МОДЕЛЬ ПРОГНОЗИРОВАНИЯ ГОТОВНОСТИ СПОРТСМЕНОВ НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПОДДЕРЖКИ РЕШЕНИЙ ПО УПРАВЛЕНИЮ ТРЕНИРОВОЧНОЙ НАГРУЗКОЙ

Аннотация

В данном исследовании предлагается и оценивается подход на основе машинного обучения для прогнозирования готовности спортсменов на одну неделю вперед с целью поддержки тренерских решений по управлению тренировочной нагрузкой. Был проведен вторичный анализ открытого набора данных, полученного в рамках 12-недельного контролируемого исследования с участием 48 спортсменов, занимающихся настольным теннисом на соревновательном уровне. Еженедельный мониторинг включал тренировочную нагрузку, субъективную оценку воспринимаемой нагрузки после тренировочной сессии (session RPE), соотношение острой и хронической нагрузки (ACWR), монотонность и напряженность тренировок, вариабельность сердечного ритма, частоту сердечных сокращений в покое, показатели сна, утомляемости, стресса, мышечной болезненности, общего самочувствия и текущей готовности.

Были оценены четыре модели прогнозирования: Elastic Net, Random Forest, XGBoost и многослойный перцептрон, с использованием вложенной перекрестной проверки с группировкой по спортсменам. Исходные показатели мониторинга сравнивались с персонализированными временными признаками, включавшими изменения от недели к неделе, трехнедельные скользящие средние и индивидуальные отклонения спортсмена от его собственных значений. Интерпретация моделей проводилась с использованием SHAP-анализа на прогнозах вне обучающих выборок, а временная валидация применялась для оценки способности моделей обобщать результаты на более поздние этапы тренировочной программы.

Лучшей моделью на основе данных мониторинга оказался Random Forest с персонализированными временными признаками, показавший MAE = 0,835, RMSE = 1,039 и R² = 0,152. Различия между алгоритмами были небольшими, а использование персонализированных временных признаков обеспечило лишь умеренное улучшение по сравнению с исходными показателями.

Результаты показывают, что данные еженедельного мониторинга могут обеспечивать умеренно точный и интерпретируемый прогноз готовности спортсменов на следующую неделю. Предлагаемый подход может использоваться для поддержки тренеров при выявлении спортсменов с риском снижения готовности, сохраняя при этом ключевую роль профессионального тренерского суждения при принятии решений по управлению тренировочной нагрузкой.