多模态运动损伤数据集

摘要：本数据集包含来自156名运动员在6个月监测期内收集的15,420个样本，专为基于多模态传感器数据和机器学习技术的运动损伤风险预测而设计。数据集整合了22个多模态特征和7个元数据列，目标变量（injury_occurred）分为三个类别：健康（9,869样本，64%）、低风险（3,238样本，21%）和高风险/已损伤（2,313样本，15%），类别不平衡比为4.27:1。数据集涵盖足球、篮球、田径等多种运动项目，运动员年龄18-35岁（平均24.3±4.2岁），性别分布为男性68%、女性32%，文件大小约5MB，缺失数据率为2.97%，呈现真实的数据采集模式。

数据集简介

数据集概述

数据集构建了全面的多模态特征体系，涵盖四个核心维度：（1）生理指标（6特征）：通过胸带心率监测器、红外温度计、生物阻抗传感器和可穿戴睡眠追踪器采集心率（40-180 bpm）、体温（35.8-39.2°C）、水合水平（45-100%）、睡眠质量、恢复评分和压力水平；（2）生物力学数据（8特征）：利用表面肌电图（EMG）、惯性测量单元（IMU）、动作捕捉系统、加速度计、测力板和关节角度计测量肌肉活动（10-850 μV）、关节角度、步态速度、步频、步数、跳跃高度、地面反作用力和关节活动度；（3）环境因素（4特征）：环境温度（15-38°C）、湿度（30-85%）、海拔高度和运动表面类型（草地/人工草坪/室内/跑道）；（4）训练负荷指标（4特征）：训练强度（RPE量表2-10）、时长（30-180分钟）、训练负荷和疲劳指数。这种多传感器融合策略能够从生理、力学、环境和负荷多个维度全面评估损伤风险。

该数据集在运动医学、运动损伤预防和可穿戴健康监测领域具有重要应用价值。支持的研究任务包括：基于深度学习（CNN、LSTM、Transformer）的时序模式识别、实时运动员监测系统开发、损伤前模式分析与早期预警指标识别、训练负荷与疲劳关系研究、多模态特征融合算法开发、类别不平衡学习方法验证以及个性化损伤风险评估模型构建。数据集的损伤定义明确（需医疗干预或导致≥1天训练缺席的肌肉骨骼损伤），且将损伤前7天样本标记为高风险，为预测性建模提供了临床相关的标注策略。此外，数据集为智能运动训练系统、损伤预防可穿戴设备、运动队医疗决策支持工具以及精英运动员健康管理平台的开发提供了数据基础。

数据集来源

包含156名运动员在6个月内采集的15,420条多模态运动损伤监测数据，整合生理指标、生物力学、环境因素和训练负荷共22个传感器特征，标注健康、低风险和高风险三级损伤状态。由张家梁(Bob)整理并于2026年在7zcode平台公开发布。

数据集信息

免责声明与引用

数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。

作者信息

作者：Bob (张家梁)
项目编号：Datasets-41
文件大小：2.6M
原创声明：本数据集为整理作品