As funções cognitivas são capazes de predizer a efetividade geral e as contribuições do atleta para a equipe em jogos reduzidos de futebol? Uma abordagem utilizando aprendizado de máquina

O futebol é um esporte coletivo dinâmico caracterizado por alta demanda cognitiva, onde a tomada de decisão rápida e eficiente é necessária. O presente estudo teve como objetivo explorar como os dados das funções cognitivas estão relacionados ao desempenho de jovens jogadores de futebol de alto níve...

ver descrição completa

Detalhes bibliográficos
Autor: Monteiro, Rafael Luiz Martins
Formato: tesis de maestría
Estado:Versión publicada
Fecha de publicación:2024
País:Brasil
Recursos:Universidade de São Paulo (USP)
Repositorio:Biblioteca Digital de Teses e Dissertações da USP
Idioma:portugués
OAI Identifier:oai:teses.usp.br:tde-18022025-141442
Acesso em linha:https://www.teses.usp.br/teses/disponiveis/17/17164/tde-18022025-141442/
Access Level:acceso abierto
Palavra-chave:Aprendizado de máquina
Cognitive functions
Funções cognitivas
Futebol
Jogos reduzidos
Machine learning
Small-sided games
Soccer
id BR_ee2ea0f8b5e507a9dd863a0a67ba97a9
oai_identifier_str oai:teses.usp.br:tde-18022025-141442
network_acronym_str BR
network_name_str Brasil
repository_id_str
dc.title.none.fl_str_mv As funções cognitivas são capazes de predizer a efetividade geral e as contribuições do atleta para a equipe em jogos reduzidos de futebol? Uma abordagem utilizando aprendizado de máquina
Are cognitive functions capable of predicting the overall effectiveness and the contributions of athletes to the team in small-sided soccer games? A machine learning approach
title As funções cognitivas são capazes de predizer a efetividade geral e as contribuições do atleta para a equipe em jogos reduzidos de futebol? Uma abordagem utilizando aprendizado de máquina
spellingShingle As funções cognitivas são capazes de predizer a efetividade geral e as contribuições do atleta para a equipe em jogos reduzidos de futebol? Uma abordagem utilizando aprendizado de máquina
Monteiro, Rafael Luiz Martins
Aprendizado de máquina
Cognitive functions
Funções cognitivas
Futebol
Jogos reduzidos
Machine learning
Small-sided games
Soccer
title_short As funções cognitivas são capazes de predizer a efetividade geral e as contribuições do atleta para a equipe em jogos reduzidos de futebol? Uma abordagem utilizando aprendizado de máquina
title_full As funções cognitivas são capazes de predizer a efetividade geral e as contribuições do atleta para a equipe em jogos reduzidos de futebol? Uma abordagem utilizando aprendizado de máquina
title_fullStr As funções cognitivas são capazes de predizer a efetividade geral e as contribuições do atleta para a equipe em jogos reduzidos de futebol? Uma abordagem utilizando aprendizado de máquina
title_full_unstemmed As funções cognitivas são capazes de predizer a efetividade geral e as contribuições do atleta para a equipe em jogos reduzidos de futebol? Uma abordagem utilizando aprendizado de máquina
title_sort As funções cognitivas são capazes de predizer a efetividade geral e as contribuições do atleta para a equipe em jogos reduzidos de futebol? Uma abordagem utilizando aprendizado de máquina
dc.creator.none.fl_str_mv Monteiro, Rafael Luiz Martins
author Monteiro, Rafael Luiz Martins
author_facet Monteiro, Rafael Luiz Martins
author_role author
dc.contributor.none.fl_str_mv Santiago, Paulo Roberto Pereira
dc.subject.por.fl_str_mv Aprendizado de máquina
Cognitive functions
Funções cognitivas
Futebol
Jogos reduzidos
Machine learning
Small-sided games
Soccer
topic Aprendizado de máquina
Cognitive functions
Funções cognitivas
Futebol
Jogos reduzidos
Machine learning
Small-sided games
Soccer
description O futebol é um esporte coletivo dinâmico caracterizado por alta demanda cognitiva, onde a tomada de decisão rápida e eficiente é necessária. O presente estudo teve como objetivo explorar como os dados das funções cognitivas estão relacionados ao desempenho de jovens jogadores de futebol de alto nível em diferentes demandas de jogos reduzidos, utilizando algoritmos de aprendizado de máquina para prever o nível de desempenho dos atletas e descrever as funções cognitivas mais importantes para a previsão de cada demanda do jogo. Quarenta e quatro atletas do sexo masculino (16,51±0,57 anos) da categoria Sub-17 de duas equipes de futebol participaram do estudo. Para a avaliação do desempenho em campo, foi implementado um protocolo de jogos múltiplos reduzidos, com partidas de 3 contra 3 jogadores, sem goleiro. As métricas de desempenho foram: gols feitos (GF), gols sofridos (GS), gols feitos por companheiros de equipe (GC) e saldo de gols (SG). As funções cognitivas avaliadas foram: flexibilidade cognitiva (FC), impulsividade (I), atenção sustentada (AS), memória de trabalho visuoespacial (MTV) e capacidade de rastreamento (CR). O algoritmo k-means clustering foi aplicado para separar as métricas de desempenho em campo em dois grupos: jogadores de desempenho inferior e superior. As funções cognitivas foram misturadas em 31 conjuntos de dados com todas as combinações para a previsão de desempenho em campo. Sete algoritmos de aprendizado de máquina supervisionado de classificação foram testados. Os algoritmos de destaque foram K-nearest neighbors e Multilayer Perceptron. Os melhores modelos apresentaram acurácias balanceadas variando de 69% a 72%. Para a previsão de GF, a FC e CR se destacaram. AS e MTV apresentaram melhores resultados na previsão de GS. Em relação ao GC, AS, I e FC proporcionaram melhores previsões. Por fim, a combinação de FC, I e MTV, justamente as funções executivas, apresentou resultados superiores na previsão de SG, uma medida que reflete a eficácia geral dos atletas. As funções cognitivas demonstraram sensibilidade para diferenciar o desempenho dos atletas em jogos reduzidos e destacaram as funções cognitivas que apresentaram melhor previsão para as diferentes demandas do jogo de futebol.
publishDate 2024
dc.date.none.fl_str_mv 2024-10-16
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/17/17164/tde-18022025-141442/
url https://www.teses.usp.br/teses/disponiveis/17/17164/tde-18022025-141442/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1853664443415658496
spelling As funções cognitivas são capazes de predizer a efetividade geral e as contribuições do atleta para a equipe em jogos reduzidos de futebol? Uma abordagem utilizando aprendizado de máquinaAre cognitive functions capable of predicting the overall effectiveness and the contributions of athletes to the team in small-sided soccer games? A machine learning approachAprendizado de máquinaCognitive functionsFunções cognitivasFutebolJogos reduzidosMachine learningSmall-sided gamesSoccerO futebol é um esporte coletivo dinâmico caracterizado por alta demanda cognitiva, onde a tomada de decisão rápida e eficiente é necessária. O presente estudo teve como objetivo explorar como os dados das funções cognitivas estão relacionados ao desempenho de jovens jogadores de futebol de alto nível em diferentes demandas de jogos reduzidos, utilizando algoritmos de aprendizado de máquina para prever o nível de desempenho dos atletas e descrever as funções cognitivas mais importantes para a previsão de cada demanda do jogo. Quarenta e quatro atletas do sexo masculino (16,51±0,57 anos) da categoria Sub-17 de duas equipes de futebol participaram do estudo. Para a avaliação do desempenho em campo, foi implementado um protocolo de jogos múltiplos reduzidos, com partidas de 3 contra 3 jogadores, sem goleiro. As métricas de desempenho foram: gols feitos (GF), gols sofridos (GS), gols feitos por companheiros de equipe (GC) e saldo de gols (SG). As funções cognitivas avaliadas foram: flexibilidade cognitiva (FC), impulsividade (I), atenção sustentada (AS), memória de trabalho visuoespacial (MTV) e capacidade de rastreamento (CR). O algoritmo k-means clustering foi aplicado para separar as métricas de desempenho em campo em dois grupos: jogadores de desempenho inferior e superior. As funções cognitivas foram misturadas em 31 conjuntos de dados com todas as combinações para a previsão de desempenho em campo. Sete algoritmos de aprendizado de máquina supervisionado de classificação foram testados. Os algoritmos de destaque foram K-nearest neighbors e Multilayer Perceptron. Os melhores modelos apresentaram acurácias balanceadas variando de 69% a 72%. Para a previsão de GF, a FC e CR se destacaram. AS e MTV apresentaram melhores resultados na previsão de GS. Em relação ao GC, AS, I e FC proporcionaram melhores previsões. Por fim, a combinação de FC, I e MTV, justamente as funções executivas, apresentou resultados superiores na previsão de SG, uma medida que reflete a eficácia geral dos atletas. As funções cognitivas demonstraram sensibilidade para diferenciar o desempenho dos atletas em jogos reduzidos e destacaram as funções cognitivas que apresentaram melhor previsão para as diferentes demandas do jogo de futebol.Soccer is a dynamic team sport characterized by high cognitive demand, where quick and efficient decision-making is necessary. The present study aimed to explore how cognitive function data are related to the performance of youth high-level soccer players on different demands of small-sided games using machine learning algorithms to predict the performance level of the athletes and describe the most important cognitive functions for each game demand prediction. Forty-four male athletes (16.51±0.57 years old) from the U-17 category of two soccer teams participated in the study. For on-field performance evaluation, a small-sided multiple games protocol was implemented, with 3 vs 3 player matches without a goalkeeper. Performance metrics were: individual goals (IG), conceded goals (CG), goals by teammates (GT); and net goals (NG). Cognitive functions assessment aimed to measure cognitive flexibility (CF), impulsivity (I), sustained attention (SA), visuospatial working memory (VWM), and tracking capacity (TC). k-means clustering was applied to segment on field performance metrics into two groups: inferior and superior performance players. Cognitive functions were mixed in 31 datasets with all combinations for on-field performance prediction. Seven supervised machine-learning classification algorithms were tested. The standout algorithms were K-nearest neighbors and neural networks (Multilayer Perceptron). The best-supervised machine learning models presented balanced accuracies ranging from 69% to 72%. For predicting IG, CF, and TC stood out. SA and VWM presented better results in predicting CG. Regarding GT, SA, I, and CF provided better predictions. Lastly, the combination of CF, I, and VWM, precisely the executive functions, presented superior results in predicting NG, a measure reflecting athletes\' overall effectiveness. Cognitive functions demonstrated the sensitivity to differentiate athletes\' performance in small-sided games and highlighted the cognitive functions that presented better prediction for the different soccer game demands.Biblioteca Digitais de Teses e Dissertações da USPSantiago, Paulo Roberto Pereira2024-10-16info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/17/17164/tde-18022025-141442/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccessporMonteiro, Rafael Luiz Martins2025-04-24T17:46:02Zoai:teses.usp.br:tde-18022025-141442Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212025-04-24T17:46:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
score 15,301629

Registos relacionados