ЖАТТЫҒУ ЖҮКТЕМЕСІН БАСҚАРУ БОЙЫНША ШЕШІМ ҚАБЫЛДАУДЫ ҚОЛДАУҒА АРНАЛҒАН МАШИНАЛЫҚ ОҚЫТУ НЕГІЗІНДЕГІ СПОРТШЫЛАРДЫҢ ДАЯРЛЫҒЫН БОЛЖАУ МОДЕЛІ
DOI:
https://doi.org/10.62931/Кілт сөздер:
шешім қабылдауды қолдау жүйесі, жаттығу жүктемесі, машиналық оқыту, көпқабатты перцептрон, спортшылар мониторингі, жаттығуды дербестендіру.Аңдатпа
Бұл зерттеуде жаттығу жүктемесін басқаруға қатысты жаттықтырушылық шешімдерді қолдау мақсатында спортшылардың алдағы бір аптадағы даярлығын болжауға арналған машиналық оқытуға негізделген тәсіл ұсынылып, бағаланады. Ашық деректер жиынтығы негізінде екінші реттік талдау жүргізілді. Деректер 48 жарыс деңгейіндегі үстел теннисі спортшысы қатысқан 12 апталық бақыланатын зерттеу барысында жиналған. Апталық мониторинг көрсеткіштеріне жаттығу жүктемесі, жаттығу сессиясынан кейінгі субъективті жүктемені бағалау (session RPE), жедел және созылмалы жүктеме арақатынасы (ACWR), жаттығу монотондылығы мен strain көрсеткіші, жүрек соғу жиілігінің вариабельдігі, тыныштық кезіндегі жүрек соғу жиілігі, ұйқы, шаршау, стресс, бұлшықет ауырсынуы, жалпы әл-ауқат және ағымдағы даярлық енгізілді.
Төрт болжау моделі Elastic Net, Random Forest, XGBoost және көпқабатты перцептрон спортшылар бойынша топтастырылған кірістірілген кросс-валидация арқылы бағаланды. Бастапқы мониторинг көрсеткіштері аптадан аптаға өзгерістерді, үш апталық жылжымалы орташа мәндерді және спортшының өзіне тән ауытқуларын қамтитын дербестендірілген уақыттық белгілермен салыстырылды. Модельдерді түсіндіру үшін оқыту үлгілерінен тыс алынған болжамдарға негізделген SHAP-талдау қолданылды, ал уақыттық валидация модельдердің жаттығу бағдарламасының кейінгі кезеңдеріне жалпылау қабілетін бағалау үшін пайдаланылды.
Мониторинг деректеріне негізделген ең жақсы модель дербестендірілген уақыттық белгілері бар Random Forest болды: MAE = 0,835, RMSE = 1,039 және R² = 0,152. Алгоритмдер арасындағы айырмашылықтар аз болды, ал дербестендірілген уақыттық белгілер бастапқы көрсеткіштермен салыстырғанда тек шектеулі жақсару көрсетті.
Нәтижелер апталық мониторинг деректері келесі аптадағы спортшы даярлығына қатысты орташа деңгейдегі, бірақ интерпретациялауға болатын болжам бере алатынын көрсетеді. Ұсынылған тәсіл жаттықтырушыларға даярлығы төмендеу қаупі бар спортшыларды анықтауға көмектесе алады, сонымен бірге жаттығу жүктемесіне қатысты шешімдер қабылдауда кәсіби жаттықтырушылық пайымдаудың негізгі рөлін сақтайды.
Әдебиеттер тізімі
1 Bourdon P.C., Cardinale M., Murray A., Gastin P., Kellmann M., Varley M.C., et al. Monitoring Athlete Training Loads: Consensus Statement // International Journal of Sports Physiology and Performance. — 2017. — Vol. 12, Suppl. 2. — P. S2161–S2170. DOI: 10.1123/IJSPP.2017-0208.
2 Gabbett T.J. The training-injury prevention paradox: should athletes be training smarter and harder? // British Journal of Sports Medicine. — 2016. — Vol. 50, № 5. — P. 273–280. DOI: 10.1136/bjsports-2015-095788.
3 Hulin B.T., Gabbett T.J., Lawson D.W., Caputi P., Sampson J.A. The acute:chronic workload ratio predicts injury: high chronic workload may decrease injury risk in elite rugby league players // British Journal of Sports Medicine. — 2016. — Vol. 50, № 4. — P. 231–236. DOI: 10.1136/bjsports-2015-094817.
4 Murray N.B., Gabbett T.J., Townshend A.D., Blanch P. Calculating acute:chronic workload ratios using exponentially weighted moving averages provides a more sensitive indicator of injury likelihood than rolling averages // British Journal of Sports Medicine. — 2017. — Vol. 51, № 9. — P. 749–754.
5 Blanch P., Gabbett T.J. Has the athlete trained enough to return to play safely? The acute:chronic workload ratio permits clinicians to quantify a player's risk of subsequent injury // British Journal of Sports Medicine. — 2016. — Vol. 50, № 8. — P. 471–475.
6 Carey D.L., Ong K., Whiteley R., Crossley K.M., Crow J., Morris M.E. Predictive modelling of training loads and injury in Australian football // International Journal of Computer Science in Sport. — 2018. — Vol. 17, № 1. — P. 49–66.
7 Bartlett J.D., O'Connor F., Pitchford N., Torres-Ronda L., Robertson S.J. Relationships Between Internal and External Training Load in Team-Sport Athletes: Evidence for an Individualized Approach // International Journal of Sports Physiology and Performance. — 2017. — Vol. 12, № 2. — P. 230–234.
8 Thornton H.R., Delaney J.A., Duthie G.M., Dascombe B.J. Importance of Various Training-Load Measures in Injury Incidence of Professional Rugby League Athletes // International Journal of Sports Physiology and Performance. — 2017. — Vol. 12, № 6. — P. 819–824.
9 Soligard T., Schwellnus M., Alonso J.-M., et al. How much is too much? (Part 1) International Olympic Committee consensus statement on load in sport and risk of injury // British Journal of Sports Medicine. — 2016. — Vol. 50, № 17. — P. 1030–1041.
10 Acute to chronic workload ratio (ACWR) for predicting sports injury risk: a systematic review and meta-analysis // PMC. — URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC12487117/.
11 Is the Acute:Chronic Workload Ratio (ACWR) Associated with Risk of Time-Loss Injury in Professional Team Sports? A Systematic Review of Methodology, Variables and Injury Risk in Practical Situations // Sports Medicine. — PubMed ID: 32572824.
12 Machine Learning and Non-Invasive Monitoring Technologies for Training Load Management in Women's Volleyball: A Scoping Review // Sports. — 2026. — Vol. 14, № 2. — Art. 74. DOI: 10.3390/sports14020074.
13 Eliza Kuchta, Karol Wrzosek, Kacper Ponikowski, et al. (2026). Artificial Intelligence and Machine Learning in Athlete Monitoring, Injury Prediction and Performance Optimization: A Narrative Review. Quality in Sport, 63, 73176. https://doi.org/10.12775/qs.2026.63.73176
14 Wearable Biosensing and Machine Learning for Data-Driven Training and Coaching Support // Biosensors. — 2026. — Vol. 16, № 2. — Art. 97. DOI: 10.3390/bios16020097.
15 Artificial Intelligence in Sub-Elite Youth Football Players: Predicting Recovery Through Machine Learning Integration of Physical, Technical, Tactical and Maturational Data // PMC. — URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC12732887/.
16 Physiological load estimation in athletes using ECG-derived features and gradient-boosted modeling // PMC. — URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC13236666/.
17 Xu X. Multi-sensor fusion outperforms single indicators for fatigue prediction in university soccer players: a machine learning approach // Frontiers in Physiology. — 2026. — Vol. 17. — Art. 1775906. DOI: 10.3389/fphys.2026.1775906.
18 An unsupervised decision-support framework for multivariate biomarker analysis in athlete monitoring // arXiv:2604.14534.
19 SoccerGuard: Investigating Injury Risk Factors for Professional Soccer Players with Machine Learning // arXiv:2411.08901.
20 Deep reinforcement learning-driven personalized training load control algorithm for competitive sports performance optimization // Scientific Reports. — 2025. DOI: 10.1038/s41598-025-30453-z.
21 Early Athlete Injury Prediction: Interpretable Modeling via SHAP Analysis // Studies in Computational Intelligence. — Springer. — 2026. DOI: 10.1007/978-3-032-26376-6_31.
22 Impact of feature engineering on predicting non-contact football injuries // Scientific Reports. — 2026. DOI: 10.1038/s41598-026-59164-9.
23 Carey D.L., et al. Predictive modelling of training loads and injury in Australian football (preprint) // arXiv:1706.04336.
24 Machine learning framework for predicting athletic injuries and optimising performance // BMC Sports Science, Medicine and Rehabilitation. — 2026. DOI: 10.1186/s13102-025-01502-x.
25 Machine learning models for reinjury risk prediction using cardiopulmonary exercise testing (CPET) data: optimizing athlete recovery // PMC. — URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC11834553/.
26 Machine learning models for injury risk prediction in football players: A systematic review of predictors, performance, practical applications, and limitations // PMC. — URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC13389111/.
27 Sports injury risk prediction based on temporal graph encoding and graph neural networks: A cross-sport transfer learning framework // Scientific Reports. — 2025. DOI: 10.1038/s41598-025-21613-2.
28 Beyond threshold-based monitoring: A deep temporal learning framework with dual-path ACWR feature encoding for sports injury risk prediction // Journal of King Saud University — Computer and Information Sciences. — 2026. DOI: 10.1007/s44443-026-00874-5.
29 A neural network model approach to athlete selection // Sports Engineering. — 2010. — Vol. 13. DOI: 10.1007/s12283-010-0055-y.
30 Luo Y., Quan T., Cao Y. Predicting football match outcomes: a multilayer perceptron neural network model based on technical statistics indicators of the FIFA World Cup // Frontiers in Sports and Active Living. — 2025. DOI: 10.3389/fspor.2025.1705198.
31 Artificial neural network predictive models for optimizing the training process in race walking: a longitudinal observational study // PMC. — URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC13200623/.
32 Heart rate variability-guided training in professional runners: Effects on performance and vagal modulation // Physiology & Behavior (ScienceDirect). — 2021.
33 DeBlauw J.A., Drake N.B., Kurtz B.K., Crawford D.A., Carper M.J., Wakeman A., Heinrich K.M. High-Intensity Functional Training Guided by Individualized Heart Rate Variability Results in Similar Health and Fitness Improvements as Predetermined Training with Less Effort // Journal of Functional Morphology and Kinesiology. — 2021. — Vol. 6, № 4. — Art. 102. DOI: 10.3390/jfmk6040102.
34 Heart Rate Variability-Guided Training for Enhancing Cardiac-Vagal Modulation, Aerobic Fitness, and Endurance Performance: A Methodological Systematic Review with Meta-Analysis // PMC. — PubMed ID: 34639599.
35 Individual training prescribed by heart rate variability, heart rate and well-being scores in experienced cyclists // PMC. — URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC12485039/.
36 Design of intelligent optimization of sports strategy and training decision support system based on deep reinforcement learning // Discover Artificial Intelligence. — 2025. DOI: 10.1007/s44163-025-00473-9.
37 Athlete Monitoring Systems in Elite Men's Basketball: Challenges, Recommendations, and Future Perspectives // PMC. — URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC11511587/.
38 Development of an Intelligent Decision Support System for Building Athletes' Training Plans Based on Computer Vision Technology // Pattern Recognition and Image Analysis. — 2026. DOI: 10.1134/S1054661825701147.
39 Maszczyk A., Łosińska K. Individualized physical conditioning based on training monitoring in table tennis players: effects on neuromuscular, sensorimotor, and competitive performance indicators in a 12-week controlled trial [Data set]. — Zenodo, 2026. DOI: 10.5281/zenodo.21343993.
Жүктеулер
Жарияланды
Журналдың саны
Бөлім
Лицензия
Авторлық құқық (c) 2026 Спорт ғылымындағы зерттеулер
Бұл жұмыс Creative Commons Attribution-Коммерциялық емес 4.0 халықаралық лицензиясы.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
