TRAINING LOAD AND PHYSICAL PERFORMANCE ANALYSIS IN SOCCER: A MACHINE LEARNING APPROACH

Training load monitoring represent a “on-field” common practice to optimize soccer training prescription aiming to enhance physical performance trying to reduce the injury risk. Understanding both external load, considered as the physical work prescribed in the training plan (e.g., measures of total distance covered (or in specific speed bands), accelerations, or metabolic power and internal load (i.e., the athlete’s physiological response to a given external load performed), offer a necessary practitioners’ support in informed-making concerning the training prescription. Worth noting, in order to prescribe optimal training (i.e., balancing the training dose and recovery,) to reach the desired adaptation, whole components of soccer performance must be considered such as training and recovery aspects, the athlete’s fitness status (i.e., physiological assessment), keeping into account the training methodologies principles as well as the match-day target derived from microcycle schedule. Several studies have been dealt with training load monitoring, physical performance, and injury risk reduction in soccer. The “era” of Big Data, is strongly characterized by the need to analyse a huge amount of data daily collected through Micro Electro-Mechanical Systems (MEMS) devices such as Global Positioning System, GPS and Inertial Measurement Unit, IMU as well as Heart Rate (HR) monitor devices or subjective scale (e.g., Rating of Perceived Exertion, RPE scale). Since traditional statistic methods result poor appropriate to reach this propose, the role of Artificial Intelligence (AI) and its daily application is spreading widely in many areas of the development sector including sports science. In the latter field, Machine learning (ML) is a branch of AI and computer science that focuses on the using data and algorithms to enable AI to imitate the way that humans learn, gradually improving its accuracy. In this context, especially in soccer, ML has been increasingly employed aiming to predict injury as well as to understand specific performance aspects. Relevant aspects such as the relationship between training load monitoring and training outcomes such as physical performance, recovery ability, training prescription and injury risk reduction should be yet better established and clarified aiming to provide an evidence-based consensus about strategies in a real word scenario as well as theoretical and methodological aspects in scientific community. Specifically, the difference between training drills and official match as well as an in-depth understanding of the external load profile of the playing position during different soccer activities and tasks, has not yet been provided through the machine learning approach. For these reasons, the overall aim of this thesis is to further the current understanding around the training load monitoring, physical performance and training prescription, focusing on the implication of machine learning on training load, physical performance analysis, and injury risk in soccer players. With this purpose, we tried to deeply understand the complex relationship between training load and training outcomes such as physical performance and injury risk.We addressed over the course of three experimental chapters, which set out to achieve the following objectives: This thesis attempts to provide a theoretical and practical contribution based on the gaps identified in the literature. Accordingly, the main research will answer relevant research questions as follow;1) How practitioners can assess training load (including both intensity and volume) considering the differences between training and competition for each playing position aiming to support the training prescription process?2) How can machine learning be implemented to understand the relationship between training and competition taking into account playing position to enhance physical performance and reduce injury risk?Troughs 3 experimental chapters we addressed the main research questions. Chapter 1 includes a narrative review with conceptual framework on physical performance and training in soccer, reporting an overview on injury in soccer and machine learning principles.Chapter 2 offers 2 narrative review, the first one delves into the intensity concept, providing definition and insights, while the implication of player monitoring on training prescription has been explored in depth in the second work.The relationship between training load and training outcomes considering machine learning approach has been reported through chapter 3. In detail, the chapter opens with a systematic review that deals with the relationship between external and internal load indicators and injuries based on machine learning approach. The chapter, through 4 original studies, has deepened the implications of ML on soccer training; the first study has offered relevant insights regarding the difference between match and drills, focusing on the target, intensity and the difference for playing position. In the second study, 2 scores were calculated with a ML approach, investigating the trend of this score in the microcycles. The third study investigated the difference in intensity between the MD typologies in a standard microcycle, considering the differences in playing position. The fourth study explores the intricate relationship between training load and recovery. Across all the studies, machine learning (ML) has demonstrated its value as a powerful tool for managing large datasets and uncovering relationships between complex, non-linear phenomena, such as training load and performance outcomes. This approach has provided fundamental insights, paving the way for promising future applications in understanding and optimizing these multifaceted dynamics.

Il monitoraggio del carico di allenamento rappresenta una pratica comune “sul campo” per ottimizzare la prescrizione dell’allenamento nel calcio, con l’obiettivo di migliorare la performance fisica cercando di ridurre il rischio di infortunio. Comprendere sia il carico esterno, inteso come il lavoro fisico prescritto nel piano di allenamento (ad esempio, misurazioni della distanza totale percorsa – o in specifiche fasce di velocità –, accelerazioni o potenza metabolica), sia il carico interno (ovvero la risposta fisiologica dell’atleta a un determinato carico esterno eseguito), fornisce un supporto fondamentale ai professionisti nel processo decisionale relativo alla prescrizione dell’allenamento.Vale la pena sottolineare che, per prescrivere un allenamento ottimale (ovvero bilanciando il carico di lavoro e il recupero) al fine di ottenere gli adattamenti desiderati, è necessario considerare l’interezza dei fattori che influenzano la performance calcistica, come gli aspetti legati all’allenamento e al recupero, lo stato di fitness dell’atleta (valutazione fisiologica), tenendo in considerazione i principi metodologici dell’allenamento e l’obiettivo della partita derivato dalla pianificazione settimanale (microciclo).Numerosi studi si sono occupati del monitoraggio del carico di allenamento, della performance fisica e della riduzione del rischio di infortunio nel calcio. L’“era” dei Big Data è fortemente caratterizzata dalla necessità di analizzare una grande quantità di dati raccolti quotidianamente tramite dispositivi Micro-Elettro-Meccanici (MEMS), come il sistema di posizionamento globale (GPS), le Unità di Misurazione Inerziale (IMU), dispositivi per il monitoraggio della frequenza cardiaca (HR) o scale soggettive (ad esempio, la scala di sforzo percepito, RPE).Poiché i metodi statistici tradizionali risultano poco adeguati per raggiungere questi obiettivi, il ruolo dell’Intelligenza Artificiale (IA) e della sua applicazione quotidiana si sta diffondendo in numerosi settori dello sviluppo, compreso quello delle scienze dello sport. In quest’ambito, il Machine Learning (ML) rappresenta un ramo dell’IA e dell’informatica che si concentra sull’uso di dati e algoritmi per permettere all’intelligenza artificiale di imitare il modo in cui gli esseri umani apprendono, migliorando gradualmente la propria accuratezza.In questo contesto, specialmente nel calcio, il Machine Learning è sempre più utilizzato con l’obiettivo di prevedere infortuni così come di comprendere aspetti specifici della performance. Aspetti rilevanti come la relazione tra il monitoraggio del carico di allenamento e i risultati dell’allenamento (ad esempio, performance fisica, capacità di recupero, prescrizione dell’allenamento e riduzione del rischio di infortunio) necessitano ancora di essere meglio chiariti e approfonditi, al fine di fornire un consenso basato sull’evidenza sia a livello pratico che teorico/metodologico all’interno della comunità scientifica.In particolare, la differenza tra esercitazioni di allenamento e partite ufficiali, così come una comprensione approfondita del profilo di carico esterno per ruolo durante le diverse attività e compiti calcistici, non è stata ancora adeguatamente trattata attraverso l’approccio del machine learning.Per queste ragioni, l’obiettivo generale di questa tesi è quello di approfondire la comprensione attuale del monitoraggio del carico di allenamento, della performance fisica e della prescrizione dell’allenamento, concentrandosi sulle implicazioni del machine learning nell’analisi del carico, della performance fisica e del rischio di infortunio nei calciatori. Con questo scopo, abbiamo cercato di analizzare in profondità la complessa relazione tra carico di allenamento e risultati dell’allenamento, come la performance fisica e il rischio di infortunio.Nel corso di tre capitoli sperimentali, abbiamo affrontato i seguenti obiettivi di ricerca:Questa tesi cerca di fornire un contributo teorico e pratico basato sulle lacune identificate nella letteratura. In particolare, la ricerca principale cerca di rispondere a queste domande fondamentali:In che modo i professionisti possono valutare il carico di allenamento (includendo sia intensità che volume), considerando le differenze tra allenamento e competizione per ogni ruolo, al fine di supportare il processo di prescrizione dell’allenamento?In che modo il machine learning può essere implementato per comprendere la relazione tra allenamento e competizione, tenendo conto del ruolo, con l’obiettivo di migliorare la performance fisica e ridurre il rischio di infortunio?Attraverso tre capitoli sperimentali abbiamo affrontato le principali domande di ricerca.Il Capitolo 1 include una revisione narrativa con un quadro concettuale sulla performance fisica e sull’allenamento nel calcio, offrendo una panoramica sugli infortuni nel calcio e sui principi del machine learning.Il Capitolo 2 include due revisioni narrative: la prima approfondisce il concetto di intensità, fornendone definizione e implicazioni; la seconda esplora in profondità le implicazioni del monitoraggio del giocatore nella prescrizione dell’allenamento.Il Capitolo 3 riporta la relazione tra carico di allenamento e risultati dell’allenamento utilizzando un approccio di machine learning. In particolare, il capitolo si apre con una revisione sistematica che tratta la relazione tra indicatori di carico esterno e interno e infortuni, sulla base dell’approccio ML.Il capitolo comprende quattro studi originali che approfondiscono le implicazioni del ML nel calcio:Il primo studio ha fornito approfondimenti significativi sulle differenze tra partita e esercitazioni, concentrandosi su target, intensità e differenze tra ruoli.Il secondo studio ha calcolato due punteggi mediante approccio ML, analizzandone l’andamento nei microcicli.Il terzo studio ha indagato le differenze di intensità tra le tipologie di Match Day (MD) all’interno di un microciclo standard, considerando le differenze tra ruoli.Il quarto studio esplora la relazione tra carico di allenamento e recupero.In tutti gli studi, il machine learning ha dimostrato di essere uno strumento potente per la gestione di grandi dataset e per l’identificazione di relazioni complesse e non lineari, come quelle tra carico di allenamento e risultati di performance. Questo approccio ha fornito spunti fondamentali, aprendo la strada a promettenti applicazioni future per comprendere e ottimizzare queste dinamiche complesse.