在IMU生成的多变量时间序列数据集上,对高性能运动进行AI辅助的疲劳和耐力控制
Attila Biró1,2,3, Antonio Ignacio Cuesta-Vargas1,3,4, László Szilágyi5,6
1Department of Physiotherapy, University of Malaga, 29071 Malaga, Spain.
Sensors (Basel, Switzerland)
|January 11, 2024
概括
本研究介绍了一种使用可穿戴传感器 (IMU) 的AI模型,用于预测运动员的疲劳和耐力,从而实现个性化的训练调整,并防止过度训练以提高体育表现.
科学领域:
- 运动科学和生物力学
- 体育分析中的人工智能
- 用于绩效监控的可穿戴技术
背景情况:
- 最佳的体育表现取决于平衡密集训练与足够的休息.
- 防止过度训练的传统方法依赖于主观评估,往往导致受伤或表现不佳.
- 惯性测量单位 (IMU) 提供了客观的,可量化的运动员身体状况数据,但在分析训练负载方面仍然存在挑战.
研究的目的:
- 开发一个强大的人工智能 (AI) 模型,用IMU的多变量时间序列数据来预测运动员的疲劳和耐力.
- 通过将复杂的传感器数据转化为可操作的见解来实现数据驱动的运动员绩效管理.
- 超越主观评估,转向客观,实时监测和优化培训周期.
主要方法:
- 19名运动员配备了IMU,在标准化训练期间记录三轴加速度,角速度和磁方向.
- 从原始时间序列数据中使用频率和时间域特征训练了一个受监督的机器学习模型.
- 随机森林,梯度增强机和LSTM网络的预测性能进行了比较,并使用了反循环进行实时模型调整.
主要成果:
- 人工智能模型实现了对疲劳的高预测准确性,将预测水平与观察到的性能下降相关联.
- 耐力预测促进了与运动员生理值保持一致的个性化训练调整.
- 实时模型调整和偏差校正增强了训练周期化,降低了过度训练风险并提高了性能.
结论:
- 这种人工智能辅助的模型有效地使用IMU数据预测疲劳和耐力,允许定制和自适应的培训计划.
- 该模型可以在身体症状出现之前预测疲劳,从而能够及时进行干预,防止过度训练和受伤.
- 这种数据驱动的方法优化了训练的有效性,增强了教练和运动员的决策,并支持为高峰性能制定战略规划.
