ВАК 1.5.5 УДК 159.91 ГРНТИ 77.00 ОКСО 02.00.00 ББК 28 ТБК 5 BISAC COM014000 ВАК 5.3.3 ВАК 1.2.1 ВАК 5.8.4 ВАК 3.1.33 УДК 159.93 УДК 004.93'14 УДК 355.233.22 УДК 796.012 ГРНТИ 20.00 ОКСО 06.00.00 ОКСО 09.00.00 ОКСО 32.00.00 ОКСО 44.00.00 ББК 73 ББК 75 BISAC COM018000 BISAC BIO016000 BISAC PSY012000

КЛАССИФИКАЦИЯ УРОВНЯ СЛОЖНОСТИ СЕНСОМОТОРНОЙ ЗАДАЧИ ДЛЯ СПОРТСМЕНОВ НА ОСНОВАНИИ ФИЗИОЛОГИЧЕСКИХ ПОКАЗАТЕЛЕЙ МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ Классификация уровня сложности сенсомоторной задачи для спортсменов на основании физиологических показателей методами машинного обучения

Опубликовано в Российский журнал информационных технологий в спорте · Том 1, Номер 1 · Страницы 17–20 · Рубрика: ЦИФРОВЫЕ ТЕХНОЛОГИИ В ЭКСТРЕМАЛЬНОЙ И СПОРТИВНОЙ ФИЗИОЛОГИИ
DOI: https://doi.org/10.62105/2949-6349-2024-1-1-17-20 · EDN: FTFHIY
Получено: 18.12.2023 Одобрено: 22.01.2024 Опубликовано: 13.03.2024 Язык публикаций: RUS
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
Текст Список литературы
Текст (PDF)
Читать Скачать

 

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

Войти или Создать
* Забыли пароль?