Применение нейронных сетей для прогнозирования и моделирования тренировочного процесса в легкой атлетике

Введение. Эффективность современной многолетней тренировки бегунов на короткие дистанции обусловлена реализацией целого комплекса различных направлений, среди которых важное место отводится анализу и прогнозированию физической подготовленности [1, 8]. Модели физической подготовленности, достижение которых связано с выходом спортсмена на уровень заданного спортивного результата, являются тем системообразующим фактором, который не только определяет структуру и содержание процесса многолетней подготовки, но и предотвращает форсирование многолетней подготовки спортивного резерва [3, 5, 10].

Актуальным и перспективным подходом в практике спортивной тренировки является использование информационных технологий, в частности, нейронных сетей (искусственного интеллекта), позволяющих выявлять скры- тые закономерности из большого количества факторов, влияющих на спортивный результат, делать правильные прогнозы и принимать верные решения [2, 6, 7].

Прогнозирование результатов физической подготовленности и создание индивидуальных моделей с помощью нейросетевого программирования будет способствовать повышению эффективности тренировочных воздействий через модельные ориентиры и избирательный подход к выбору тренировочных средств на различных этапах многолетнего цикла подготовки легкоатлетов.

Гипотеза исследования: предполагалось, что применение аппарата нейронных сетей позволит определить наиболее оптимальные разновидности и объемы тренировочных воздействий для прогнозирования физической подготовленности бегунов на 400 м, основанных на количественных показателях трениро- вочных средств в годичных циклах подготовки, и повысит эффективность управления тренировочным процессом спринтеров.

Материал и методы. При проведении исследования использовался программный продукт «Нейронная сеть v2.4.2» разработчика Jwsoft.Net, программа предназначена для создания нейронной сети с произвольной конфигурацией [4, 11]. Задачу моделирования индивидуальной тренировочной траектории было решено осуществить с применением многослойного перцептрона [9].

Испытуемыми являлись спортсмены 18–20 лет, специализирующиеся в беге на 400 м, в количестве 10 человек – пять легкоатлетов I спортивного разряда, пять – кандидатов в мастера спорта.

Для настройки нейросети используются различные показатели, в нашем случае это годовые объемы тренировочных средств и результаты контрольных упражнений спортсменов. Для обучения нейронной сети служили ежемесячные показатели бегунов на 400 м в годичном цикле тренировки за 2014/2015 гг., 2015/2016 гг. контрольных упражнений: десятерной прыжок с разбега; 300 + 100 м (через 1 минуту отдыха), 4×100 м (через 1 минуту отдыха), бег 400 м, а также выполняемые объемы основных тренировочных средств (общая выносливость; силовая; скоростная, скоростно-силовая; специальная выносливость).

В качестве исходной информации были выбраны 8 показателей каждого спортсмена (n = 10) по месяцам подготовки в годичном цикле 2014/2015 гг. и 2015/2016 гг., всего было обработано 1760 показателей.

Результаты исследования. При планировании годового цикла 2016/2017 гг. были увеличены объемы тренировочных средств по сравнению с прошлыми годами: скоростной работы – до 14 %, специальной выносливости – до 12 %, силовой работы и выносливости – по 2 %, прыжковая работа осталась на уровне 2015/2016 гг.

Для моделирования физической подготовленности бегунов на 400 м в сезоне 2016/2017 гг. в обученную нейронную сеть были внесены показатели ежемесячных объемов основных средств тренировки. И здесь просматривается очень интересная задача с точки зрения моделирования: как должен быть построен тренировочный цикл и трансформироваться подготовка бегунов на 400 м по мере роста спортивной результативности. На это можно ответить в рамках развитой модели нейронной сети.

Сочетание исследуемых тренировочных средств и ежемесячных результатов в контрольных упражнениях позволили спрогнозировать нейронной сети соревновательный результат бегунов I разряда и КМС предстоящего годичного цикла 2016/2017 гг.

Динамика и разница результатов, показанных в контрольных упражнениях и рассчитанных нейронной сетью в беге на 400 м у спортсменов I разряда и кандидатов в мастера спорта, представлены на рис. 1, 2.

Результаты, рассчитанные нейронной сетью для спортсменов I разряда, оказались незначительно выше, чем фактические результаты, показанные в течение годичного цикла. Наибольшие расхождения зафиксированы в зимний и летний соревновательные периоды –

Рис. 1. Динамика результатов в беге на 400 м у спортсменов I разряда и спрогнозированных нейронной сетью

Fig. 1. Dynamics of results in 400 meter run for the athletes of the 1st rank and the results predicted by the neural network

Рис. 2. Динамика результатов в беге на 400 м у спортсменов КМС и спрогнозированных нейронной сетью

Fig. 2 Dynamics of results in 400 meter run for the athletes with the rank of Candidate for Master of Sport and the results predicted by the neural network

от 0,3 до 1 секунды. Надежность прогноза результатов составила 98–99 % (см. рис. 1).

Достоверность прогноза смоделированного результата нейронной сетью у КМС выше – от 99 до 99,9 %, а собственные результаты бегунов лучше, чем расчетные показатели нейронной сети. Отмечается меньшая разница по окончании осеннего подготовительного и в летний соревновательный период – от 0,25 до 0,36 секунды (см. рис. 2).

С помощью технологии нейронных сетей появляется возможность моделировать уровень физической подготовленности спортсмена, построить индивидуальную траекторию развития каждого спортсмена, прогнозируя тем самым вероятный результат в избранном виде легкой атлетики, и разрабатывать индивидуальные траектории планирования многолетней подготовки.

Соответствие фактического уровня подготовленности каждого спортсмена модельным значениям позволяет говорить о том, что спортсмен достиг необходимого для максимального результата уровня. Если уровень подготовленности превышает модельные значения, то можно говорить о форсировании тренировочной нагрузки в многолетней подготовке легкоатлетов. На основании полученной информации, учитывая динамику состояния готовности спортсмена, тренер может вносить коррективы в тренировочный процесс.

Заключение. Использование средств искусственного интеллекта, таких как нейронная сеть, в прогнозировании спортивных достижений и спортивной подготовленности является современным и перспективным методом развития теории и методики спортивной тренировки. С помощью технологии нейронных сетей появляется возможность прогнозировать уровень физической подготовленности спортсмена, моделируя тем самым вероятный результат в избранном виде легкой атлетики.