ПРОГНОЗИРОВАНИЕ ГОТОВНОСТИ К ТРЕНИРОВКЕ ПО ДАННЫМ НОСИМЫХ УСТРОЙСТВ С УЧЁТОМ HEART RATE RECOVERY
DOI:
https://doi.org/10.62931/Ключевые слова:
heart rate recovery; готовность к тренировке; носимые устройства; машинное обучение; тренировочная нагрузка.Аннотация
Цель исследования заключается в выявлении региональных особенностей участия пожилых людей в самостоятельной физической активности в Казахстане. Авторы предложили направления цифровой поддержки физкультурно-оздоровительной деятельности исследуемой возрастной группы. Методология исследования включает в себя вторичный анализ официальных статистических данных и сравнительный анализ региональных примеров. В результате было выявлено, что в 2026 году 47,7% населения Казахстана в возрасте от трех лет и старше занимались физической культурой и спортом, а 19,2% населения занимались самостоятельно. В возрастном разрезе 16,6% составляли самозанятые лица в возрасте 58 лет и старше. Значительная представленность этой группы наблюдается в 3 регионах Казахстана и составляет около трети населения, что в 1,8-2 раза превышает общероссийский показатель. Сравнение полученных данных показало, что высокий уровень физической активности пожилых людей наблюдается в регионах с разной демографической структурой. Это определяет самостоятельную физическую активность пожилого населения в результате взаимодействия демографических, инфраструктурных, социальных, организационных и педагогических условий.
Библиографические ссылки
1 Nelson B.W., Low C.A., Jacobson N., Areán P., Torous J., Allen N.B. Guidelines for wrist-worn consumer wearable assessment of heart rate in biobehavioral research // npj Digital Medicine. – 2020. – Vol. 3. – Art. 90. – DOI: 10.1038/s41746-020-0297-4.
2 Buchheit M. Monitoring training status with HR measures: do all roads lead to Rome? // Frontiers in Physiology. – 2014. – Vol. 5. – Art. 73. – DOI: 10.3389/fphys.2014.00073.
3 Jeong Y., Yoon S., Lee J., Jeong W.-M., Ha M.-S. Comparison of heart rate measurement accuracy among commercially available photoplethysmography-based wearable devices across exercise intensities // Physical Activity and Nutrition. – 2026. – Vol. 30, No. 2. – P. 142–150. – DOI: 10.20463/pan.2026.0032.
4 Lambe R., Baldwin M., O'Grady B., Schumann M., Caulfield B., Doherty C. The accuracy of Apple Watch measurements: a living systematic review and meta-analysis // npj Digital Medicine. – 2026. – Vol. 9. – Art. 63. – DOI: 10.1038/s41746-025-02238-1.
5 Daanen H.A.M., Lamberts R.P., Kallen V.L., Jin A., Van Meeteren N.L.U. A systematic review on heart-rate recovery to monitor changes in training status in athletes // International Journal of Sports Physiology and Performance. – 2012. – Vol. 7. – P. 251–260. – DOI: 10.1123/ijspp.7.3.251.
6 Aubry A., Hausswirth C., Louis J., Coutts A.J., Buchheit M., Le Meur Y. The development of functional overreaching is associated with a faster heart rate recovery in endurance athletes // PLOS ONE. – 2015. – Vol. 10, No. 10. – Art. e0139754. – DOI: 10.1371/journal.pone.0139754.
7 Rothschild J.A., Stewart T., Kilding A.E., Plews D.J. Predicting daily recovery during long-term endurance training using machine learning analysis // European Journal of Applied Physiology. – 2024. – Vol. 124, No. 11. – P. 3279–3290. – DOI: 10.1007/s00421-024-05530-2.
8 Krasmik Yu.N. Osobennosti sportivnoi motivatsii v period podgotovki k sorevnovaniyam u sportsmenov-professionalov i sportsmenov-lyubitelei [Features of sports motivation during competition preparation among professional and amateur athletes] // Vestnik KazNU. Seriya psikhologii i sotsiologii. – 2022. – Vol. 81, No. 2. – P. 60–68. – DOI: 10.26577/JPsS.2022.v81.i2.07.
9 Thambawita V., Hicks S., Borgli H. et al. PMData: a sports logging dataset // Proceedings of the 11th ACM Multimedia Systems Conference (MMSys ’20). – New York: ACM, 2020. – P. 231–236. – DOI: 10.1145/3339825.3394926.
10 Gabbett T.J. The training-injury prevention paradox: should athletes be training smarter and harder? // British Journal of Sports Medicine. – 2016. – Vol. 50, No. 5. – P. 273–280. – DOI: 10.1136/bjsports-2015-095788.
11 Madrigal-Cerezo R., Domínguez-Sanz N., Martín-Rodríguez A. Wearable Biosensing and Machine Learning for Data-Driven Training and Coaching Support // Biosensors. – 2026. – Vol. 16, No. 2. – Art. 97. – DOI: 10.3390/bios16020097.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Исследования в спортивной науке
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
