在冰球中使用无监督机器学习识别关键训练负载和强度指标
Vincenzo Rago1, Tiago Fernandes2,3, Magni Mohr4,5
1Universidade Europeia.
Research quarterly for exercise and sport
|July 3, 2024
概括
本研究使用可穿戴传感器确定冰球中的关键训练负载 (TL) 和强度指标. 加速度计和心率数据显示出强烈的相关性,这表明监测冰球训练负载和强度的冗余性.
科学领域:
- 运动科学 运动科学 运动科学
- 生物力学 生物力学
- 运动生理学 运动生理学
背景情况:
- 精确监测训练负载 (TL) 和强度对于优化表现和预防精英运动员受伤至关重要.
- 冰上曲棍球涉及复杂的运动和高强度爆发,需要可靠的方法来量化物理需求.
- 之前的研究已经探索了各种指标,但对冰球中的相互关系缺乏全面的理解.
研究的目的:
- 确定冰球中的关键训练负载 (TL) 和强度指标.
- 检查加速度计衍生和心率衍生TL和强度指标之间的相关性.
- 探索使用多个监控变量的潜在冗余性.
主要方法:
- 在为期四周的比赛期间,收集了来自17名丹麦冰球运动员的练习和比赛数据.
- 使用可穿戴的200Hz加速度计和心率监测器来记录数据.
- 应用在个人内部和个人之间的相关性分析和K-means++集群分析.
主要成果:
- 在各种加速度计和HR衍生的TL指标之间发现了大到几乎完美的相关性 (r = 0.690.99).
- 在加速计和HR衍生的强度指标之间没有观察到显著的相关性.
- 集群分析根据负载之间和负载内部确定了不同的组,强调了不同分析的特定相关变量.
结论:
- 冰球中的多个TL和强度变量表现出显著的冗余.
- 特定的指标,如会话持续时间,加速,减速和心率参数是关键指标.
- 了解可变冗余可以为冰球运动员提供更有效的监测策略.
