1. Введение
Современная спортивная физиология включает в себя предикативную оценку спортивного потенциала и формирование индивидуальной траектории физического развития и совершенствования на основе различных методов: на применения «умных тренажеров» [1], «умных приборов и устройств» [2], «умных планов физического развития» [3]. Большое внимание при этом уделяется интеллектуальному мониторингу [4] и своевременной коррекции реализации плана подготовки спортсмена. Это обусловливает применение как классических технологий спортивного развития (в том числе, базирующихся на спортивной физиологии), так и новых, цифровых технологий, основанных на системах поддержки принятия решений (гибридного человеко-машинного интеллекта), анализирующих физический потенциал возможностей в определенном виде спорта.
Большинство существующих в настоящее время интеллектуальных автоматических систем поддержки тренерской работы направлены на анализ существующего статуса спортсмена с целью коррекции плана его подготовки для достижения определенного спортивного результата [5], [6], [7]. Авторами предлагаются разнообразные походы комплексной оценки общей и специальной спортивной предрасположенности и возможностей, применяя различные генетические, психологические, морфофункциональные и моторные критерии.
На начальном этапе тренерской деятельности возникает проблема разработки и применения методологии формирования предикативных оценок адаптированности и потенциала человека к определенному виду спорта. В настоящее время данная проблема разрешается тренером весьма субъективно (в большинстве случаев, достаточно продуктивно). Научно-обоснованный (учитывающий объективные и субъективные концепты), анализ физиологических характеристик человека с применением методов искусственного интеллекта в спорте пока применяется, на наш взгляд, недостаточно. Потребность в этом обусловливает активизацию научно-практических разработок в указанном направлении в настоящее время. Например, в работах [8], [9], [10] описываются информационные системы обработки и анализа разнообразных характеристик спортсменов с целью составления плана тренировок для повышения результативности. Классические физиологические методы контроля в спорте с применением статистического анализа (без технологий искусственного интеллекта) рассматриваются, например, в работе [11].
В настоящее время для анализа динамики электроактивности мышц в тренерской работе увеличилось применение миографов для анализа результативности и динамики спортивного потенциала [12]. Современный уровень развития технологий искусственного и гибридного интеллектов, интернет вещей, Data scince, Deep Learning, Big Data позволяют, на наш взгляд, проектировать и успешно эксплуатировать системы поддержки принятия тренерских решений (СППР), построенных на концепциях СМАРТ и 4C (Specific, Measurable, Achievable, Relevant, Time и Clearness, Comletemess, Complexity, Consistency). Причем, наиболее актуально и продуктивно, с наименьшими затратами применение современных компьютерных технологий Индустрии 4.0 осуществлять предикативную оценку потенциала кандидата к определенному виду профессионального спорта. Основой СППР является база знаний, включающая в себя систему решающих правил, в качестве антецедента использующее различные функционалы регистрируемых и латентных, частных и интегральные показателей, с соответствующими индикаторными порогами и предикатами.
В связи с этим разработка и исследование идентификации продукционных решающих правил на основе анализа характеристик миограмм определенных мышц, характеризующих адаптивность к спорту (на примере профессионального футбола), являлась целью представляемых исследований.
2. Методы и принципы исследования
В качестве объектов исследования выбраны кандидаты в профессиональный футбольный клуб г. Курска. Результаты натурных измерений представлены временными рядами серий исследований мышц голени, осуществляющих движения в голеностопном суставе. Экспертами и в ходе разведочного анализа для исследования возможностей характеристик миограммы (регистрируемые и латентные показатели) для оценки физиологического потенциала возможностей результативно заниматься профессиональным футболом, выделены мышцы – длинная малоберцовой (ДМБ) и отводящая мизинец (МОМ) левой и правой ног. Регистрировались: средняя и максимальная амплитуды, средняя частота. Объемы обучающих и экзаменационных выборок для классов w0 («слабый потенциал») и w1 («достаточный потенциал»), составили, соответственно 52 и 24 человека, для каждого из которых проводилось не менее 8-10 серий регистрации миограмм с помощью 8-канального электронейромиографа «Нейро-МВП-8».
Для формирования интегральных показателей, обладающих индикаторными возможностями приемлемыми для синтеза решающих правил базы знаний СППР, предлагается применять следующие методы.
1 способ – множественная линейная регрессия (МЛА). В данном случае в качестве аргументов используются регистрируемые показатели, а в качестве функции отклика идентификаторы классов. На обучающей выборке определяются пороговые значения полученных индикаторных интегральных показателей. Затем осуществляется структурно-параметрическая идентификация дискриминантных (линейных) функций. Эффективность данного способа доказана в работе
[13]
2 способ – метод группового учета аргументов (МГУА) для «глубокого обучения». МГУА предлагается применять в двух аспектах:
- для выдвижения гипотез о существования определенных структур латентных переменных;
- поиска интегральных (латентных) показателей в виде полинома Колмогорова-Габора.
3 способ – метод расстояний. Вычисляются декартовы расстояния в многомерном пространстве регистрируемых показателей до центра одного из классов (в нашем случае – w1). Далее определяются значения мер близости, позволяющих приемлемо соотносить анализируемый объект к классам с указанием степеней уверенности в этом (оценивается как диагностическая эффективность на экзаменационной выборке). Заметим, что применение расстояния
Махаланобиса [14]
По полученным значениям частных и интегральных (латентных) показателей тренер принимает решение о физическом потенциале кандидата к результативному занятию профессионального футбола. Прогнозирование потенциальных возможностей человека в определенном виде спорта предлагается осуществлять в статике и динамике.
[15][16][17]
Предлагается следующий метод идентификации решающих правил продукционного вида.
1. Формирование обучающей и экзаменационной выборок. Поиск латентных показателей с помощью МГУА.
2. Осуществляется разведочный анализ, в процессе которого выделяются кандидаты в индикаторные показатели путем селекции тренером (исходя из личного опыта и рекомендаций спортивной физиологии) из кортежа упорядоченных по мере убывания коэффициента Стьюдента различий между выборками значений одних и тех же показателей в альтернативных классах
3. Для каждой серии регистраций частных показателей X (и им соответствующих латентных) формируется вектор сверток значений Y. Согласно рекомендациям
[18][19][20]
4. Осуществляется структурно-параметрическая идентификация интегральных показателей ранее описанными способами 1-3 с помощью инструментария технологий «Data scince» и «Deep Learning»:
В качестве интегральных показателей, которые применяются как индикаторы-классификаторы по рекомендации
[21]
- аддиативная свертка (аналог линейной дискриминантной функции) – способ 1:
[LATEX_FORMULA]Kr=a_0+∑_{i=1}^n(a_i\cdot y_i );[/LATEX_FORMULA]
- мультипликативная свертка (используются структуры и параметры первого терма полинома Колмогорова-Габора в качестве гипотез формирования латентных переменных) – способ 2:
[LATEX_FORMULA]Kp=a_0+a_1\cdot ∏_{i=1}^ny_i^{p_i}[/LATEX_FORMULA]
где: n-количество регистрируемых и латентных показателей, i – индекс показателя y, a0, Missing Mark : subaiMissing Mark : sub, piMissing Mark : sub – параметры полинома;
- свертка отношений декартовых расстояний – способ 3:
[LATEX_FORMULA]K l=\frac{\sqrt{\sum_{k=1}^n\left(y_k-\overline{y_{s, k}}\right)^2}}{\sqrt{\sum_{k=1}^n\left(y_k-\overline{y_{s, k}}\right)^2}+\sqrt{\sum_{k=1}^n\left(y_k-\overline{y_{ns, k}}\right)^2}}[/LATEX_FORMULA]
где: yk – значения k-го показателя, [LATEX_FORMULA]\overline{y_{s, k}}[/LATEX_FORMULA] и [LATEX_FORMULA]\overline{y_{ns, k}}[/LATEX_FORMULA] – средние значения, соответственно, в классах w1 и w0, соответственно.
5. На обучающей выборке оцениваются классифицирующие пороги для вычисленных в п.4 индикаторов, на экзаменационной выборке вычисляется коэффициент уверенности (в качестве которого принимается диагностическая эффективность).
6. Синтезируется продукционное решающее правило вида
3. Результаты и обсуждение
Мониторинг электромиограмм у людей из классов w0 и w1 осуществлялся путем измерения показателей в течение 3 минут с тактом времени 10 секунд. Электронейромиографом регистрировалось максимальная и средняя амплитуды, частота сигнала. Регистрация осуществлялась в сидячем положении, до тренировок или занятий физкультурой и иных физических нагрузках на соответствующие мышцы. У всех испытуемых получено согласие на обработку персональных данных и участие в исследованиях. Программа исследований одобрена этической комиссией Курского государственного медицинского университета. Для отсева артефактов применялось правило 6 сигм [22].
Далее используются следующие условные обозначения сверток регистрируемых показателей в течении одной серии наблюдений («серийные свертки») на левой и правой ногах:
- амплитуды максимальные (мкВ): y1– слева ДМБ, y2 – слева МОМ, y3 – справа ДМБ, y4 – справа МОМ;
- амплитуды средние (мкВ): Y5 – слева ДМБ, y6 – слева МОМ, y7 – справа ДМБ, y8 – справа МОМ;
- частоты средние (Гц): y9 – слева ДМБ, y10 – слева МОМ, y11 – справа ДМБ, y12 – справа МОМ.
Лепестковая диаграмма отличий w0 и w1
Сравнительное представление серийных сверток показателей электрической активности длинной малоберцовой мышцы и мышцы, отводящей мизинец участников классов w0 и w1 представлен на рисунке 1. Технология оптимальной визуализации с помощью лепестковых диаграмм описана в [23], [24] и адаптирована нами под рассматриваемую предметную область [25].С помощью полиноминальных нейронных сетей МГУА выявлены следующие латентные показатели Z для данной группы мышц:
Статистические оценки характеристик ¯ys,k, ¯yns,k и σs,k, σns,k для регистрируемых и латентных серийных сверток показателей
Для расчета интегральных показателей рассчитываются соответствующие значения [LATEX_FORMULA]\overline{y_{s, k}}[/LATEX_FORMULA], [LATEX_FORMULA]\overline{y_{ns, k}}[/LATEX_FORMULA] для всех серийных сверток регистрируемых и латентных показателей и им соответствующие значения [LATEX_FORMULA]\sigma_{s, k}[/LATEX_FORMULA], [LATEX_FORMULA]\sigma_{ns, k}[/LATEX_FORMULA] (k – индекс показателя) для рассматриваемых классов представлены в таблице 1 (в последнем столбце таблицы указана ошибка первого рода p различий между классами). Индекс ns соответствует классу w0, s – w1.Из таблицы 1 следует, что полученные серийные свертки латентных показателей обладают лучшими индикаторными возможностями, чем непосредственно регистрируемые. Таким образом, на этапе разведочного анализа выявлено, что большинство приведенных в таблице показателей электромиограммы правой ноги «длинной малоберцовой мышцы» и «мышцы, отводящей мизинец» обладают классификационными возможностями (p<0,05) и, следовательно, по ним можно формировать решающие правила продукционного типа. Пороги и полученные на экзаменационной выборке значения коэффициентов уверенности представлены в таблице 2.
Классификационные пороги характеристик миограмм мышц правой ноги для соотнесения обследуемого к классу w1 и им соответствующие коэффициенты уверенности
| Мышцы | Длинная малоберцовая | Мышца, отводящая мизинец | ||
| порог | уверенность | порог | уверенность | |
| максимальная амплитуда (мкВ) | <860 | 0,51 | <800 | 0,56 |
| средняя амплитуда (мкВ) | >400 | 0,74 | <400 | 0,99 |
| Средняя частота (Гц) | <200 | 0,72 | <30 | 0,97 |
Из таблицы 2 видна «противофазность» показателей «средняя амплитуда». Этот факт подтверждает гипотезу об иерархическом перераспределении электрической активности вдоль всего органа (в данном случае – правой ноги).
Аналогичным образом выявлено, что классифицирующими возможностями на уровне ошибки первого рода p<0,05 для показателя Kl обладают серийные свертки показателей: Y10, Y11, Y12, Z1, Z2, Z3, Z4, Z5, Z6.
Проведенные расчеты с помощью программных инструментариев Excel и МГУА [26] позволили идентифицировать параметры для вычисления значений показателей Kr, Kp и Kl синтезировать следующие продукционные решающие правила:
- если значение показателя kr>50, то с уверенностью 0,99 обследуемый может быть отнесен к классу w1;
- если значение показателя kp>50, то с уверенностью 0,96 обследуемый может быть отнесен к классу w1;
- если значение показателя Kl<50, то с уверенностью 0,95 обследуемый может быть отнесен к классу w1.
Kr и Кр вычисляются по формулам:
Анализ полученных правил позволяет сделать гносеологическое заключение о доминирование серийных сверток латентных показателей, подчеркивая сбалансированность регуляторных механизмов, и характеризуют:
- Z1 – корень квадратный из отношения амплитуд средней к частоте на левой ноге МОМ. У «не спортсменов» (w0) этот показатель больше, чем у спортсменов (w1), – то есть «спортсмены» более эффективно (бережливо) расходуют энергетический потенциал.
- Z2 – корень квадратный из отношения амплитуд средней на левой ноге к частоте на правой ноге МОМ. Вклад этого латентного показателя в общую формулу вычисления данного интегрального показателя во многом аналогичен предыдущему – Z1 (у спортсменов он меньше). Однако его весовой коэффициент примерно больше, что, подчеркивает некоторое доминирование правой ноги.
- Z3 - кубический корень отношений на ДМВ мышце средней амплитуде к средней частоте на левой ноге - увеличение этого отношения ведет к уменьшению значения интегрального показателя, – чем больше относительная к частоте электрическая активность левой ноги у ДМВ, тем меньше возможности обследуемого в футболе и, в то же время, тренировки, приводящие к росту частоты, могут существенным образом способствовать развитию потенциальных возможностей обследуемого;
- Z4 – кубический корень отношений частот на левой ноге икроножной мышце и ДМБ – чем оно выше, тем больше «спортивный потенциал» обследуемого; по сути, данный латентный показатель отражает компенсаноторные возможности по отношению к предыдущему латентному показателю и подчеркивает, что развитие ДМВ мышцы без пропорционального развития икроножной мышцы, способно привести к «потере» спортивного статуса;
- Z5 – отношение частот электромиограмм мышц ДМВ и МОМ левой ноги: чем оно больше, тем выше вероятность соотнесения обследуемого к классу w1;
- Z6 – отношение максимальной и средней амплитуды МОМ на правой ноге. Чем больше эта величина, тем больше вероятность соотнесения обследуемого к классу w1 («спортсмен – футболист»). По сути, этот показатель является своеобразной характеристикой «энергетического резерва» МОМ.
Информационная аналитическая модель СППР оценки и прогнозирования перспективности физической подготовленности
На основе полученных решающих правил было разработано Приложение для смартфона [27], информационно-аналитическая модель применения которого приведена на рисунке 2. СППР реализует концепт гибридного интеллекта, перспективность которого отмечается одним из его основоположников – Вендой В.Ф. [28]. Тренер по «рекомендациям» СППР делает вывод о потенциальных возможностях обследуемого, прогнозирует его развитие и перспективность физической подготовленности, формирует индивидуальный план тренировок и здорового образа жизни спортсмена [29]. Если заключения, сформированные с СППР, не удовлетворяют тренера, то проводятся дополнительные исследования (в том числе, после определенных нагрузочных тестов и-или мероприятий).x
Для формирования плана дальнейшей работы физического развития кандидата в СППР предусмотрена «База рекомендаций». База знаний СППР представляет собой ансамбль продукционных решающих.
4. Заключение
Анализ результатов исследований позволяет сделать следующие выводы.
1. Характеристики электоромиограмм определенных мышц являются индикаторными показателями для классификации людей по предрасположенности (физическому потенциалу) к занятиям профессиональным спортом.
2. Получены решающие правила, позволяющие с приемлемой степенью уверенности (0,95) дифференцировать людей по их потенциальным возможностям (на примере футбола).
3. Искусственная полиномидальная нейронная сеть МГУА на этапе разведочного анализа позволяет формировать множество латентных индикаторных показателей при небольших объемах обучающей выборки.
4. Полученные продукционные решающие правила хорошо формализуются, что позволило разработать и успешно апробировать на «слепых выборках» программное обеспечение – приложение для тренера, реализованное на смартфоне.
5. Предложенные подходы к анализу данных и синтеза решающих правил не противоречат предыдущим исследованиям в рассматриваемой предметной области и не требовательны к обязательному выполнению постулатов доказательной медицины (параметрической статистики).