, From big data mining to technical sport reports: the case of inertial measurement units, BMJ Open Sport Exerc. Med, 5, e000565, 10.1136/bmjsem-2019-000565

Rojas-Valverde, 2020, A systematic review of methods and criteria standard proposal for the use of principal component analysis in team's sports science, Int. J. Environ. Res. Public Health, 17, 8712, 10.3390/ijerph17238712

Russell, 2020, Measuring physical demands in basketball: an explorative systematic review of practices, Sports Med, 51, 81, 10.1007/s40279-020-01375-9

Schelling, 2016, An integrative approach to strength and neuromuscular power training for basketball, Strength Condition. J, 38, 72, 10.1519/SSC.0000000000000219

Staunton, 2018, The effect of match schedule on accelerometry-derived exercise dose during training sessions throughout a competitive basketball season, Sports, 6, 69, 10.3390/sports6030069

Stein, 2017, How to make sense of team sport data: from acquisition to data modeling and research aspects, Data, 2, 2, 10.3390/data2010002

Stone, 2021, Periodization and block periodization in sports: emphasis on strength-power training—a provocative and challenging narrative, J. Strength Condition. Res, 35, 2351, 10.1519/JSC.0000000000004050

Svilar, 2018, Positional differences in elite basketball: selecting appropriate training-load measures, Int. J. Sports Physiol. Perform, 13, 947, 10.1123/ijspp.2017-0534

Svilar, 2018, Load monitoring system in top-level basketball team, Kinesiology, 50, 25, 10.26582/k.50.1.4

Taylor, 2012, Fatigue monitoring in high performance sport: a survey of current trends, J. Aust. Strength Cond, 20, 12

Team, 2019, R: A Language and Environment for Statistical Computing

Terner, 2021, Modeling player and team performance in basketball, Ann. Rev. Statist. Appl, 8, 1, 10.1146/annurev-statistics-040720-015536