机器学习方法在耐力训练运动员的生理探索中的作用:一个迷你回顾
Félix Boudry1,2, Fabienne Durand1,2, Henri Meric1,2
1Espace Dev, Université de Perpignan Via Domitia, Perpignan, France.
Frontiers in sports and active living
|December 6, 2024
概括
机器学习 (ML) 为复杂的运动生理数据提供了高效的分析,使耐力运动员的监测超出了传统的心肺运动测试 (CPET) 的范围. 这次审查探讨了ML的ML.
科学领域:
- 运动生理学 运动生理学
- 生物技术是生物技术.
- 数据科学数据科学数据科学
背景情况:
- 技术进步已经在耐力运动员身上发展出了生理学探索.
- 从传统的心肺运动测试 (CPET) 转向现实世界的数据收集.
- 由于当前勘探的复杂性和成本,需要有效的分析方法.
研究的目的:
- 简要概述机器学习 (ML) 在运动生理学中的相关性.
- 为生理学家介绍关键的ML方法.
- 作为在耐力运动中应用ML的初始参考.
主要方法:
- 在运动生理学中对机器学习 (ML) 应用的审查.
- 强调ML能够预测生理参数的能力.
- 讨论ML的优点和局限性.
主要成果:
- ML可以预测关键的生理参数,如心率变化和运动诱导的低氧症.
- ML为复杂的运动生理学数据提供了高效的分析解决方案.
- 确定了耐力运动中的ML的挑战和未来方向.
结论:
- 机器学习为分析耐力运动员复杂生理数据提供了一个强大的工具.
- ML促进了超越传统方法的先进监测.
- 建议运动生理学家进一步探索ML应用.


