Научные исследования

Исследовательский документ 1:

Планирование программы спортивных тренировок с использованием адаптивной оптимизации роя частиц с упором на физиологические ограничения

Наттапон — Кумьяито и др. BMC Res Notes (2018) 11:9 https://doi.org/10.1186/s13104-017-3120-9

Аннотация: «Целью этого исследования было создание практического плана тренировок на велосипеде, который существенно улучшает спортивные результаты, одновременно удовлетворяя основные физиологические ограничения. Адаптивная оптимизация роя частиц с использованием методов ɛ-ограничений использовалась для формулирования такого плана и моделирования вероятных результатов производительности. Физиологическими ограничениями, рассматриваемыми в этом исследовании, были монотонность, постоянная скорость нарастания тренировочной нагрузки и ежедневный тренировочный импульс».

В этой статье упоминается интересный метод оптимизации плана обучения, Адаптивная оптимизация роя частиц с использованием методов ɛ-ограничений, а также показан метод математического моделирования для формулирования проблемного пространства. Он принимает улучшение физической подготовки как положительный результат, а утомление как отрицательный результат и вводит формулу для количественной оценки общего эффекта спортивной тренировки.

Он также ссылается на другие важные статьи в области исследований спортивной подготовки, наиболее интересной из которых является так называемая модели взаимодействия тренировки и результатов, которые определяют взаимосвязь между программами спортивных тренировок и намеченными целями. Результаты.

Исследовательский документ 2:

Использование моделей фитнес-усталость для моделирования спортивных результатов: концептуальные проблемы и вклад машинного обучения

Имбах Ф., Саттон-Чарани Н., Монтмейн Дж. и др. Использование моделей фитнес-усталости для моделирования спортивных результатов: концептуальные проблемы и вклад машинного обучения. Sports Med — Open 8, 29 (2022 г.). https://doi.org/10.1186/s40798-022-00426-x

Аннотация: «Модели фитнес-усталость основаны на экспертных знаниях и могут быть расширены на более сложные функции, включая другие факторы спортивных результатов, в целях прогнозирования, избегая при этом переобучения.

Благодаря методам ансамблевого обучения, таким как суммирование, подходы машинного обучения не являются альтернативой моделям фитнес-усталости, а, скорее, способом улучшить их прогностические возможности, сохраняя при этом экспертную информацию при моделировании.»

В этой статье представлен метод моделирования тренировочного эффекта, называемый «Модель фитнес-усталость» (FFM), с предположением, что каждая тренировка действительно создает небольшую длительную положительную адаптацию — «Фитнес» — и большие кратковременные отрицательные адаптации — «Усталость». из которых экспоненциально затухают с течением времени соответственно по величине и скорости. Моделируемая производительность представлена ​​разницей между физической подготовленностью и утомляемостью.

Страница исследования 3:

Оценка производительности с использованием модели фитнес-усталости с обратной связью по фильтру Калмана

Колосса Д., Бин Ажар М.А., Раше К., Эндлер С., Ханакам Ф., Ферраути А. и Пфайффер М. Оценка производительности с использованием модели фитнес-усталости с фильтром Калмана Обратная связь» Международный журнал компьютерных наук в спорте, том 16, № 2, 2017 г., стр. 117–129. https://doi.org/10.1515/ijcss-2017-0010

Аннотация: «Отслеживание и прогнозирование результатов спортсменов представляет большой интерес не только для науки о тренировках, но и, во все большей степени, для серьезных любителей. Растущая доступность и использование умных часов и фитнес-трекеров означает, что становится доступным большое количество данных, и интерес к оптимальному использованию этих данных для отслеживания производительности и оптимизации тренировок велик. Одной из конкурентоспособных моделей в этой области является модель фитнес-утомления с 3-постоянными временными константами Буссо, основанная на модели Банистера и его коллег. Далее мы покажем, что эту модель можно эквивалентно записать как линейную, изменяющуюся во времени модель в пространстве состояний. При таком понимании становится ясно, что все методы оптимального отслеживания в моделях в пространстве состояний также напрямую применимы и здесь. В качестве примера мы покажем, как фильтр Калмана можно математически последовательно объединить с моделью фитнес-усталости. Это дает нам возможность оптимально учитывать показатели производительности, чтобы адаптировать оценки физической подготовки и утомляемости на основе данных. Результаты показывают, что этот подход способен значительно улучшить отслеживание и прогнозирование производительности в ряде различных сценариев.».

Исследовательский документ 4:

Нелинейная модель для характеристики и оптимизации спортивных тренировок и результатов

Тернер, Джеймс Д., Маццолени, Майкл Дж., Литтл, Джаред А., Секейра, Дейн и Манн, Брайан П.. Нелинейная модель для характеристики и оптимизации спортивных тренировок и результатов, Биомедицинская кинетика человека, том 9, № 1, 2017, стр. 82–93. https://doi.org/10.1515/bhk-2017-0013

Аннотация: «Математические модели взаимосвязи между тренировкой и производительностью облегчают разработку протоколов тренировок для достижения целей производительности. Однако нынешние линейные модели не учитывают нелинейные физиологические эффекты, такие как насыщение и перетренированность. Это серьезно ограничивает их практическое применение, особенно для оптимизации стратегий обучения. В этом исследовании описывается, анализируется и применяется новая нелинейная модель для объяснения этих физиологических эффектов. Материал и методы. В этом исследовании рассматриваются равновесия и переходная реакция модели нелинейного дифференциального уравнения, чтобы показать ее характеристики и тенденции, оптимизируются протоколы обучения с использованием генетических алгоритмов для максимизации производительности путем применения модели при различных реалистичных ограничениях, а также представлен практический пример, соответствующий модель данных о производительности человека. Результаты: Нелинейная модель отражает эффекты насыщения и перетренированности; создает реалистичные протоколы тренировок с прогрессией тренировок, фазой высокой интенсивности и ее снижением; и близко соответствует экспериментальным данным о производительности. Сопоставление параметров модели с подмножествами данных определяет, какие параметры имеют наибольшую изменчивость, но показывает, что прогнозы производительности относительно последовательны. Выводы: Эти результаты обеспечивают новую математическую основу для моделирования и оптимизации программ спортивных тренировок с учетом личной физиологии человека, ограничений и целей производительности.»

Исследовательский документ 5:

Современные подходы к использованию искусственного интеллекта для оценки риска травм и прогнозирования результатов в командных видах спорта: систематический обзор

Клаудино Дж.Г., Капанема Д.Д., де Соуза Т.В. и др. Современные подходы к использованию искусственного интеллекта для оценки риска травм и прогнозирования результатов в командных видах спорта: систематический обзор. Sports Med — Open 5, 28 (2019). https://doi.org/10.1186/s40798-019-0202-3

Абстрактный: "

  • Методы или методы искусственного интеллекта, которые в настоящее время используются в спорте прогнозирование результатов, — это искусственная нейронная сеть, классификатор дерева решений, Марковский процесс и машина опорных векторов в таких видах спорта, как баскетбол, футбол и волейбол.
  • Для оценки риска травм используются искусственная нейронная сеть, классификатор дерева решений и машина опорных векторов. используется в футболе, баскетболе, американском футболе, австралийском футболе и гандболе.
  • Применение методов искусственного интеллекта в командных видах спорта имеет потенциал для дальнейшего роста, учитывая постоянное развитие этой области и проведение оценочных исследований в спортивной практике для установления прогнозируемой эффективности каждого конкретного метода/техники.”

В этой статье представлен обзор применения методов искусственного интеллекта для прогнозирования спортивных результатов и оценки риска травм.

Исследовательский документ 6:

Исследование прогнозирования спортивных результатов на основе нейронной сети BP

Ситонг Ян, Лина Луо, Баохуа Тан, Исследование прогнозирования спортивных результатов на основе нейронной сети BP, Mobile Information Systems, vol. 2021, ID статьи 5578871, 8 страниц, 2021. https://doi.org/10.1155/2021/5578871

Аннотация: «Искусственная нейронная сеть обладает преимуществами самообучения и отказоустойчивости, тогда как нейронная сеть BP имеет простые алгоритмы обучения и мощные возможности обучения. Нейросетевой алгоритм БП получил широкое распространение на практике. В данной статье проводятся исследования по прогнозированию спортивных результатов на основе алгоритмов 5G и искусственных нейронных сетей. В этой статье алгоритм нейронной сети BP используется в качестве метода предварительного моделирования для прогнозирования результатов 30-го олимпийского чемпионата по легкой атлетике среди мужчин на 100 м и поддерживается набором инструментов нейронной сети MATLAB. Согласно экспериментальным результатам, схема, предложенная в этой статье, имеет лучшую производительность, чем другие стратегии прогнозирования. Чтобы изучить возможности и применение нейронной сети BP для такого рода прогнозирования, предстоит проделать большую работу. Модель обладает высокой точностью прогнозирования и предоставляет новый метод прогнозирования спортивных результатов. Результаты показывают, что алгоритм нейронной сети BP можно использовать для прогнозирования спортивных результатов с высокой точностью прогнозирования и сильной способностью к обобщению.».

«Вклад этой статьи резюмируется следующим образом:

(1)В этом документе предлагается новый метод предварительного моделирования, который сочетает в себе алгоритм BP и 5G

(2)В этой статье комбинированный алгоритм используется в качестве метода предварительного моделирования для прогнозирования результатов 30-го олимпийского чемпионата по легкой атлетике среди мужчин на 100 м и поддерживается набором инструментов нейронной сети MATLAB.»

Примечание. BP — обратное распространение, которое представляет собой обычный процесс оптимизации весов нейронной сети на основе некоторых функций ошибок/стоимости.

Использование нейронной сети BP для прогнозирования производительности основано на больших обучающих данных для обучения модели.

Эта модель использует несколько функций в качестве входных данных:

  • утренний пульс
  • кровяное давление: включая артериальное кровяное давление, венозное кровяное давление и капиллярное давление.
  • насыщение кислородом

Заключение

Изучив приведенные выше исследовательские работы, я понял следующее:

  1. Общим подходом является традиционная математическая модель Модель фитнес-усталости и ее вариации. Однако параметры, используемые в этой модели, потребуют тщательного выбора и постоянной корректировки. Эта модель нуждается в дополнительной корректировке, чтобы справиться с нелинейными изменениями, такими как перетренированность.
  2. различные модели машинного обучения могут давать более точные прогнозы. Однако для обучения моделей потребуется значительный объем данных.