精英羽毛球运动员对EMG引导的SSC训练的神经机械适应:一种预测性的多变量方法
Magdalena Prończuk1, Dariusz Skalski1,2, Kinga Łosińska1
1Faculty of Physical Culture, Gdańsk University of Physical Education and Sport, Gdańsk, Poland.
Frontiers in sports and active living
|September 29, 2025
概括
电肌学引导的拉伸缩短周期 (SSC) 训练改善了精英羽毛球运动员的神经机械性能. 机器学习模型准确地预测了训练反应,有助于早期发现适应.
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:
- 拉伸缩短周期 (SSC) 对于像羽毛球这样的法庭运动中的爆炸性运动至关重要.
- 传统的跳跃评估可能无法捕捉微妙的神经机械变化.
- 实时电肌图 (EMG) 和多变量分析提供了精确的,个性化的诊断.
研究的目的:
- 在精英羽毛球运动员中研究了为期4周的EMG导向SSC培训计划的神经机械效应.
- 开发用于识别早期培训响应者的预测模型.
- 在体育特定的环境中增强性能诊断.
主要方法:
- 24名国家级羽毛球运动员被随机分配到一个实验 (EMG指导反) 和一个控制 (假反) 组.
- 结果措施包括反应强度指数 (RSI),脉冲指标和EMG延迟,评估干预前后.
- 主要组件分析 (PCA),线性差异分析 (LDA),随机森林和多层感知器 (MLP) 模型用于适应评估和响应预测.
主要成果:
- 实验组在EMG延迟,RSI和冲动动态方面显示出显著的改善.
- 对于训练有素的运动员来说,PCA揭示了不同的神经肌肉定时维度.
- 机器学习模型在分类培训响应者方面取得了高准确度 (AUC=0.92,F1=0.89),尽管样本规模很小.
结论:
- 以EMG为指导的SSC训练有效地提高了精英羽毛球运动员的神经机械适应能力.
- 机器学习和维度减小技术在早期检测性能变化方面表现有前途.
- 建议对更大,更多样化的队列进行进一步验证.
