Хуснутдинов Р.М., Ситдиков А.М., Галяутдинов М.И., Ахметшина Л.М. Анализ особенностей функционального состояния организма спортсменов и не спортсменов методами машинного обучения

Скачать статью в pdf-формате

Дата публикации: 15.03.2025
DOI: 10.24412/2782-6570-2025_04_01_2
УДК 004.89

АНАЛИЗ ОСОБЕННОСТЕЙ ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ ОРГАНИЗМА СПОРТСМЕНОВ И НЕ СПОРТСМЕНОВ МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ

Р.М. Хуснутдинов^1,2, А.М. Ситдиков², М.И. Галяутдинов², Л.М. Ахметшина^3,4

¹Федеральное государственное бюджетное образовательное учреждение высшего образования «Казанский государственный энергетический университет», г. Казань, Россия

²Федеральное государственное бюджетное образовательное учреждение высшего образования «Поволжский государственный университет физической культуры, спорта и туризма», г. Казань, Россия

³Государственное автономное учреждение здравоохранения «Межрегиональный клинико-диагностический центр», г. Казань, Россия

⁴Государственное автономное учреждение здравоохранения «Зеленодольская центральная районная больница», г. Зеленодольск, Россия

Аннотация. Целью работы является сравнительный анализ функционального состояния спортсменов и не спортсменов с помощью методов машинного обучения. В качестве входных факторов использовались экспериментальные данные по физиологическим параметрам и характеристикам испытуемых, полученные в научно-исследовательском центре ФГБОУ ВО «Поволжский государственный университет физической культуры, спорта и туризма». Отбор значимых факторов осуществлялся с помощью метода главных компонент. Детальный анализ экспериментальных данных был выполнен с помощью моделей искусственной нейронной сети и случайного леса, для которых были найдены оптимальные конфигурации и значения гиперпараметров. Установлено, что оба метода позволяют с высокой степенью вероятности (свыше 90%) идентифицировать спортсменов и не спортсменов по их физиологическим параметрам и характеристикам.

Ключевые слова: метод главных компонент, искусственная нейронная сеть, метод случайного леса, функциональное состояние.

ANALYSIS OF THE FUNCTIONAL STATE OF ATHLETES AND NON-ATHLETES BY MACHINE LEARNING METHODS

R.M. Khusnutdinoff^1,2, A.M. Sitdikov², M.I. Galyautdinov², L.M. Akhmetshina^3,4

¹Kazan State Power Engineering University, Kazan, Russia

²Volga Region State University of Physical Culture, Sports and Tourism, Kazan, Russia

³Interregional Clinical Diagnostic Center, Kazan, Russia

⁴Zelenodolsk Central District Hospital, Zelenodolsk, Russia

Abstract. The aim of the study – a comparative analysis of the functional state of athletes and non-athletes using machine learning methods. The input factors were experimental data on the physiological parameters and characteristics of the subjects obtained at the research center of the Volga Region State University of Physical Culture, Sport and Tourism. The selection of significant factors was carried out using the principal component analysis method. A detailed analysis of the experimental data was performed using artificial neural network and random forest models, for which optimal configurations and hyperparameter values were found. It was found that both methods allow identifying athletes and non-athletes by their physiological parameters and characteristics with a high degree of probability (over 90%).

Keywords: principal component analysis, artificial neural network, random forest method, functional state.

Введение. В современном мире методы интеллектуального анализа данных находят широкое применение в различных областях человеческой деятельности. Так, методы ма­шинного обучения позволяют обрабатывать и анализировать огромные объемы информа­ции, выявлять закономерности и строить прогнозы, порой невозможные для человека. Кроме того, искусственно-интеллектуальные системы обладают такими важными свойст­вами как самообучение и принятие автоном­ных решений на основе данных без какого-либо явного сопровождения со стороны человека и программного задания. Приме­нение искусственного интеллекта в описании, предсказании, классификации и интерпре­тации сложных наборов данных является широко используемой на сегодняшний день технологией. В частности, в медицине эти методы используются в диагностике и ана­лизе, а также для принятия эффективных решений [1]. В сфере спорта эта технология меняет аналитику, предлагая более глубокое и точное понимание каждого аспекта спор­тивных результатов [2]. Машинное обучение позволяет проводить комплексный анализ, выходящий за рамки возможностей тради­ционных методов.

Целью работы является сравнительный анализ функционального состояния спортс­менов и не спортсменов с помощью методов машинного обучения.

Методы и организация исследования. С целью выявления особенностей функцио­нального состояния различных групп испы­туемых (спортсменов и не спортсменов) на основе экспериментальных данных использо­вались два метода машинного обучения с учителем: искусственная нейронная сеть и случайный лес. Полносвязная многослойная нейронная сеть состояла из четырех слоев (входного, двух скрытых и выходного). Входной слой содержал 11 нейронов, где на входе принимались параметры испытуемых, характеризующие функциональное состоя­ние и один шумовой параметр. Первый и вто­рой скрытые слои состояли из 32 и 64 нейро­нов, соответственно. Методом перебора были определены гиперпараметры, обеспечиваю­щие модели наибольшую точность прог­нозирования и оптимальные значения весов. Использован стохастический градиентный спуск [3] с разбиением на минибатчи по 10 обучающих выборок и коэффициентом ско­рости обучения γ=0,001. Элементарные пре­образователи данной сети, включающие входной и скрытые слои, имели нелинейную функцию активации ReLU (Rectified Linear Unit), в то время как сигнал выходного слоя преобразовывался с помощью функции Soft­max. Для оценки функции потерь на каждой итерации рассчитывалась среднеквадрати­ческая ошибка между точными и предсказан­ными значениями. Набор данных был разде­лен на обучающую и тестовую выборку в со­отношении 50% к 50%. При оценке эффектив­ности модели на тестовой выборке использо­вался критерий качества – перекрестная энт­ропия.

В качестве второго метода машинного обучения использовался метод случайного леса (random forest), предложенный Лео Брей­маном и Аделем Катлером [4]. Алгоритм при­меняется для задач классификации, регрессии и кластеризации. Основная идея метода заключается в использовании большого ан­самбля решающих деревьев, который соче­тает в себе метод бэггинга Бреймана и метод случайных подпространств. В настоящей ра­боте нами было выполнено обучение нес­кольких моделей случайного леса с различ­ным количеством деревьев. Было установ­лено, что для стабильной работы алгоритма достаточно N=10 деревьев.

Экспериментальные данные представля­ли собой датасет, состоящий из физиологи­ческих параметров и характеристик испытуе­мых обоих полов в возрасте от 10 до 27 лет, которые включали: возраст, максимальное потребление кислорода (МПК), физическую активность (час/нед.), вес тела (кг), массу жировой ткани (кг), мышечную массу (кг), массу костной ткани (кг), протеин, индекс массы тела (ИМТ), массовую долю воды (кг); параметры, определяющие основной обмен; один шумовой параметр, генерируемый дат­чиком случайных чисел. Последний параметр использовался с целью проверки стабильнос­ти предсказательной способности применяе­мых в работе методов машинного обучения. В исследованиях участвовали две группы ис­пытуемых: экспериментальная (126 человек, или 82,89% от общего числа испытуемых) и контрольная (26 человек, 17,11%). В экспери­ментальную группу входили спортсмены, профессионально занимающиеся определен­ными видами спорта (легкая атлетика, худо­жественная гимнастика, бадминтон, большой теннис, футбол, волейбол, борьба, восточные единоборства, академическая гребля, гребля на байдарках, плавание и др.), а также имею­щие спортивные разряды и звания. В конт­рольную группу входили молодые, здоровые люди, занимающиеся умеренной физической активностью от 2 до 10 часов в неделю. Все исследования проводились на базе научно-исследовательского центра Поволжского государственного университета физической культуры, спорта и туризма [5].

Результаты исследования и их обсуж­дение. В качестве начального этапаанализа экспериментальных данных мы рассчитали корреляционную матрицу Пирсона для рассматриваемых признаков с целью определения корреляций между различными параметрами и характеристиками испы­туемых (рис. 1). Как видно из рисунка, ряд ингерентных физиологических параметров имеют сильную корреляцию между собой, такие как, например, физическая активность и доля мышечной ткани, массовая доля воды и масса костной ткани и другие. Для выяв­ления значимых факторов мы выполнили сокращение размерности данных с помощью метода главных компонент (рис. 2). Так как все входные параметры характеризуются различными величинами и диапазонами зна­чений, то в качестве предварительной обра­ботки данных была выполнена процедура калибровки: таким образом, чтобы значения входных параметров варьировались в диапа­зоне [0;1].

 

Рис. 1. Матрица корреляций Пирсона для рассматриваемых признаков

Из значения кумулятивного процента объясненной дисперсии (см. левую колонку рис. 2) видно, что 4 первые главные компо­ненты объясняют 94,4% дисперсии (при реко­мендуемых 60% дисперсии). Первая компо­нента объясняет 60,8% от дисперсии, соот­ветствующей 11 переменным; вторая – 22,9%; третья – 6,0%; четвертая – 4,66%. В правой колонке рисунка 2 представлено распределе­ние экспериментальных данных для спортс­менов и не спортсменов в плоскости первых двух компонент. Как видно из рисунка, на данной диаграмме выделяются два кластера: кластер с компактным распределением точек при отрицательных значениях первой глав­ной компоненты – характеризует данные контрольной группы, в то время как кластер с рассеянным распределением точек в области положительных значений первой главной компоненты характеризует данные экспери­ментальной группы.

На основе выполненной предобработки данных была построена модель искусствен­ной нейронной сети. На рисунке 3 представ­лены функция потерь (а) и точность модели (б) в зависимости от номера итерации. Как видно из рисунка, точность модели на трени­ровочной выборке составила более 93%.

 

Рис. 2. Метод главных компонент: процент кумулятивной дисперсии в зависимости от количества главных компонент (левая колонка); распределение данных по экспериментальной (кружки) и контрольной (треугольники) группам в плоскости первых двух компонент (правая колонка)

 

Рис. 3. Функция потерь (левая колонка) и точность модели (правая колонка) в зависимости от номера итерации

 

Рис. 4. Процент правильных ответов в зависимости от количества деревьев

Следующим этапом нашего исследова­ния явилось применение модели случайного леса (ансамбль деревьев решений, исполь­зуемый для задач классификации и регрес­сии) к анализу полученных эксперименталь­ных данных. Мы выполнили обучение нес­кольких моделей случайного леса с различ­ным количеством деревьев (рис. 4). Как видно из рисунка, на обучающей выборке процент правильных ответов выходит на плато при значениях N=10 деревьев, что указывает на стабильную работу алгоритма при минимальном количестве деревьев N=10. На рисунке 5 представлено сравнение пред­сказательной способности двух методов ма­шинного обучения: представленной модели искусственной нейронной сети и модели слу­чайного леса с количеством деревьев N=10. Как видно из рисунка, оба метода приводят к одинаковым результатам, а именно позволя­ют с высокой вероятности (свыше 90%) идентифицировать спортсменов и не спортс­менов по их физиологическим параметрам и характеристикам.

 

Рис. 5. Сравнение предсказательной способности двух методов машинного обучения: модели искусственной нейронной сети и модели случайного леса

Заключение. В настоящей работе выпол­нено систематическое исследование функ­ционального состояния спортсменов и не спортсменов с помощью двух методов ма­шинного обучения: искусственной нейрон­ной сети и модели случайного леса. В качест­ве входных факторов использовались экспе­риментальные данные по физиологическим параметрам и характеристикам испытуемых. Отбор значимых факторов осуществлялся с помощью метода главных компонент. Уста­новлено, что четыре первые главные компо­ненты объясняют 94,4% дисперсии (при реко­мендуемых 60% дисперсии). Для моделей ис­кусственной нейронной сети и случайного леса были найдены оптимальные конфи­гурации и значения гиперпараметров. Уста­новлено, что оба метода позволяют с высокой вероятностью (свыше 90%) идентифици­ровать спортсменов и не спортсменов по их физиологическим параметрам и характерис­тикам.

Таким образом, в настоящей работе были разработаны модели нейронной сети и слу­чайного леса, позволяющие по набору физио­логических параметров определять функцио­нальное состояние испытуемых и идентифи­цировать их как спортсменов и не спортсме­нов – молодых, здоровых людей, занимаю­щихся умеренной физической активностью. 

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Conflict of interest. The authors declare no conflict of interest.

СПИСОК ЛИТЕРАТУРЫ

1. Гифт, Н. Прагматичный ИИ. Машинное обуче­ние и облачные технологии / Н. Гифт; пер. с англ. И. Пальти. – СПб: Питер, 2019. – 300 с.
2. Васильев, А.Н. Нейросетевое моделирование. Принципы. Алгоритмы. Приложения / А.Н. Васильев, Д.А. Тархов. – СПб: Изд-во Политехн. Ун-та, 2009. – 527 с.
3. Хайкин, С. Нейронные сети: полный курс. 2-е изд. / С. Хайкин. – М.: «Вильямс», 2006. – 1104 с.
4. Breiman, L. Random Forests / L. Breiman // Machine Learning. – 2001. – № 45. – P. 5–32.
5. Сравнительный анализ функционального состояния организма спортсменов и не спортсменов по данным антропометрии, морфологии и МПК / Р.М. Хуснутдинов, А.М. Ситдиков, И.Р. Фаткуллов [и др.] // Ученые записки университета имени П.Ф. Лесгафта. – 2023. – № 12 (226). – С. 208–213.

REFERENCES

1. Gift N. Pragmatic AI. Machine learning and cloud technologies: scientific. ed. trans. from English by I. Palti. St. Petersburg: Piter, 2019. 300 p. (in Russ.)
2. Vasil’ev A.N., Tarkhov D.A. Neural network modeling. Principles. Algorithms. Applications. St. Petersburg: Publishing house Polytechnic. Univ., 2009, 527 p. (in Russ.)
3. Khaikin S. Neural networks: a complete course. 2^nd ed. Moscow: Williams, 2006, 1104 p. (in Russ.)
4. Breiman, L. Random Forests. Machine Learning, 2001, vol. 45, pp. 5–32.
5. Khusnutdinoаа R.M., Sitdikov A.M., Fatkulov I.R., Galyautdinov M.I., Akhmetshina L.M. Comparative analysis of the functional state of the body of athletes and non-athletes according to anthropometry, morphology and BMD. Scientific Notes of the P.F. Lesgaft University, 2023, no. 12, pp. 208–213. (in Russ.)

СВЕДЕНИЯ ОБ АВТОРАХ:
Рамиль Миннегаязович Хуснутдинов – кандидат физико-математических наук, доцент кафедры информационных технологий и интеллектуальных систем, ФГБОУ ВО «КГЭУ»; доцент кафедры информационных систем и фиджитал спорта, ФГБОУ ВО «ПГУФКСИТ», Казань, e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в браузере должен быть включен Javascript.
Алмаз Муллаянович Ситдиков – старший преподаватель кафедры информационных систем и фиджитал спорта, ФГБОУ ВО «ПГУФКСИТ», Казань, e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в браузере должен быть включен Javascript.
Марат Ильдарханович Галяутдинов – кандидат физико-математических наук, доцент кафедры информационных систем и фиджитал спорта, ФГБОУ ВО «ПГУФКСИТ», Казань, e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в браузере должен быть включен Javascript.
Лилия Мустакимовна Ахметшина – врач-кардиолог ГАУЗ «МКДЦ», Казань; врач-терапевт, ГАУЗ «ЗЦРБ», Зеленодольск, e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в браузере должен быть включен Javascript. 

INFORMATION ABOUT THE AUTHORS:
Ramil M. Khusnutdinoff – Candidate of Physical and Mathematical Sciences, Associate Professor of the Department of Information Technologies and Intelligent Systems, Kazan State Power Engineering University; Associate Professor of the Department of Information Systems and Phygital Sports, Volga Region State University of Physical Culture, Sports and Tourism, Kazan, e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в браузере должен быть включен Javascript.
Almaz M. Sitdikov – Senior Lecturer of the Department of Information Systems and Phygital Sports, Volga Region State University of Physical Culture, Sports and Tourism, Kazan, e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в браузере должен быть включен Javascript.
Marat I. Galyautdinov – Candidate of Physical and Mathematical Sciences, Associate Professor of the Department of Information Systems and Phygital Sports, Volga Region State University of Physical Culture, Sports and Tourism, Russia, Kazan, e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в браузере должен быть включен Javascript.
Lilia M. Akhmetshina – Cardiologist, Interregional Clinical Diagnostic Center, Kazan; General Practitioner, Zelenodolsk Central District Hospital, Zelenodolsk, e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в браузере должен быть включен Javascript. 

Для цитирования: Анализ особенностей функционального состояния организма спортсменов и не спортсменов методами машинного обучения / Р.М. Хуснутдинов, А.М. Ситдиков, М.И. Галяутдинов, Л.М. Ахметшина // Российский журнал спортивной науки: медицина, физиология, тренировка. – 2025. – Т. 4. – № 1(13). DOI: 10.24412/2782-6570-2025_04_01_2
For citation: Khusnutdinoff R.M., Sitdikov A.M., Galyautdinov M.I., Akhmetshina L.M. Analysis of the functional state of athletes and non-athletes by machine learning methods. Russian Journal of Sports Science: Medicine, Physiology, Training, 2025, vol. 4, no. 1(13). DOI: 10.24412/2782-6570-2025_04_01_2