Поиск :
Личный кабинет :
Электронный каталог: Солонец, Антон Владимирович - Применение искусственного интеллекта для прогнозирования риска травм у спортсменов: подход с испо...
Солонец, Антон Владимирович - Применение искусственного интеллекта для прогнозирования риска травм у спортсменов: подход с испо...
Статья
Автор: Солонец, Антон Владимирович
Системный анализ и прикладная информатика: Применение искусственного интеллекта для прогнозирования риска травм у спортсменов: подход с испо...
Application of artificial intelligence for predicting injury risk in athletes: an approach using recurrent neural networks
б.г.
ISBN отсутствует
Автор: Солонец, Антон Владимирович
Системный анализ и прикладная информатика: Применение искусственного интеллекта для прогнозирования риска травм у спортсменов: подход с испо...
Application of artificial intelligence for predicting injury risk in athletes: an approach using recurrent neural networks
б.г.
ISBN отсутствует
На полку
Статья
Солонец, Антон Владимирович.
Применение искусственного интеллекта для прогнозирования риска травм у спортсменов: подход с использованием рекуррентных нейронных сетей = Application of artificial intelligence for predicting injury risk in athletes: an approach using recurrent neural networks / А. В. Солонец, А. С. Снарский. – DOI 10.21122/2309-4923-2025-2-11-16 // Системный анализ и прикладная информатика. – 2025. – № 2. – С. 11-16. – Режим доступа : https://rep.bntu.by/handle/data/158624.
Целью работы является разработка и апробация модели прогнозирования риска травм у спортсменов, использующей методы машинного обучения для анализа временных рядов физиологических данных. В исследовании анализируются данные бегунов с квалификацией КМС, включая показатели частоты сердечных сокращений (ЧСС), вариабельности сердечного ритма (ВСР) и тренировочной нагрузки, что позволяет оценить состояние организма спортсмена в динамике и выявить возможные риски для здоровья. Разработанная модель прогнозирования, построенная на основе рекуррентной нейронной сети Long Short-Term Memory (LSTM), позволяет выявлять периоды повышенного риска травм у спортсменов и, основываясь на полученных результатах, корректировать тренировочный процесс для предотвращения этих рисков. В ходе экспериментов на реальных данных был достигнут высокий уровень точности прогноза – 85 %, что подтверждает эффективность предложенного подхода для предсказания вероятности травм. Несмотря на успешность модели, для обеспечения более точной валидации разработанного подхода авторы признают необходимость проведения дополнительных лонгитюдных исследований с расширенным набором данных.
The aim of this study is to develop and validate a model for predicting injury risk in athletes using machine learning methods to analyze time series physiological data. The research focuses on data from runners with the high qualification, including heart rate (HR), heart rate variability (HRV), and training load, allowing for the assessment of an athlete’s physiological state over time and the identification of potential health risks. The proposed prediction model, based on a Long Short-Term Memory (LSTM) recurrent neural network, enables the identification of periods of increased injury risk in athletes and allows for adjustments to the training process to prevent injuries. Experimental results on real-world data demonstrated a high prediction accuracy of 85%, confirming the effectivenes of the proposed approach in forecasting injury probability. Despite the model’s success, the authors recognize the need for further longitudinal studies with an expanded dataset to ensure a more precise validation of the proposed method.
004.8:796
общий = БД Труды научных работников БНТУ : 2025г.
труды сотрудников БНТУ = Спортивно-технический факультет : кафедра "Физическая культура"
труды сотрудников БНТУ = Автоматика. Вычислительная техника (труды)
общий = ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
общий = СПОРТ
общий = ПРОГНОЗИРОВАНИЯ МЕТОДЫ
общий = СПОРТИВНЫЙ ТРАВМАТИЗМ
общий = РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ
Солонец, Антон Владимирович.
Применение искусственного интеллекта для прогнозирования риска травм у спортсменов: подход с использованием рекуррентных нейронных сетей = Application of artificial intelligence for predicting injury risk in athletes: an approach using recurrent neural networks / А. В. Солонец, А. С. Снарский. – DOI 10.21122/2309-4923-2025-2-11-16 // Системный анализ и прикладная информатика. – 2025. – № 2. – С. 11-16. – Режим доступа : https://rep.bntu.by/handle/data/158624.
Целью работы является разработка и апробация модели прогнозирования риска травм у спортсменов, использующей методы машинного обучения для анализа временных рядов физиологических данных. В исследовании анализируются данные бегунов с квалификацией КМС, включая показатели частоты сердечных сокращений (ЧСС), вариабельности сердечного ритма (ВСР) и тренировочной нагрузки, что позволяет оценить состояние организма спортсмена в динамике и выявить возможные риски для здоровья. Разработанная модель прогнозирования, построенная на основе рекуррентной нейронной сети Long Short-Term Memory (LSTM), позволяет выявлять периоды повышенного риска травм у спортсменов и, основываясь на полученных результатах, корректировать тренировочный процесс для предотвращения этих рисков. В ходе экспериментов на реальных данных был достигнут высокий уровень точности прогноза – 85 %, что подтверждает эффективность предложенного подхода для предсказания вероятности травм. Несмотря на успешность модели, для обеспечения более точной валидации разработанного подхода авторы признают необходимость проведения дополнительных лонгитюдных исследований с расширенным набором данных.
The aim of this study is to develop and validate a model for predicting injury risk in athletes using machine learning methods to analyze time series physiological data. The research focuses on data from runners with the high qualification, including heart rate (HR), heart rate variability (HRV), and training load, allowing for the assessment of an athlete’s physiological state over time and the identification of potential health risks. The proposed prediction model, based on a Long Short-Term Memory (LSTM) recurrent neural network, enables the identification of periods of increased injury risk in athletes and allows for adjustments to the training process to prevent injuries. Experimental results on real-world data demonstrated a high prediction accuracy of 85%, confirming the effectivenes of the proposed approach in forecasting injury probability. Despite the model’s success, the authors recognize the need for further longitudinal studies with an expanded dataset to ensure a more precise validation of the proposed method.
004.8:796
общий = БД Труды научных работников БНТУ : 2025г.
труды сотрудников БНТУ = Спортивно-технический факультет : кафедра "Физическая культура"
труды сотрудников БНТУ = Автоматика. Вычислительная техника (труды)
общий = ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
общий = СПОРТ
общий = ПРОГНОЗИРОВАНИЯ МЕТОДЫ
общий = СПОРТИВНЫЙ ТРАВМАТИЗМ
общий = РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ
