Оценка физических функций в волейбольных тренировках на основе интеллектуальной GRNN

Введение

С развитием спортивной науки традиционные методы оценки физических функций всё чаще не соответствуют требованиям индивидуального, динамического и адаптивного мониторинга, необходимого для профессиональных команд. В волейболе, например, физиологические показатели спортсменов, такие как частота сердечных сокращений (ЧСС), уровень лактата и взрывная сила, демонстрируют высокую волатильность и нелинейные зависимости. Это создаёт сложности для точного мониторинга и регулирования нагрузки.

Актуальность исследования

Современные методы искусственного интеллекта, включая нейронные сети и машинное обучение, уже применяются в анализе спортивных данных. Однако они часто не справляются с нелинейными взаимосвязями между показателями и избыточностью признаков в высокоразмерных данных. Поэтому разработка модели, способной адаптироваться к изменяющимся условиям тренировок, становится ключевой задачей.

Методология

Архитектура VSGRNN

Модель VSGRNN (Variable-Structure Generalized Regression Neural Network) основана на обобщённой регрессионной нейронной сети (GRNN) и включает три типа ядерных функций:

• Гауссово ядро — обеспечивает плавную аппроксимацию данных.
• Радиальное базисное ядро — улучшает интерполяцию в областях с высокой плотностью выборок.
• Ядро Матерна — повышает устойчивость к локальным возмущениям.

Динамическая адаптация

Для минимизации ошибок в условиях нестационарных данных в модель встроен механизм динамической регулировки сглаживающего фактора на основе локального градиента. Это позволяет модели сохранять точность даже при резких изменениях нагрузки.

Сжатие признаков

Используется метод многоуровневого линейного сжатия (MSLC), который устраняет избыточность данных без значительной потери информации. Это особенно важно для развёртывания модели на устройствах с ограниченными вычислительными ресурсами.

Результаты

Точность модели

На валидационной выборке VSGRNN показала коэффициент детерминации R² = 0.927, что значительно выше, чем у сравниваемых моделей (LSTM + Attention — 0.884, TabNet — 0.812). Среднеквадратичная ошибка (RMSE) составила всего 1.68, а симметричная средняя абсолютная процентная ошибка (SMAPE) — 8.21%.

Адаптивность к сжатию данных

При сокращении размерности признаков до 30% от исходного количества ошибка предсказания увеличилась лишь на 7.9%, а время вывода сократилось на 46.1%. Это делает модель пригодной для использования в реальном времени на мобильных устройствах.

Устойчивость к возмущениям

В тестах на локальные возмущения, такие как резкие скачки лактата, VSGRNN продемонстрировала отклонение пикового отклика всего 6.7%, что лучше, чем у других моделей (8.5% у LSTM + Attention и 9.8% у TabNet).

Обсуждение

Преимущества VSGRNN обусловлены её способностью адаптироваться к нелинейным и нестационарным данным, характерным для спортивных тренировок. В отличие от традиционных нейронных сетей, которые могут переобучаться на шумах, VSGRNN эффективно фильтрует избыточные признаки и сохраняет устойчивость даже при высокой волатильности показателей.

Заключение

Исследование подтвердило, что VSGRNN превосходит существующие модели по точности, адаптивности и скорости работы. Это делает её перспективным инструментом для мониторинга физического состояния спортсменов в реальном времени. В будущем планируется расширить применение модели на другие виды спорта и интегрировать её с портативными устройствами.