Classification a sensorimotor task level of complexity for athletes based on physiological indicators using machine learning methods
Authors:
1.
Federal Research Center for Innovator and Emerging Biomedical and Pharmaceutical Technologies
(Rehabilitation and Sport Psychophysiology Lab, Leading Researcher)
Moscow Center of Advanced Sports Technologies (Sports Psychology Department, physiologist)
Moscow, Russian Federation
Moscow Center of Advanced Sports Technologies (Sports Psychology Department, physiologist)
Moscow, Russian Federation
Type:
Article
Pages:
from 17
to 20
Status:
Published
Received:
18.12.2023
Accepted:
22.01.2024
Published:
13.03.2024
Subject area:
VAC 1.5.5 Физиология человека и животных
VAC 5.3.3 Психология труда, инженерная психология, когнитивная эргономика
VAC 1.2.1 Искусственный интеллект и машинное обучение
VAC 5.8.4 Физическая культура и профессиональная физическая подготовка
VAC 3.1.33 Восстановительная медицина, спортивная медицина, лечебная физкультура, курортология и физиотерапия
UDK 159.91 Психофизиология
UDK 159.93 Сенсорные процессы. Ощущения
UDK 004.93'14 Кластеризация образов
UDK 355.233.22 Физическое воспитание. Физические упражнения. Плавание. Фехтование. Спорт
UDK 796.012 Кинематика. Спортивные движения. Учение о двигательных (моторных) функциях человеческого тела Психологические, анатомические и физиологические признаки и характеристики обозначать с помощью :159.9..., :611..., :612...
GRNTI 77.00 ФИЗИЧЕСКАЯ КУЛЬТУРА И СПОРТ
GRNTI 20.00 ИНФОРМАТИКА
OKSO 02.00.00 Компьютерные и информационные науки
OKSO 06.00.00 Биологические науки
OKSO 09.00.00 Информатика и вычислительная техника
OKSO 32.00.00 Науки о здоровье и профилактическая медицина
OKSO 44.00.00 Образование и педагогические науки
BBK 28 Биологические науки
BBK 73 Научно-информационная деятельность
BBK 75 Физическая культура и спорт
TBK 5 ПРИКЛАДНЫЕ НАУКИ. ТЕХНИКА. МЕДИЦИНА
BISAC COM014000 Computer Science
BISAC COM018000 Data Processing
BISAC BIO016000 Sports
BISAC PSY012000 Education & Training
VAC 5.3.3 Психология труда, инженерная психология, когнитивная эргономика
VAC 1.2.1 Искусственный интеллект и машинное обучение
VAC 5.8.4 Физическая культура и профессиональная физическая подготовка
VAC 3.1.33 Восстановительная медицина, спортивная медицина, лечебная физкультура, курортология и физиотерапия
UDK 159.91 Психофизиология
UDK 159.93 Сенсорные процессы. Ощущения
UDK 004.93'14 Кластеризация образов
UDK 355.233.22 Физическое воспитание. Физические упражнения. Плавание. Фехтование. Спорт
UDK 796.012 Кинематика. Спортивные движения. Учение о двигательных (моторных) функциях человеческого тела Психологические, анатомические и физиологические признаки и характеристики обозначать с помощью :159.9..., :611..., :612...
GRNTI 77.00 ФИЗИЧЕСКАЯ КУЛЬТУРА И СПОРТ
GRNTI 20.00 ИНФОРМАТИКА
OKSO 02.00.00 Компьютерные и информационные науки
OKSO 06.00.00 Биологические науки
OKSO 09.00.00 Информатика и вычислительная техника
OKSO 32.00.00 Науки о здоровье и профилактическая медицина
OKSO 44.00.00 Образование и педагогические науки
BBK 28 Биологические науки
BBK 73 Научно-информационная деятельность
BBK 75 Физическая культура и спорт
TBK 5 ПРИКЛАДНЫЕ НАУКИ. ТЕХНИКА. МЕДИЦИНА
BISAC COM014000 Computer Science
BISAC COM018000 Data Processing
BISAC BIO016000 Sports
BISAC PSY012000 Education & Training
Language:
Russian, English
Keywords:
task complexity, classifiers, athletes, autonomic indicators, machine learning
Abstract (English):
The study aimed to identify the most sensitive autonomic indicators reflecting the level of complexity of the sensorimotor task performed by athletes using various machine learning methods (classification algorithms). As tasks of two levels of difficulty, we used the audio-motor synchronization task: to tap in synchrony with a metronome rhythmic sound (a simple task) and to tap the same rhythm without auditory cues (rhythm memory task, a complex task). Heart rate, respiratory parameters, skin conduction, and EEG were recorded. The most accurate classification was demonstrated by the Classification and Regression Trees (C&RT) model – the error was 18.3%.
The study aimed to identify the most sensitive autonomic indicators reflecting the level of complexity of the sensorimotor task performed by athletes using various machine learning methods (classification algorithms). As tasks of two levels of difficulty, we used the audio-motor synchronization task: to tap in synchrony with a metronome rhythmic sound (a simple task) and to tap the same rhythm without auditory cues (rhythm memory task, a complex task). Heart rate, respiratory parameters, skin conduction, and EEG were recorded. The most accurate classification was demonstrated by the Classification and Regression Trees (C&RT) model – the error was 18.3%.
Keywords:
task complexity, classifiers, athletes, autonomic indicators, machine learning
task complexity, classifiers, athletes, autonomic indicators, machine learning
1. Charles R.L., Nixon J. Measuring mental workload using physiological measures: A systematic review. Applied Ergonomics, 2019, 74, pp. 221-232. DOI: https://doi.org/10.1016/j.apergo.2018.08.028
2. Zhang J., Yin Z., Cheng P., Nichele S. Emotion recognition using multi-modal data and machine learning techniques: A tutorial and review. Information Fusion, 2020, 59 (1), pp. 103-126. DOI: https://doi.org/10.1016/j.inffus.2020.01.011
3. Tarvainen M.P., Niskanen J.-P., Lipponen J.A., Ranta-Aho P.O., Karjalainen P.A. Kubios HRV-heart rate variability analysis software. Computer Methods and Programs in Biomedicine, 2014, 113 (1), pp. 210-220. DOI: https://doi.org/10.1016/j.cmp
