Moscow, Russian Federation
from 01.01.2005 until now Moskva, Moscow, Russian Federation
Moscow, Moscow, Russian Federation
Moscow, Russian Federation
from 01.01.2010 until now Moscow, Russian Federation
VAC 3.1.33 Восстановительная медицина, спортивная медицина, лечебная физкультура, курортология и физиотерапия
UDK 60 Прикладные науки. Общие вопросы
UDK 004.896 Искусственный интеллект в промышленных системах. Интеллектуальные САПР и АСУ. Интеллектуальные роботы
UDK 616-003.215 Кровь. Плазма крови. Гематома
UDK 347.514.3 В спорте
UDK 351.855.3 Игры. Спорт. Увеселения
GRNTI 77.00 ФИЗИЧЕСКАЯ КУЛЬТУРА И СПОРТ
GRNTI 76.35 Прочие отрасли медицины и здравоохранения
OKSO 31.08.39 Лечебная физкультура и спортивная медицина
OKSO 49.00.00 Физическая культура и спорт
OKSO 49.04.03 Спорт
OKSO 45.03.04 Интеллектуальные системы в гуманитарной сфере
BBK 75 Физическая культура и спорт
BBK 58 Прикладные отрасли медицины
BBK 73 Научно-информационная деятельность
TBK 2352 Спорт
TBK 5742 Гематология. Трансфузиология
TBK 2301 Информатика
TBK 5106 Прикладная информатика
BISAC BIO016000 Sports
BISAC COM032000 Information Technology
BISAC COM004000 Intelligence (AI) & Semantics
The use of the most significant hematological indicators for a computer program for predicting the success of swimmers' performance based on a deep machine learning neural network and the Keras open source library is considered
deep learning model, hematological indicators, success prediction, Keras library
Обоснование: Для спортсмена, наряду с эффективной тренировочной подготовкой, актуальным при выступлении на соревнованиях являются оценка его функционального состояния и готовность показать лучший результат. При этом оценка состояния должна быть для него быстрой, малозатратной и без отвлечения от соревновательного процесса. Нами было предложено в соревновательный период использовать для этого гематологические показатели спортсмена [1]. Для экспресс прогноза успешности выступления спортсменов на основе этих показателей представляется целесообразным использовать нейросети глубокого машинного обучения на основе библиотеки с открытым исходным кодом Keras [2].
Цель: Разработка нейросетевой модели глубокого обучения NLP (Natural Language Processing) и программного обеспечения для оценки функционального состояния и формирования прогноза успешности их выступлений для отбора лучших кандидатов в командных и личных заплывах на этих соревнованиях на основе гематологических показателей спортсменов-пловцов в соревновательный период с использованием библиотеки с открытым программным кодом Keras на языке Python.
Методы: Возможности библиотеки глубокого обучения Keras позволяют быстро и с высокой точностью (эффективно) строить системы классификации и вопросно-ответные системы (вида чат-ботов), которые в совокупности позволяют значительно расширить возможности любых систем прогноза. Указанные библиотеки позволяют выбрать и настроить структуру нейросети, определить ее свойства, обеспечить быстрое машинное обучение на основе широкого набора гиперпараметров сети и таким образом сформировать собственную модель системы, позволяющую вести диалог на естественном языке.
Для оценки функционального состояния спортсменов с целью прогноза успешности их выступлений использовался набор фактических данных по 8 наиболее значимым гематологическим показателям пловцов с оценкой по двум классам - успешности/неуспешности выступления спортсменов, полученных в период проведения соревнований [1]. В него вошло 100 случаев выступления пловцов мужчин, при этом гематологические показатели представлены в дискретной форме: признак-градация. Для вопросно-ответной части системы используется информация о признаках и их свойствах, описание и особенности системы, запрос к которым осуществляется на естественном языке.
Результаты: Для создания системы прогноза разработаны две программы: «Обучение» и «Прогноз». В программе «Обучение» создана модель обучения на основе 4-х слоев нейросети: входного, двух скрытых и одного выходного с использованием библиотеки «Keras» на языке Python. Для машинного обучения создан датасет формата «json» по имеющемуся набору фактических данных. Для прогноза признаки задаются в виде вектора признаков: 1:2 2:3 3:1 и т.д., а также в виде текстового описания, например, лейкоциты:2, гемоглобин:3 и т.д. Кроме того, в датасет включены данные о системе, информация по используемым признакам: описание признака, его влияние на прогноз успешности и др. в виде вопросно-ответной системы для обеспечения диалога с пользователем на естественном языке.
Заключение: Подходы и разработанное программное обеспечение для прогноза успешности выступления спортсменов на соревнованиях по гематологическим показателям крови позволяет оперативно и с высокой точностью (около 98%) получить результат прогноза по каждому спортсмену и использовать его для отбора лучших кандидатов, а также создать целостную систему с возможностью общения с ней на естественном языке, что обеспечивает большее удобство для пользователей и доверие к ней.
1. Bolotov A.A., Barchukov V.G. Galuzin A.S., Ten A.M., Onopchenko O.V. Forecast of the results of competitions of swimmers by hematological parameters. THE RUSSIAN JOURNAL OF INFORMATION TECHNOLOGY IN SPORTS. 2024, T1 No.S1. Special issue. Collection of abstracts of the VII All-Russian Scientific Conference with international participation-“SPORTS INFORMATICS DAY” December 4-5, 2023, pp.31-34. DOI:https://doi.org/10.62105/2949-6349-2024-1-S1-31-34.
2. Anshik. AI for Healthcare: Keras and TensorFlow. In AI and Machine Learning for Healthcare. 2021. 381 pages. https//doi.org/10.1007/978-1-4842-7086-8
