在运动类情景中,基于EEG的动机和表现监测的探索性框架
Ning Xie1, XiaoLu Zhang2, Changchun Lu3
1School of Physical Education Major, Leshan Normal University, Leshan, 614000, Sichuan, China. eciyo8@163.com.
Scientific reports
|July 18, 2025
概括
这项研究引入了一种基于EEG的新型系统,以动态建模运动员的动机,并预测表现. 该框架提高了针对个性化的培训策略的准确性和早期疲劳检测.
科学领域:
- 运动科学 运动科学 运动科学
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 动机显著影响运动表现,特别是在像田径这样的苛刻运动中.
- 评估动机的传统方法缺乏精英运动员所需的动态,个性化和上下文见解.
- 现有的模型很难捕捉运动员的心理状态和身体输出之间的实时相互作用.
研究的目的:
- 开发和验证基于EEG的混合电脑图 (EEG) 框架,用于实时动机建模和体育表现预测.
- 通过结合运动员的时间和个性化数据来解决静态评估方法的局限性.
- 通过个性化监测,创建一个支持适应性培训策略的系统.
主要方法:
- 来自EEG的神经指标 (兴奋,压力) 与上下文和生物力学数据的整合.
- 利用双重注意力预测架构来增强预测能力.
- 实施个性化的适应机制,以动态地适应运动员的个体状态.
主要成果:
- 在四个公共数据集上进行实验验证,包括以移动为导向的数据集 (MoBI,HASC).
- 与已建立的基线模型相比,表现出一致的绩效增长.
- 预测准确度提高了3.5%,早期疲劳检测提高了7.6%.
结论:
- 拟议的基于EEG的框架提供了一种复杂的方法来理解和预测体育表现.
- 该系统能够动态地适应个体运动员,支持个性化监测和适应性训练.
- 这项技术有可能在绩效驱动的体育环境中显著提升训练方法.
