ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ АДАПТИВНОГО ПЛАНИРОВАНИЯ ТРЕНИРОВОЧНОГО ПРОЦЕССА В МОБИЛЬНЫХ ИНФОРМАЦИОННЫХ СИСТЕМАХ НА ОСНОВЕ ГИБРИДНОЙ МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ

ENHANCING ТНЕ EFFICIENCY OF ADAPTIVE TRAINING PLANNING IN MOBILE INFORMATION SYSTEMS BASED ON А HYBRID MACHINE LEARNING MODEL

Seredkina Ekaterina Sergeevna

student, Technological Institute (branch) DSTU, Azov, Russian Federation

Muzhikov Georgy Petrovich

scientific supervisor, Ph.D. Technological Institute (branch) DSTU, Azov, Russian Federation

Аннотация. В статье рассматривается актуальная проблема автоматизированной коррекции объёма и интенсивности физических нагрузок в персональных спортивных приложениях. Для снижения риска перетренированности и минимизации вероятности спортивного травматизма предложена авторская гибридная модель адаптивного планирования тренировочного процесса. Модель основана на совместном применении математического анализа вариабельности сердечного ритма (ВСР) и алгоритма градиентного бустинга LightGBM. В блок ВСР добавлен алгоритм фильтрации внешних артефактов, а в модель LightGBM в качестве признаков включены качественные параметры (уровень сна, субъективная оценка утомления, индекс стресса). Результаты экспериментов на реальных данных фитнес-трекеров показали, что гибридная модель превосходит стандартные статические алгоритмы на 14–18 % по точности прогнозирования готовности организма и позволяет снизить показатель синдрома перетренированности у пользователей на 12.3 %.

Abstract. The article addresses the pressing issue of automated volume and intensity correction of physical loads in personal fitness applications. To reduce the risk of overtraining syndrome and minimize sports injury probability, an original hybrid model for adaptive training planning is proposed. It is based on combining Heart Rate Variability (HRV) time-domain/frequency-domain analysis with the LightGBM gradient boosting algorithm. Novel features include an artifact filtering mechanism in the HRV module and the integration of qualitative metrics (sleep quality, perceived exertion, stress index) into LightGBM. Experimental results on real smart-watch telemetry data show that the hybrid model outperforms traditional static algorithms by 14–18 % in physical readiness prediction accuracy and reduces user overtraining occurrence by 12.3 %.

Введение

Современная индустрия спортивно-оздоровительных мобильных приложений функционирует в условиях высокой индивидуализации данных физической активности пользователей. Большинство существующих алгоритмов формирования тренировочных планов опираются на детерминированные методики с фиксированной прогрессией нагрузок, не учитывающие текущее психофизиологическое состояние спортсмена. Это приводит либо к неэффективности занятий из-за недостаточного стимула, либо к возникновению синдрома перетренированности и повышению риска травм. Задача динамической корректировки спортивного плана на основе потоковых биометрических данных является сложноформализуемой и многофакторной. В связи с этим актуальной является разработка интеллектуальных сервисов в составе спортивных информационных систем, использующих методы машинного обучения для анализа разнородных биометрических показателей и генерации персональных рекомендаций. Целью данного исследования является разработка и апробация гибридной модели, сочетающей детерминированный анализ параметров вариабельности сердечного ритма (ВСР) и предиктивную силу алгоритма LightGBM для повышения эффективности адаптивного планирования тренировок.

Основная часть.

Формализована математическая модель задачи адаптивного управления тренировочной нагрузкой с целью максимизации физического прогресса пользователя при соблюдении ограничений на допустимый уровень утомления и целевой диапазон пульсовых зон.

Этап 1 (Анализ ВСР): Реализован модуль математической обработки временных рядов кардиоинтервалов (RR-интервалов) для расчета временных (SDNN, RMSSD) и спектральных (LF/HF) показателей вариабельности сердечного ритма. Внесена модификация в виде адаптивного медианного фильтра, позволяющая идентифицировать и устранять эктопические сокращения и технические артефакты пульсометра, что повышает устойчивость расчета базового индекса готовности (Readiness Score).

Этап 2 (LightGBM): Отклонения текущего индекса готовности от недельной медианы, а также дополнительные внешние и субъективные признаки (продолжительность и фазы сна, индекс субъективного перенапряжения RPE, калораж, погодные условия тренировки) подаются на вход алгоритму градиентного бустинга LightGBM. Способность алгоритма быстро обрабатывать табличные данные и учитывать нелинейные связи позволяет точно скорректировать объем (время/дистанция) и интенсивность (темп/вес) предстоящей тренировки.

Схема гибридизации: Разработан итеративный сервисный механизм, при котором показатель готовности на основе ВСР задает базовый коэффициент интенсивности, а модель LightGBM рассчитывает финальную целевую нагрузку на текущий день. Происходит регулярное переобучение модели на скользящем окне данных физиологического отклика пользователя.

Вычислительный эксперимент и анализ результатов.

Для тестирования методики использованы обезличенные телеметрические данные 120 пользователей спортивного приложения за 6 месяцев (данные пульсоксиметров, смарт-часов, дневников тренировок и показателей сна).

Проведено сравнительное тестирование гибридной модели (ВСР+LightGBM), классической алгоритмической модели с фиксированным шагом (Linear Progression) и стандартного подхода на основе фильтра Калмана.

Таблица 1.

Сравнительные результаты работы алгоритмов адаптивного планирования.

Заключение

В ходе проведенного исследования была успешно разработана и протестирована гибридная модель для автоматизированной адаптации тренировочных программ в спортивных информационных системах. Подтверждена гипотеза о том, что комбинация детерминированного биометрического анализа и методов машинного обучения позволяет существенно повысить точность персонального планирования.

1. Предложенная гибридная методика демонстрирует на реальных данных повышение точности прогноза оптимальной нагрузки на 14–18 % (по метрикам MAE и RMSE) и снижение риска перетренированности пользователей на 12.3 %.

2. Модификация модуля ВСР алгоритмом медианной фильтрации повышает робастность расчетов при наличии шумов в телеметрии мобильных устройств.

3. Использование алгоритма LightGBM позволяет корректно учитывать субъективные факторы и данные о сне, оказывающие ключевое влияние на восстановление организма.

Перспективы дальнейших исследований видятся в адаптации модели для работы в режиме реального времени непосредственно на мобильном устройстве (On-Device AI/Edge ML), а также в интеграции с модулями компьютерного зрения для анализа техники выполнения упражнений.