Ещё 0
Ещё 0
Ещё 0
Ещё 0
Ещё 0
Ещё 0
Ещё 0
Москва, Россия
Москва, г. Москва и Московская область, Россия
Москва, г. Москва и Московская область, Россия
г. Москва и Московская область, Россия
с 01.01.2010 по настоящее время г. Москва и Московская область, Россия
ВАК 3.1.33 Восстановительная медицина, спортивная медицина, лечебная физкультура, курортология и физиотерапия
УДК 60 Прикладные науки. Общие вопросы
УДК 004.896 Искусственный интеллект в промышленных системах. Интеллектуальные САПР и АСУ. Интеллектуальные роботы
УДК 616-003.215 Кровь. Плазма крови. Гематома
УДК 347.514.3 В спорте
УДК 351.855.3 Игры. Спорт. Увеселения
ГРНТИ 77.00 ФИЗИЧЕСКАЯ КУЛЬТУРА И СПОРТ
ГРНТИ 76.35 Прочие отрасли медицины и здравоохранения
ОКСО 31.08.39 Лечебная физкультура и спортивная медицина
ОКСО 49.00.00 Физическая культура и спорт
ОКСО 49.04.03 Спорт
ОКСО 45.03.04 Интеллектуальные системы в гуманитарной сфере
ББК 75 Физическая культура и спорт
ББК 58 Прикладные отрасли медицины
ББК 73 Научно-информационная деятельность
ТБК 2352 Спорт
ТБК 5742 Гематология. Трансфузиология
ТБК 2301 Информатика
ТБК 5106 Прикладная информатика
BISAC BIO016000 Sports
BISAC COM032000 Information Technology
BISAC COM004000 Intelligence (AI) & Semantics
Рассматривается использование наиболее значимых гематологических показателей для компьютерной программы прогноза успешности выступления спортсменов пловцов на основе нейросети глубокого машинного обучения и библиотеки с открытым исходным кодом Keras
модель глубокого обучения, гематологические показатели, прогноз успешности, библиотека Keras
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. Болотов А.А., Барчуков В.Г. Галузин А.С., Тен А.М., Онопченко О.В. Прогноз результатов соревнований спортсменов пловцов по гематологическим показателям. РОССЙСКИЙ ЖУРНАЛ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В СПОРТЕ. 2024, Т1 №S1. Специальный выпуск. Сборник тезисов VII Всероссийской с международным участием научно-“ДЕНЬ СПОРТИВНОЙ ИНФОРМАТИКИ” 4-5 декабря 2023 года, с.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
