高性能运动数据共享新解法!合成数据的应用考量

在体育科学中，尤其是高性能运动环境下，数据常被视为竞争优势，难以公开共享，限制了开放科学与FAIR数据原则的推广。合成数据作为一种替代性数据源，可在保护个体隐私的前提下模拟原始数据特征，促进数据共享与二次分析。本研究以职业足球运动员的负荷与伤病数据为例，探讨合成数据在体育科研中的应用潜力与挑战。

 图1（Fig.1）模拟条件 1 的 GEE 结果与运动员个体数据：该图显示基础模拟条件下合成数据能精准复刻原研究 GEE 分析结果，但因未纳入时间预测变量，无法保留运动员个体训练负荷的纵向时间趋势，表现为负荷数据的置信区间极宽。

图 2（Fig.2）模拟条件 4 的 GEE 结果与运动员个体数据：该图显示当生成模型加入多个时间滞后变量后，合成数据能很好保留运动员个体训练负荷的纵向时间趋势（置信区间收窄），但GEE结果复现能力明显下降。

使用Fanchini等人（2018）发表的职业足球运动员数据集，包含34名球员、120周的训练负荷与伤病记录。

聚焦训练负荷与非接触性损伤的关联研究场景，纳入能反映运动员纵向监测特征的数值型、名义型、二分类变量；选取急性负荷、慢性负荷、伤病状态、球员ID和周次ID五个变量用于合成数据生成。

全局效用（数据集整体相似性）与特定效用（原始研究结果的复现能力），同时记录计算时间、负荷变量的平均绝对误差。

使用R语言中的synthpop包，基于分类与回归树（CART）方法，设置七种模拟条件，评估不同变量生成顺序与预测变量对合成数据质量的影响。

04

在所有模拟条件下，合成数据均表现出较高的全局效用。然而，特定效用（即复现原始广义估计方程结果的能力）在生成模型与原始分析模型一致时最佳（模拟条件1）。随着时间预测变量的增加，虽然个体负荷趋势的复现能力提升，但GEE结果的复现能力下降。合成伤病变量时计算负担显著增加（单次生成超22分钟）。研究表明，合成数据的用途高度依赖于其生成过程中的模型设定与变量关系保留情况。

图3（Fig.3）效用间的权衡关系：该图直观呈现了合成数据生成过程中的核心权衡，随着生成模型中加入更多时间预测变量（从条件1到条件4），合成数据在复现个体负荷时间轨迹方面的精度不断提高（图3A、3B误差下降），但其在复现原始研究统计结果（GEE分析）方面的能力却不断下降（图3C误差上升）。

这一可视化结果直接支撑了文章的核心结论——合成数据的生成模型必须与其预期用途相匹配，揭示了生成模型与原始分析模型一致性对特定效用的关键影响。

合成数据的可用性取决于其生成模型是否与原始分析模型一致。若仅用于复现原研究结果，生成模型应尽量贴近原分析模型；若用于探索性分析，则需保留更多原始数据特征（如时间趋势）。研究者应明确说明生成过程与使用限制。

全文链接 Full text link