Анализ больших данных с носимых датчиков выявляет пространственно-временные шаблоны травм у профессиональных теннисистов

Почему важно отслеживать травмы в теннисе

Профессиональный теннис выглядит элегантно по телевидению, но за каждой подачей и спринтом скрывается сильная нагрузка на тело. Это исследование использует носимые датчики и современные методы анализа данных, чтобы задать простой, но важный вопрос для игроков и тренеров: когда, где и каким образом фактически происходят травмы в течение сезона, и можно ли обнаружить предупреждающие признаки достаточно рано, чтобы их предотвратить?

Превращая игроков в движущиеся наборы данных

Чтобы решить эту задачу, исследователи оснастили 45 профессиональных игроков сетью лёгких датчиков, носимых на теле, в течение полного года тренировок и матчей. Небольшие блоки на запястьях, плече, нижней части спины и обуви записывали движение и силы ударов, а другие датчики отслеживали частоту сердечных сокращений и положение на корте. Вместе они захватили тысячи часов движений — от взрывных подач до долгих розыгрышей с задней линии, создавая детальную картину нагрузки на тело в реальных теннисных условиях.

Когда в течение года случаются травмы

Следуя за этими игроками в предсезонный период, в месяцы турниров и в межсезонье, команда обнаружила, что травмы не возникают случайно. Вместо этого их частота колеблется в сезонном ритме. Пики приходились на периоды интенсивных тренировочных блоков и насыщенных соревновательных периодов, особенно когда общая рабочая нагрузка быстро нарастала. Травмы от перегрузок, которые развиваются постепенно, были наиболее распространены в предсезонье и в недели высокоинтенсивных тренировок, тогда как внезапные острые травмы чаще связывались с соревнованиями и ситуациями, похожими на матчи. Эти паттерны указывают на то, что то, как планируются тренировки на недели и месяцы, играет ключевую роль в риске травм.

Где тело наиболее уязвимо

Данные датчиков также выявили очевидные очаги на теле. Почти половина всех травм сосредотачивалась вокруг плеча и локтя — ключевых суставов для подачи и выполнения форхендов, в то время как примерно треть приходилась на нижнюю часть спины и бёдра, которые обеспечивают вращение корпуса и покрытие корта. Нанесение травм на простую координатную систему тела показало плотные кластеры в этих областях и гораздо меньше проблем в коленях и лодыжках. Анализ связал эти очаги с конкретными характеристиками движений, такими как очень высокая скорость вращения при подаче и асимметричная нагрузка между ногами при боковых перемещениях.

Давая алгоритмам искать признаки тревоги

Поскольку потоки данных с датчиков огромны и сложны, исследователи использовали современные инструменты машинного обучения для их анализа. Они обучили продвинутые модели, включая сеть Transformer, похожую на используемые в языковых технологиях, чтобы связать паттерны в движениях, рабочей нагрузке и сердечных сигналах с последующими случаями травм. Совмещая информацию о том, когда в сезоне записаны данные, с тем, где на теле появлялись проблемы, лучшая модель правильно помечала периоды высокого риска примерно в девяти случаях из десяти и улавливала большинство тонких, постепенно нарастающих изменений риска, которые простые методы не замечали.

Что это значит для игроков и тренеров

Для неспециалиста ключевое сообщение таково: травмы у профессиональных теннисистов подчиняются узнаваемым закономерностям по времени и по месту, а не являются просто невезением. Большинство проблем сосредоточены в руке, выполняющей подачу, и в области нижней части спины—бёдер, и они, как правило, обостряются во время интенсивных периодов тренировок и соревнований, когда общая нагрузка плохо сбалансирована с восстановлением. Используя носимые датчики и умные алгоритмы, тренеры и медицинский персонал могут перейти от реакции на уже произошедшие травмы к ранним предупреждениям, когда качество движения, рабочая нагрузка или сигналы тела указывают, что игрок движется в зону повышенного риска.

Цитирование: Han, G., Zhang, Y. & Sun, B. Wearable sensor big data analysis reveals spatiotemporal injury patterns in professional tennis players. Sci Rep 16, 14804 (2026). https://doi.org/10.1038/s41598-026-44199-9

Ключевые слова: теннисные травмы, носимые датчики, спортивные данные, прогнозирование травм, машинное обучение