相关实验视频
Updated: Jan 6, 2026

Cross-Modal Multivariate Pattern Analysis
Published on: November 9, 2011
使用无监督学习的专业自行车阶段的技术分类:对性能变化性的影响
Igor Garcia-Atutxa1, Ekaitz Dudagoitia Barrio2, Francisca Villanueva-Flores3
1Escuela Politécnica Superior, Universidad Católica de Murcia (UCAM), Murcia, Spain.
这项研究客观地使用KMeans对专业自行车阶段进行了分类,揭示了高海拔和未铺路面等具有挑战性的地形增加了性能变化. 这些发现为优化职业自行车运动的训练和比赛策略提供了数据驱动的见解.
科学领域:
- 体育科学 运动科学 运动科学
- 在田径运动中的数据科学.
- 生物力学和性能分析.
背景情况:
- 从历史上看,职业自行车阶段分类是主观的,缺乏经验验证.
- 了解比赛阶段的技术要求对于分析小组动态和性能变化至关重要.
- 需要客观的分类来支持基于证据的培训和自行车运动的战略规划.
研究的目的:
- 开发一个客观的,数据驱动的专业自行车比赛阶段的分类系统,使用无监督学习.
- 分析这些客观定义的阶段类型与集体性能变化 (完成时间变化系数) 之间的关系.
主要方法:
- 从439个国际比赛阶段 (2017-2023) 的技术数据 (距离,垂直增益,相对高度,铺设/未铺设表面) 的分析.
- 应用KMeans无监督学习将阶段分类为不同的技术组.
- 使用Bootstrap分析和统计建模进行集群验证,以评估性能变化 (CV) 的预测因素.
主要成果:
- 确定了六个不同的技术阶段组,它们具有很高的集群稳定性 (平均轮指数 = 0.62).
- 较高的相对高度和较高的未铺路面百分比的阶段显示出显著更高的性能变化率 (CV).
- 相对高度 (β=0.42) 和未铺路的百分比 (β=0.23) 是性能变化最强的预测因素.
结论:
- 已经建立了一个客观的,循环阶段的经验类型学,超越主观的分类.
- 技术阶段的特点,特别是高度和表面类型,是性能变化的关键决定因素.
- 这种分类可以为优化竞争策略,有针对性的训练和预防职业自行车运动中的伤害提供信息.
更多相关视频
07:47Design and Evaluation of Smart Glasses for Food Intake and Physical Activity Classification
Published on: February 14, 2018
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
相关概念视频
Classification of Skeletal Muscle Fibers
Slow-Twitch Muscle Fibers
Slow oxidative, muscle fibers appear red due to large numbers of capillaries and high levels of...
Classification of Systems-I
Homogeneity dictates that if an input x(t) is multiplied by a constant c, the output y(t) is multiplied by the same constant. Mathematically, this is expressed as:
Survival Tree
Building a Survival Tree
Constructing a...
Classification of Signals
A continuous-time signal holds a value at every instant in time, representing information seamlessly. In contrast, a discrete-time signal holds values only at specific moments, often denoted as x(n), where...