Прогнозирование успешности выполнения тяжелоатлетических упражнений с применением нейронной сети
Автор: Бурьян С.Б., Хасин Л.А., Потемкин С.Б.
Журнал: Человек. Спорт. Медицина @hsm-susu
Рубрика: Спортивная тренировка
Статья в выпуске: 3 т.24, 2024 года.
Бесплатный доступ
Цель: построение нейронной сети и сравнение ее результатов прогнозирования с результатами известных классификаторов classify и fitcknn системы MatLab©. Материалы и методы. Исходными данными для построения нейронной сети (НС) являлись показатели, характеризующие технику подъема штанги на грудь в удачных и неудачных подходах 17 спортсменов. Использовалась НС прямого распространения с входами по числу показателей, одним внутренним слоем из 20 нейронов и выходным слоем из двух нейронов. Ввиду недостаточности данных необходимо генерирование дополнительных показателей. При генерации использовались два подхода: 1) отдельно для удачных и неудачных подходов были определены несмещенные дисперсии и средние для каждого показателя, и генерация для каждого показателя проводилась по нормальному закону распределения с известным средним и среднеквадратичным отклонением; 2) несмещенные дисперсии и средние для каждого показателя определялись по всему множеству удачных и неудачных подходов, а генерация проводилась для каждого показателя по нормальному закону распределения с известным средним и дисперсией. После увеличения количества данных, подаваемых на вход НС, результаты классификации улучшились. Результаты. Классификация с использованием НС не уступает по точности предсказаний классификатору kNN и значительно превосходит классификатор classify. Заключение. Результаты, полученные с использованием НС, можно применять для оценки вероятности успешного подхода спортсмена на основе его индивидуальных характеристик.
Нейронная сеть, классификаторы, Neural Network Toolbox, функция newff, тяжелая атлетика, подъем штанги на грудь
Короткий адрес: https://sciup.org/147247650
IDR: 147247650 | DOI: 10.14529/hsm240312
Текст научной статьи Прогнозирование успешности выполнения тяжелоатлетических упражнений с применением нейронной сети
S.B. Buriyan1, ,
L.A. Khasin1, ,
S.B. Potemkin2, , 1 Moscow State Academy of Physical Education, Malakhovka, Moscow region, Russia 2 M.V. Lomonosov Moscow State University, Moscow, Russia
Введение. Для прогнозирования успешности выполнения спортивных, в том числе тяжелоатлетических, упражнений широко используются методы искусственного интеллекта и математического моделирования [1, 3, 11]. Наиболее распространенным методом регистрации движения является скоростная видеосъемка, в том числе 3D-съемка несколькими камерами, по результатам которой рассчитываются биомеханические характеристики [2], структура и микроструктура движения [4–6].
В литературе [13] широко обсуждаются вопросы применения методов ИИ и математических моделей в спорте. Методы машинного обучения, в том числе нейронные сети, зарекомендовали себя как эффективные классификаторы и особенно хорошо подходят для решения нелинейных задач, в том числе для задач прогнозирования [10, 14]. Использование машин опорных векторов, алгоритма машинного обучения для прогнозирования аэробной подготовленности спортсменов также показывает преимущества инструментов искусственного интеллекта в понимании физической работоспособности [12]. Обсуждаются вопросы потенциала и ограничений использования методов искусственного интеллекта, особенно в области спортивной биомеханики [9]. В работе [7] закладывается практическая основа, в которой модели искусственного интеллекта, как и в других источниках, применяются для планирования графиков тренировок в соответствии с уровнем физической подготовки.
Таким образом можно заключить, что передовые технологии могут анализировать движения человека, прогнозировать результаты и оценивать характер воздействия упражне-
ний на физические качества и технику спортсмена.
Цель исследования: построение нейронной сети и сравнение ее результатов прогнозирования с результатами известных классификаторов classify и fitcknn системы MatLab©.
Материалы и методы. Исходными данными для построения НС являлась таблица Excel, содержащая результаты подходов подъема штанги на грудь для толчка 17 спортсменами. Для каждого спортсмена измерялись значения 23 показателей при одном удачном и одном неудачном подходе [4]. Таким образом, исходная таблица Excel состояла из 17 строк (по числу участвующих спортсменов) и 46 столбцов (соответственно 23 столбца для удачных подходов и столько же для неудачных). Использовались такие показатели, как длительности фаз и микрофаз, высоты подлета штанги на границах фаз, максимальная высота подлета штанги, компактность, длительности от момента достижения максимальной высоты подлета штанги до момента касания штангой груди, от момента касания штангой груди до фиксации штанги в подседе и др. [4, 6].
Результаты исследования и их обсуждение. Для эффективной работы НС необходимо, во-первых, правильно ее сконструировать, т. е. определить количество внутренних слов, количество нейронов в каждом слое, передаточную функцию и т. п., а во-вторых, «натренировать» ее на достаточно большом множестве наблюдений [11]. По поводу первого условия нам не известны какие-либо формальные правила построения НС в зависимости от поставленной задачи. Поэтому мы использовали интуитивный способ построе-
Таблица 1
Table 1
Правильная и неправильная классификация (в % от общего числа) подходов в зависимости от общего числа подходов
Correct and incorrect classifications of attempts (% of the total number)
Общее число наблюдений (подходов) Total number of observations (attempts) |
Число наблюдений для тестирования Number of test observations |
% правильной классификации % of correct classifications |
% неправильной классификации % of incorrect classifications |
34 |
5 |
60 |
40 |
34 |
5 |
40 |
60 |
34 |
5 |
0 |
100 |
34 |
5 |
20 |
80 |
68 |
10 |
50 |
50 |
68 |
10 |
60 |
40 |
374 |
56 |
54 |
46 |
3 434 |
515 |
80 |
20 |
34 034 |
5 105 |
81 |
19 |
Таблица 2
Table 2
Правильная и неправильная классификация (в % от общего числа) подходов в зависимости от общего числа подходов
Correct and incorrect classifications of attempts (% of the total number)
Результаты сравнений нейронной сети, классификаторов classify и kNN
Comparative results between the Neural Network and classifiers ( classify, kNN )
числа наблюдений процент правильной классификации мог как увеличиваться, так и уменьшаться (табл. 2).
Приведенные результаты исследований сравнивались со стандартными классификаторами classify и fitcknn системы MatLab©. Классификатор classify основан на методах дискриминантного анализа с различными типами дискриминантных функций. В нашем случае использовалась квадратичная функция дискриминации. Классификатор fitcknn – это известный в литературе KNN-классификатор. kNN расшифровывается как k Nearest Neighbor или k Ближайших Соседей. Результаты сравнений показали, что классификатор classify
сильно уступает по точности предсказаний и нейронной сети, и классификатору kNN. А вот нейронная сеть и kNN практически всегда дают одинаковый результат (табл. 3).
Заключение. Построенная НС дает приемлемый результат классификации. Результат классификации можно улучшить путем «размножения» испытаний, подаваемых на вход НС. Классификация с использованием НС не уступает по точности некоторым другим инструментам, таким как классификатор kNN. Результаты, полученные с использованием НС, можно применять для оценки вероятности успешного подхода спортсмена на основе его индивидуальных характеристик.
Общее число наблюдений (подходов) Total number of observations (attempts) |
Число наблюдений для тестирования Number of test observations |
% правильной классификации % of correct classifications |
% неправильной классификации % of incorrect classifications |
34 |
5 |
40 |
60 |
34 |
5 |
60 |
40 |
34 |
5 |
20 |
80 |
34 |
5 |
80 |
20 |
68 |
10 |
50 |
50 |
68 |
10 |
40 |
60 |
68 |
10 |
20 |
80 |
102 |
15 |
73 |
27 |
102 |
15 |
47 |
53 |
102 |
15 |
60 |
40 |
136 |
20 |
80 |
20 |
136 |
20 |
60 |
40 |
Таблица 3
Table 3
23 показателя / 23 indicators |
|||||
Число размножений Number of reproductions |
Кол-во наблюдений Number of observations |
Кол-во проверочных примеров Number of test examples |
% правильной классификации (среднее значение) % of correct classification |
||
Нейронная сеть Neural Network |
Классификатор classify Classify classifier |
Классификатор kNN kNN classifier |
|||
0 |
24 |
4 |
35 |
30 |
15 |
1 |
48 |
8 |
20 |
40 |
15 |
2 |
72 |
12 |
25 |
35 |
5 |
10 |
264 |
44 |
100 |
86,8 |
100 |
100 |
2424 |
404 |
100 |
85,2 |
100 |
Список литературы Прогнозирование успешности выполнения тяжелоатлетических упражнений с применением нейронной сети
- Свидетельство о государственной регистрации программы для ЭВМ. Построение, обучение и тестирование нейронной сети для прогнозирования успешности выполнения подъема штанги на грудь тяжелоатлетами высокой квалификации / С.Б. Потемкин, Л.А. Хасин (Российская Федерация). – № 2023681623 дата гос. регистрации в Реестре программ для ЭВМ 16.10.2023.
- Свидетельство о государственной регистрации программы для ЭВМ. Расчет кинематических и динамических характеристик движения штанги / Л.А. Хасин, С.Б. Бурьян (Российская Федерация). – № 2017613826 дата гос. регистрации в Реестре программ для ЭВМ 03.04.2017.
- Хасин, Л.А. Анализ техники рывка с применением нейронных сетей / Л.А. Хасин, С.Б. Потемкин // Информационные технологии и компьютерное моделирование в сфере физической культуры и спорта: материалы V Всерос. с междунар. участием науч.-практ. конф. – М., 2021. – С. 153–159.
- Хасин, Л.А. Микроструктура техники выполнения толчка штанги тяжелоатлетами высокой квалификации / Л.А. Хасин, А.Б. Рафалович // Ученые записки ун-та им. П.Ф. Лесгафта. – 2018. – № 11 (165). – С. 382–386.
- Хасин, Л.А. Оценивание асимметричности рывка штанги с применением скоростной съемки и математического моделирования / Л.А. Хасин, А.Л. Дроздов // Человек. Спорт. Медицина. – 2023. – № 3. – С. 62–70.
- Хасин, Л.А. Фазовая структура и анализ техники подъема штанги на грудь по результатам скоростной 3D-съемки и математического моделирования / Л.А. Хасин, А.Л. Дроздов // Теория и практика физ. культуры. – 2022. – № 11. – С. 46–48.
- American College of Sports Medicine position stand. Quantity and quality of exercise for developing and maintaining cardiorespiratory, musculoskeletal, and neuromotor fitness in appar-ently healthy adults: guidance for prescribing exercise / C.E. Garber, B. Blissmer, M.R. Deschenes et al. // Medicine and Science in Sports and Exercise. – 2011. – Vol. 4 (7). – Р. 1334–1359.
- Attaway, D.C. MATLAB: A Practical Introduction to Programming and Problem Solving / D.C. Attaway. – 5th Edition. – 2018. – July 11. – 4-e Book.
- Bartlett R. Artificial intelligence in sports biomechanics: New dawn or false hope? / R. Bartlett // Journal of Sports Science and Medicine. – 2006. – Vol. 5. – Р. 474–479.
- Bunker Rory P., Thabtah Fadi. A machine learning framework for sport result prediction. – https://doi.org/10.1016/j.aci.2017.09.005 (дата обращения: 05.10.2023).
- Novatchkov, H. Artificial Intelligence in Sports on the Example of Weight Training / H. Novatchkov, A. Baca // J Sports Sci Med. – 2013. – Vol. 12 (1). – Р. 27–37.
- Support vector machines for aerobic fitness prediction of athletes / M. Acikkar, M.F. Akay, K.T. Ozgunen et al. // Expert Systems with Applications. – 2009. – Vol. 36. – Р. 3596–3602.
- Ubiquitous computing in sports: A review and analysis / A. Baca, P. Dabnichki, M. Heller, P. Kornfeind // Journal of Sports Sciences. – 2009. – Vol. 27 (12). – Р. 1335–1346.
- Xu, Jin Prediction and Planning of Sports Competition Based on Deep Neural Network / Xu Jin // Comput Intell Neurosci. – 2022. – Vol. 8. – Р. 1906580. DOI: 10.1155/2022/1906580