形态特征在通过机器学习预测20米冲刺表现中的作用

科学领域:

• 运动科学 运动科学 运动科学
• 生物机械分析 生物机械分析
• 儿童医学中的机器学习

背景情况:

• 儿童的体育表现受到各种形态学因素的影响.
• 了解这些因素对于人才识别和培训计划至关重要.
• 机器学习为儿童体育科学中分析复杂关系提供了新的方法.

研究的目的:

• 调查小学儿童20米冲刺表现的形态学预测因素.
• 评估不同机器学习 (ML) 技术和特征选择方法的有效性.
• 确定最有影响力的人类特征来预测6-11岁儿童的冲刺能力.

主要方法:

• 收集了282名儿童 (6-11岁) 的人口统计,人体测量 (皮,直径,周长,长度) 和20米冲刺数据.
• 采用了三个ML实验:全特征空间,相关性选择特征和主要组件分析 (PCA) 以减少维度.
• 利用回归模型根据选定的形态特征预测冲刺表现.

主要成果:

• 相关性分析确定了年龄,身高,腰围,部周长,腿长,大腿长和脚长作为重要的预测因素.
• 使用基于相关性选择的特征的模型实现了0.012.0的最小平均平方误差 (MSE).
• 这表明这些选择的形态特征与冲刺表现之间存在强烈的线性关联.

结论:

• 形态特征,特别是年龄,身高和特定的身体尺寸,是儿童20米冲刺表现的强有力的线性预测因素.
• 相关性分析是选择儿童体育科学ML模型中相关特征的有效方法.
• 这些发现可以为年轻运动员的有针对性的训练和绩效分析提供信息.