Государственное казенное учреждение "Центр спортивных инновационных технологий и подготовки сборных команд" Москомспорта (отдел спортивной психологии, физиолог)
Москва, Россия
ВАК 5.3.3 Психология труда, инженерная психология, когнитивная эргономика
ВАК 1.2.1 Искусственный интеллект и машинное обучение
ВАК 5.8.4 Физическая культура и профессиональная физическая подготовка
ВАК 3.1.33 Восстановительная медицина, спортивная медицина, лечебная физкультура, курортология и физиотерапия
УДК 159.91 Психофизиология
УДК 159.93 Сенсорные процессы. Ощущения
УДК 004.93'14 Кластеризация образов
УДК 355.233.22 Физическое воспитание. Физические упражнения. Плавание. Фехтование. Спорт
УДК 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...
ГРНТИ 77.00 ФИЗИЧЕСКАЯ КУЛЬТУРА И СПОРТ
ГРНТИ 20.00 ИНФОРМАТИКА
ОКСО 02.00.00 Компьютерные и информационные науки
ОКСО 06.00.00 Биологические науки
ОКСО 09.00.00 Информатика и вычислительная техника
ОКСО 32.00.00 Науки о здоровье и профилактическая медицина
ОКСО 44.00.00 Образование и педагогические науки
ББК 28 Биологические науки
ББК 73 Научно-информационная деятельность
ББК 75 Физическая культура и спорт
ТБК 5 ПРИКЛАДНЫЕ НАУКИ. ТЕХНИКА. МЕДИЦИНА
BISAC COM014000 Computer Science
BISAC COM018000 Data Processing
BISAC BIO016000 Sports
BISAC PSY012000 Education & Training
Целью исследования было выявление наиболее информативных вегетативных показателей, отражающих уровень сложности выполняемого спортсменами сенсомоторного задания с применением различных классификационных моделей. В качестве заданий двух уровней сложности использовали задачу на слухомоторную синхронизацию с заданным ритмом под метроном (простое задание) и удержание его по памяти (сложное задание). Регистрировались показатели работы сердца, параметры дыхания, кожная проводимость, ЭЭГ. Наиболее точную классификацию продемонстрировала модель Classification and Regression Trees (C&RT) – ошибка составила 18,3%.
сложность задачи, классификаторы, спортсмены, вегетативные показатели, машинное обучение
1. Charles R.L., Nixon J. Measuring mental workload using physiological measures: A systematic review // Applied Ergononomics, 2019. Vol. 74. P. 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. Vol. 59. No 1. P. 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. Vol. 113. No 1. P. 210-220. DOI: https://doi.org/10.1016/j.cmpb.2013.07.024