从数据到决策:机器学习确定运动员的有氧和无氧值
Michał Tomaszewski1, Anna Lukanova-Jakubowska2, Edyta Majorczyk2
1Faculty of Electrical Engineering, Automatic Control and Informatics, Opole University of Technology, Opole, Poland.
PloS one
|August 29, 2024
概括
机器学习模型准确地预测运动员的有氧 (AeT) 和无氧 (AnT) 值. 这些模型通过分析来自心肺运动测试的个体生理反应来提供个性化的训练建议.
科学领域:
- 体育科学与运动生理学 体育科学与运动生理学
- 生物医学数据科学 生物医学数据科学
- 机器学习应用 机器学习应用
背景情况:
- 乳酸盐分析对于优化运动表现至关重要,有氧 (AeT) 和无氧 (AnT) 值是关键参数.
- 由于生理学复杂性和实际挑战,确定AeT比AnT复杂得多.
- 机器学习 (ML) 为处理复杂的个性化数据和识别生理反应中的非线性关系提供了潜力.
研究的目的:
- 使用机器学习 (ML) 模型来确定 AeT 和 AnT 值.
- 为了将ML衍生的值与通过常规方法获得的值进行比较.
- 评估ML在捕捉个体运动员变化的有效性,以进行个性化训练.
主要方法:
- 利用了183个心肺运动测试 (CPET) 的数据,包括业余运动员的乳酸和心率分析.
- 应用集体ML算法:随机森林,XGBoost和LightGBM用于值预测.
- 使用R2,平均绝对误差 (MAE),平均平方误差 (MSE) 和根平均平方误差 (RMSE) 等指标评估模型性能.
主要成果:
- 随机森林模型在AeT预测方面表现强 (R2=0.645,MAE=4.630).
- 轻GBM模型在Ant预测方面表现出卓越的性能 (R2=0.803,MAE=3.439),误差指标最低.
- ML模型有效地捕捉了运动员生理反应中的个体变异.
结论:
- 可以训练ML模型,根据个体运动员的数据准确预测个性化的AeT和Ant值.
- 机器学习能够处理复杂的个性化数据,这有助于为性能优化提供量身定制的培训建议.
- 该研究强调了ML在促进体育科学的潜力,通过提供更精确和个性化的训练见解.
