使用机器学习分析预测长期耐力训练期间的每日恢复.
Jeffrey A Rothschild1,2, Tom Stewart3, Andrew E Kilding3
1Sports Performance Research Institute New Zealand (SPRINZ), Auckland University of Technology, Auckland, New Zealand. Jeffrey.Rothschild@aut.ac.nz.
European journal of applied physiology
|June 20, 2024
概括
机器学习模型可以预测耐力运动员的日常恢复状态和心率波动的变化,在小组层面. 个人预测有所不同,这表明需要更多的数据来提高准确性.
科学领域:
- 运动科学 运动科学 运动科学
- 数据科学数据科学数据科学
- 生理学 生理学 生理学
背景情况:
- 精确监测运动员的恢复对于优化训练和防止过度训练至关重要.
- 耐力运动员依靠各种指标,如训练负载,睡眠和心率变化 (HRV) 来衡量恢复.
- 预测建模为个性化恢复洞察提供了一个潜在的途径.
研究的目的:
- 评估机器学习模型在预测耐力运动员感知早晨恢复状态 (AM PRS) 和每日心率变化 (HRV) 变化的有效性.
- 确定影响运动员恢复预测的关键变量.
主要方法:
- 在12周内,每天监测43名耐力运动员的训练,营养,睡眠,HRV和健康状况.
- 使用各种算法构建全球和个性化的机器学习模型.
- 将模型性能与仅采用基线拦截模型进行比较.
主要成果:
- 与基线相比,组级模型显示AM PRS和HRV变化预测误差 (RMSE) 较低.
- 个性化模型显示出比基线更好的预测准确性,但与参与者显著的变化.
- 群组模型的根平均平方误差 (RMSE):11.8 (AM PRS) 和0.22 (HRV变化).
结论:
- 机器学习可以使用共同的数据点预测耐力运动员在小组级别的日常恢复指标.
- 个人恢复预测的准确性有所不同,这表明关键的预测变量可能在运动员之间有所不同.
- 进一步收集数据可能是必要的,以提高个人水平的预测准确性.


