Модель, созданная в СПбГЭТУ «ЛЭТИ», позволит с высокой точностью индивидуально для каждого спортсмена рассчитывать анаэробный порог – важнейший показатель для мониторинга физической подготовки.
В ЛЭТИ предложили повышать выносливость спортсменов с помощью методов машинного обучения / ©Getty images
Анаэробный порог — это самый высокий уровень интенсивности, который человек может выдерживать в течение длительного времени без того, чтобы в крови накапливалось значительное количество лактата (это снижает общее физическое состояние организма).
Поэтому одна из задач профессиональных спортсменов во время тренировочного процесса – постоянное повышение анаэробного порога, для усиления общей выносливости организма. Однако точное определение анаэробного порога является сложной задачей, поскольку зависит от большого количества факторов: физиологических особенностей конкретного спортсмена и системы методов и пред ставлений о подготовки со стороны тренерского персонала.
«С помощью методов машинного обучения мы разработали модель, которая сможет улучшить точность предсказания анаэробного порога, являющегося одним из основных критериев при мониторинге подготовки профессиональных спортсменов. Эта разработка позволит повысить эффективность тренировочного процесса», – рассказывает доцент кафедры автоматики и процессов управления СПбГЭТУ «ЛЭТИ» Дмитрий Каплун.
Созданию модели предшествовал сбор данных, который проводили исследователи Научно-исследовательского института гигиены, профпатологии и экологии человека и Северо-Западного государственного медицинского университета имени И. И. Мечникова. Они тестировали спортсменов на специальных установках, имитирующих тренировочный процесс и физиологическое состояние при достижении анаэробного порога. Сбор данных (частота сердечных сокращений, насыщение крови кислородом и прочее) у испытуемых проводился с помощью датчиков. Для сбора данных было проведено более 1,2 тысяч наблюдений.
Затем полученные данные были использованы учеными ЛЭТИ для обучения прогностической модели. Для достижения максимально возможной точности анализа данных было применено четыре различных метода машинного обучения, полученная модель способна определять физиологические показатели (в количественном выражении), которые ограничивают повышение анаэробного порога в ходе тренировок. Для этого ученые использовали специальный пояснительный алгоритм LIME (Local Interpretable Model-Agnostic Explanations). Результаты работы опубликованы в научном журнале Biomedical Signal Processing and Control.
«Разработанная модель определения анаэробного порога позволяет выявлять закономерности, влияющие на результат теста, и, как следствие, прогнозировать ход тренировочного процесса, чтобы спортсмен действовал эффективно без недоработок или переработок, и выходил на соревнования на пике формы», – поясняет Дмитрий Каплун. Сейчас ученые работают над повышением точности созданной модели путем применения других более сложных алгоритмов машинного обучения.
