Актуальность. Современные технологии все глубже проникают в различные сферы жизни, включая спорт [1,2]. Одной из таких технологий является искусственный интеллект (ИИ), который находит все большее применение в тренировочном процессе спортсменов [3,4]. Использование ИИ позволяет не только повысить эффективность тренировок, но и индивидуализировать подход к каждому спортсмену, что особенно важно в легкой атлетике, где каждое улучшение может значительно повлиять на результат [5,6].
Целью данного исследования является разработка и внедрение методики подготовки спортсменов, занимающихся бегом на средние дистанции, с использованием искусственного интеллекта.
Для достижения поставленной цели были определены следующие задачи:
1. Изучить существующие подходы к использованию искусственного интеллекта в тренировочном процессе спортсменов.
2. Разработать методику прогнозирования результатов тренировок и соревнований на основе нейронной сети.
3. Провести экспериментальное исследование для проверки эффективности разработанных методов.
4. Проанализировать результаты экспериментального исследования и сделать выводы о применимости разработанных методов в тренировочном процессе спортсменов, занимающихся бегом на средние дистанции.
В ходе исследования были рассмотрены различные подходы к применению ИИ в спортивной подготовке, проведен анализ их эффективности и возможности использования в тренировках легкоатлетов. Основное внимание уделено нейронным сетям как одному из наиболее перспективных методов прогнозирования спортивных результатов. Методику проверили на группе спортсменов, специализирующихся в беге на средние дистанции. Это помогло не только выявить направления для будущих исследований и улучшений, но и оценить её практическую значимость.
Материал и методы исследования. В исследовании участвовала группа спортсменов, специализирующихся на беге на средние дистанции (800 и 1500 метров). В выборку вошли 6 атлетов возрастом от семнадцати до двадцати трёх лет (3 мужчины и 3 девушки) с разным уровнем подготовленности. Все участники были ознакомлены с целями и методами исследования и дали согласие на участие в эксперименте.
Сбор данных: мы используем специализированные датчики и устройства мониторинга, такие как спортивные умные часы, пульсометры и трекеры активности, чтобы собирать следующие данные: пульс, время прохождения дистанции, количество пройденных километров, интенсивность тренировок, время восстановления. Формат данных: данные собираются в виде таблицы, где строки представляют отдельные тренировочные сессии или соревнования, а столбцы - различные параметры (таблица 1).
Таблица 1. Входные данные по 4 тренировочным сессиям для первого спортсмена
|
Session_ID |
Athlete_ID |
Date |
Heart_Rate (bpm) |
Distance (km) |
Training_Intensity |
Recovery_Time (hours) |
Race_Time (minutes) |
|
1 |
101 |
01-03-2024 |
155 |
3 |
Medium |
24 |
10.5 |
|
2 |
101 |
09-03-2024 |
149 |
5x0.5 (2min rest) |
High |
48 |
15.1 |
|
3 |
101 |
13-03-2024 |
156 |
12 |
low |
24 |
60 |
|
4 |
101 |
16-03-2024 |
164 |
5 |
High |
48 |
18.75 |
Далее осуществляется предобработка данных. Удаляются выбросы и аномальные значения, пропущенные значения заполняются методами, такими как среднее значение или интерполяция. Для масштабирования и нормализации данных используется standardscaler из библиотеки scikit-learn. Затем создание модели: используем библиотеки TensorFlow и Keras для создания модели нейронной сети. Модель состоит из нескольких полносвязных слоев. Получив более точные результаты, начинаем переходить к этапу обучения нейронной сети. На этом этапе нейронная сеть анализирует собранные показатели и находит закономерности и связи среди входных данных и результатов атлетов. Используя методы глубокого обучения, нейронная сеть составляет взаимосвязи между разными факторами и их воздействие на конечные результаты. При обучении нейронной сети использовались данные четырёх тренировочных сессий для 6 спортсменов (темповой бег 3 км, интервальная тренировка по 500 метров, длительный бег 12 км и 5 км темповой бег). Каждая тренировка проводилась с интервалом 7-8 дней.
Результаты исследования и их обсуждение. Для более детального анализа эффективности программы тренировок были сопоставлены показатели спортсменов до и после применения модели ИИ с интервалом 1 месяц для одних и тех же тренировочных сессий. Это помогло выявить улучшения и понять, насколько модель способствовала повышению производительности спортсмена. Рассмотрим сравнение прогнозируемых и фактических значений (таблица 2).
Таблица 2. Сравнение прогнозируемых и фактических показателей для первого атлета
|
Session_ID |
Athlete_ID |
Прогнозируемая нагрузка (средний пульс) |
Фактическая нагрузка (средний пульс) |
Прогнозируемое время |
Фактическое время |
|
1 |
101 |
153 bpm |
152 bpm |
10.3 min |
10.2 min |
|
2 |
101 |
151 bpm |
150 bpm |
15.2 min |
15.0 min |
|
3 |
101 |
157 bpm |
155 bpm |
59 min |
58 min |
|
4 |
101 |
162 bpm |
160 bpm |
18.6 min |
18.5 min |
Рис. 1. Графики сравнения прогнозируемых и фактических значений тренировочных показателей для спортсмена №1.
Смотря на графики рис. 1, мы делаем следующие заключения:
1. Высокая точность прогнозирования: прогнозируемые значения близки к фактическим как по нагрузке (пульс), так и по времени на дистанции.
2. Незначительные отклонения: незначительные расхождения между прогнозами и фактическими значениями могут быть вызваны индивидуальными физиологическими реакциями и внешними факторами (например, погодные условия, самочувствие спортсмена).
Выводы или заключение. Анализ конечных результатов экспериментального исследования показал, что нейронные сети качественно выполняют прогнозирование, предоставляя точные численные значения с минимальными погрешностями. Учитывая высокую точность прогнозов и дальнейшее развитие технологий, эти модули можно применять как аналитический инструмент для планирования подготовки атлетов.