Москва, Россия
г. Москва и Московская область, Россия
Москва, г. Москва и Московская область, Россия
Россия
ВАК 1.2.2 Математическое моделирование, численные методы и комплексы программ
ВАК 3.3.9 Медицинская информатика
ВАК 3.1.33 Восстановительная медицина, спортивная медицина, лечебная физкультура, курортология и физиотерапия
ВАК 5.8.5 Теория и методика спорта
ВАК 2.2.12 Приборы, системы и изделия медицинского назначения
УДК 004.89 Прикладные системы искусственного интеллекта. Интеллектуальные системы, обладающие знаниями
УДК 355.233.22 Физическое воспитание. Физические упражнения. Плавание. Фехтование. Спорт
УДК 00 Наука в целом (информационные технологии - 004)
УДК 796/799 Физическая культура. Спортивные игры. Спорт
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
ББК 3 ТЕХНИКА. ТЕХНИЧЕСКИЕ НАУКИ
ББК 58 Прикладные отрасли медицины
ББК 73 Научно-информационная деятельность
ББК 75 Физическая культура и спорт
ТБК 5 ПРИКЛАДНЫЕ НАУКИ. ТЕХНИКА. МЕДИЦИНА
ТБК 7 ОБЩЕСТВЕННЫЕ НАУКИ. ЭКОНОМИКА. ПРАВО.
BISAC COM014000 Computer Science
BISAC COM017000 Cybernetics
BISAC COM025000 Expert Systems
BISAC COM032000 Information Technology
BISAC COM004000 Intelligence (AI) & Semantics
Актуальность. 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 спортсмена должна быть для него быстрой, малозатратной и без отвлечения от соревновательного процесса. Цель: Разработка инновационного программного комплекса, использующего методы глубокого обучения и обработку естественного языка NLP (Natural Language Processing), для точного прогнозирования спортивных результатов пловцов. Комплекс предназначен для поддержки эффективных решений по отбору сильнейших спортсменов для участия в командных и индивидуальных заплывах на основе анализа их функциональных состояний посредством автоматизированного осознанного диалога и учета ключевых гематологических показателей. Методы: Для обучения системы были использованы реальные данные о спортсменах сборной команды РФ по плаванию - всего было проанализировано 100 случаев по восьми ключевым гематологическим параметрам, влияющим на спортивные показатели. Для создания комплекса использовались нейросети глубокого машинного обучения на основе библиотеки с открытым исходным кодом Keras и языка программирования Python. Результаты: Разработанный комплекс включает три основных модуля: модуль «Обучение» - создание языковой модели на основе библиотеки Keras и Python; модуль «Чат+Прогноз» - поддержка осмысленного диалога с пользователем (тренером/врачом/спортсменом) относительно текущего состояния здоровья и уровня готовности; модуль «Тест-Прогноз»: массовая проверка эффективности разработанной модели на конкретных примерах. Точность модели достигла 90% во время обучения, основанного на анализе истории обучения модели. Реальное тестирование подтвердило эффективность подхода, показав совпадение прогноза с результатами в 87% случаев. Заключение: Разработанный комплекс обеспечивает быструю оценку состояния спортсмена, минимизируя затраты и позволяя эффективно выбирать участников для различных соревнований. Возможности для повышения точности сохраняются путем расширения набора данных. Для получения различных данных по предметной области используется чат-бот с запросами на естественном языке.
программный комплекс, искусственная нейросеть, машинное обучение, гематологические показатели, пловцы, соревнования, чат-бот, Keras, языковая QA-модель, классификация
1. Нехвядович А. И., Будко А. Н. Оценка эффективности тренировочного процесса спортсменов на основе вариабельности показателей крови: Практическое пособие. - Минск: БГУФК, 2019. 40 с.
2. Трищенкова С.Н., Екимовских А.В., Егоров Г. Е. Интегральные гематологические показатели у спортсменов. [Электронный ресурс]. URL: https://www.sportmedicine.ru/medforsport-2011-papers/trischenkova.php (дата обращения: 27.03.2025).
3. Суздальницкий Р.С., Левандо В.А. Иммунологические аспекты спортивной деятельности человека //Теория и практика физической культуры. 1998. № 10. С.43-46.
4. А.З. Даутова, Г.Г. Янышева, Р.Ю. Якубов, А.С. Назаренко, А.А. Зверев. Взаимосвязь гематологических и биохимических параметров крови у спортсменов разных возрастных групп. [Электронный ресурс]. URL: https://sciencesport.ru/sites/default/files/media/articles/files/2022-09/02-Dautova_14-21_1.pdf DOI:https://doi.org/10.36028/2308-8826-2022-10-3-14-21 (дата обращения: 27.03.2025).
5. Бойков В. Л. Комплексная характеристика автономной регуляции сердечного ритма, гематологического и биохимического профиля у пловцов высокой квалификации: автореф. на соиск. ученой степ. канд. биол. наук: 03.03.01 – Физиология, Ярославль, 2021 21 с.
6. Рязанцев А. И., Сафонова С. Н., Голомедов М. Р. Гематологические маркеры состояния функциональных систем высококвалифицированных пловцов в условиях среднегорной подготовки // Физическая культура. Спорт. Здоровье. - 2024 - № 1 -С. 82-89. [Электронный ресурс]. URL: https://www.sportmedicine.ru/medforsport-2011-papers/trischenkova.php (дата обращения: 27.03.2025).
7. Anshik. AI for Healthcare: Keras and TensorFlow. In AI and Machine Learning for Healthcare. 2021. 381 pages. [Электронный ресурс]. URL: https//doi.org/10.1007/978-1-4842-7086-8 (дата обращения: 27.03.2025).
8. Элбон Крис. Машинное обучение с использованием Python. Сборник рецептов:Пер. с англ. — СПб.: БХВ-Петербург, 2019. - 384 с.
9. Machine Learning with Python Tutorial. [Электронный ресурс]. URL: https://www.geeksforgeeks.org/machine-learning-with-python/ (дата обращения: 15.03.2025).
10. The official home of the Python Programming Language. [Электронный ресурс]. URL: https://www.python.org/ (дата обращения: 15.03.2025).
11. Best Python libraries for Machine Learning. [Электронный ресурс]. URL: https://www.geeksforgeeks.org/best-python-libraries-for-machine-learning/ (дата обращения: 15.03.2025).
12. Лучшие Python-библиотеки для машинного обучения. [Электронный ресурс]. URL: https://thecode.media/luchshie-python-biblioteki-dlya-mashinnogo-obucheniya/ дата обращения: 15.03.2025).
13. 8 лучших библиотек обработки естественного языка для Python (NLP). [Электронный ресурс]. URL: https://pythonist.ru/8-luchshih-bibliotek-obrabotki-estestvennogo-yazyka-dlya-python-nlp/ (дата обращения: 15.03.2025).
14. Keras. Deep Learning for humans [Электронный ресурс]. URL: https://keras.io/ (дата обращения: 27.03.2025).
15. Keras: библиотека глубокого обучение на Python. [Электронный ресурс]. URL: https://ru-keras.com/home/ (дата обращения: 27.03.2025).
16. Руководство по обслуживанию. Принципы работы. Описание электронного оборудования Chemwell-T, [Электронный ресурс]. URL: https://www.manualslib.com/manual/1863455/Awareness-Technology-Chemwell-T-4600-Series.html?page=38#manual (дата обращения: 15.03.2025).
17. Компания Td-lab, дилер продукции Awareness Technology в РФ, [Электронный ресурс]. URL: https://td-lab.ru/product/avtomaticheskij-bioximicheskij-analizator-chemwell-t (дата обращения: 15.03.2025).
18. Таблица очков World Aquatics (FINA) [Электронный ресурс]. URL: https://russwimming.ru/fina-points (дата обращения: 27.02.2025).
19. А.А. Болотов, В.Г. Барчуков, А.С. Галузин, А.М. Тен, О.В. Онопченко Использование гематологических показателей для прогноза результатов соревнований спортсменов пловцов на основе вероятностных оценок. Клинический вестник ФМБЦ им. А.И. Бурназяна. 2023. № 4. С.10-18. DOI:https://doi.org/10.33266/2782-6430-2023-4-10-18
20. Болотов А.А., Барчуков В.Г. Галузин А.С., Тен А.М., Онопченко О.В. Прогноз результатов соревнований спортсменов пловцов по гематологическим показателям. Российский журнал информационных технологий в спорте. 2024, Т1 №S1. Специальный выпуск. Сборник тезисов VII Всероссийской с международным участием научно-практическая конференция “День спортивной информатики” 4-5 декабря 2023 года, с.31-34. DOI:https://doi.org/10.62105/2949-6349-2024-1-S1-31-34.
