Οπτικοποίηση δεδομένων και χρήση μηχανικής μάθησης για ανάλυση απόδοσης ποδοσφαιριστών και πρόληψης τραυματισμών
| datacite.contributor.RelatedPerson | Μακρής, Χρήστος | |
| datacite.contributor.RelatedPerson | Τσώλης, Δημήτριος | |
| datacite.contributor.Supervisor | Σιούτας, Σπυρίδων | |
| dc.contributor.author | Διαμαντόπουλος, Ιωάννης | |
| dc.contributor.other | Diamantopoulos, Ioannis | |
| dc.date.accessioned | 2025-07-11T10:42:33Z | |
| dc.date.available | 2025-07-11T10:42:33Z | |
| dc.date.issued | 2025-07-10 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η παρούσα διπλωματική εργασία επικεντρώνεται στην ανάπτυξη ενός συστήματος για την ανάλυση της απόδοσης ποδοσφαιριστών μέσω δεδομένων GPS και μεθόδων μηχανικής μάθησης. Ο κύριος στόχος είναι η συλλογή, επεξεργασία και οπτικοποίηση δεδομένων προπονήσεων και αγώνων, καθώς και η αξιολόγηση του προπονητικού φόρτου των παικτών. Το σύστημα βασίζεται σε αρχιτεκτονική backend με Spring Boot και PostgreSQL για την αποθήκευση των δεδομένων, ενώ το frontend αναπτύχθηκε με React για την οπτικοποίησή τους. Οι μετρήσεις απόδοσης περιλαμβάνουν τη συνολική απόσταση, το τρέξιμο υψηλής ταχύτητας, τις επιταχύνσεις, τις επιβραδύνσεις και τη μετρική εξωτερικού προπονητικού φόρτου. Επιπλέον, η μελέτη εξετάζει τη χρήση της μεθόδου K-Means συσταδοποίησης για την ταξινόμηση των ποδοσφαιριστών σε διαφορετικά επίπεδα φόρτου προπόνησης, παρέχοντας έτσι ένα εργαλείο αξιολόγησης των προπονήσεων. Η ανάλυση περιλαμβάνει τη σύγκριση μεταξύ της μετρικής ACWR, της μετρικής εξωτερικού προπονητικού φόρτου και των αποτελεσμάτων του συσταδοποίησης, ώστε να διερευνηθεί η καταλληλότητά τους στην παρακολούθηση του προπονητικού φόρτου. Τα αποτελέσματα δείχνουν ότι η χρήση μεθόδων συσταδοποίησης μπορεί να προσφέρει πρόσθετη αξία στην κατηγοριοποίηση του προπονητικού φόρτου και να βελτιώσει τη διαχείριση της προπονητικής επιβάρυνσης. Τέλος, η εργασία προτείνει μελλοντικές βελτιώσεις, όπως η ενσωμάτωση εξατομικευμένων μοντέλων μηχανικής μάθησης και η εφαρμογή του συστήματος σε επαγγελματικό επίπεδο. | |
| dc.description.translatedabstract | In modern football, the use of data analytics has become a key factor in optimizing player performance and preventing injuries. This diploma thesis presents the design and development of a web-based application that aims to support coaches and analysts by providing advanced data visualization and training load analysis tools based on GPS-derived metrics. The system is implemented using a full-stack approach. The backend is developed in Spring Boot and exposes a secure RESTful API, while the frontend is built with React, enabling an interactive user interface and dynamic data visualizations using the Recharts library. Player and session data are stored in a PostgreSQL relational database and are processed to extract key performance indicators such as total distance, high speed running (HSR), accelerations, decelerations, and sprint distance. To evaluate training load and potential injury risk, we apply existing mathematical models such as the Acute:Chronic Workload Ratio (ACWR) and GPS-based external load metrics. Furthermore, we introduce a machine learning module utilizing K-Means clustering and PCA dimensionality reduction to categorize player sessions into different workload levels. This categorization aims to assist coaching staff in identifying abnormal training loads and making informed decisions. The thesis also explores potential future extensions of the system, such as the integration of personalized machine learning models, support for larger datasets, and real-time monitoring capabilities. The proposed platform provides a foundation for smarter, data-driven decision making in football training environments. | |
| dc.identifier.uri | https://hdl.handle.net/10889/30096 | |
| dc.language.iso | el | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | |
| dc.subject | Προπονητικός φόρτος | |
| dc.subject | Ποδοσφαιρική ανάλυση | |
| dc.subject | Ρίσκος τραυματισμού | |
| dc.subject | Εξωτερικός φόρτος | |
| dc.subject | Μηχανική μάθηση | |
| dc.subject | Συσταδοποίηση | |
| dc.subject.alternative | Training load | |
| dc.subject.alternative | Football analytics | |
| dc.subject.alternative | Injury risk | |
| dc.subject.alternative | External load | |
| dc.subject.alternative | Machine learning | |
| dc.subject.alternative | Clustering | |
| dc.title | Οπτικοποίηση δεδομένων και χρήση μηχανικής μάθησης για ανάλυση απόδοσης ποδοσφαιριστών και πρόληψης τραυματισμών | |
| dc.title.alternative | Data visualisation and machine learning for football player performance analysis and injury prevention |