ПРОГНОЗИРОВАНИЕ УСПЕШНОСТИ ВЫПОЛНЕНИЯ ТЯЖЕЛОАТЛЕТИЧЕСКИХ УПРАЖНЕНИЙ С ПРИМЕНЕНИЕМ НЕЙРОННОЙ СЕТИ

PDF

DOI: https://doi.org/10.14529/hsm240312

Аннотация

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.

Литература

1. 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 про-грамм для ЭВМ 16.10.2023.
2. 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.
3. 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.
4. 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.
5. 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.
6. 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.
7. 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.
8. Attaway, D.C. MATLAB: A Practical Introduction to Programming and Problem Solving / D.C. Attaway. – 5th Edition. – 2018. – July 11. – 4-e Book.
9. 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.
10. 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).
11. 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.
12. 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.
13. 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.
14. 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