Использование нейронных сетей и баллистических моделей для повышения эффективности обучения метанию мяча

Обложка
  • Авторы: Катаева Л.Ю1
  • Учреждения:
    1. Нижегородский институт путей сообщения – филиал ФГБОУ ВО «Приволжского государственного университета путей сообщения»
  • Выпуск: Том 6, № 7 (2025)
  • Страницы: 105-112
  • Раздел: СТАТЬИ
  • URL: https://journals.rcsi.science/2712-9950/article/view/374996
  • ID: 374996

Цитировать

Аннотация

в статье проведен анализ возможностей применения нейронных сетей и современных технических решений для оптимизации и ускорения обучения метанию мяча. Этот навык помогает развить у студента силу, выносливость, точность, координацию и быстроту реакции. Предложена простая система оптимизации процесса обучения студентов навыкам метания малого мяча, состоящая из трех блоков. Блок фиксации позволяет представить положение частей тела студента в виде графа на основе анализа фото или видео момента броска с применение нейросети YOLOv8-Pose. Второй блок системы проводит теоретический анализ и верификацию дальности броска. В основе этого блока используется простая баллистическая физико-математическая модель, а верификация осуществляется на основе реальных бросков мяча студентом. В третьем блоке генерируются персонализированные указания по корректировке положения тела для увеличения дальности броска с использованием метода k-ближайших. Педагогический эксперимент по использования простейшей системы на занятиях показал: в экспериментальной группе наблюдалось значительное повышение скорости вылета мяча и динамики ускорения для финального усилия по сравнению с контрольной группой. Достоверность результатов подтверждена статистической обработкой с использованием t-критерия Стьюдента. Применение даже простого варианта данной системы на занятиях дает возможность студенту и преподавателю провести объективный анализ технических ошибок при броске малого мяча наглядно, а само занятие для студента становится увлекательным и позволяет более детально проработать ошибки, допускаемые студентом при броске. Показано, что интеграция цифровых инструментов даже в простом варианте в учебный процесс делает процесс обучения более интерактивными и ориентированными на личностное развитие.

Об авторах

Л. Ю Катаева

Нижегородский институт путей сообщения – филиал ФГБОУ ВО «Приволжского государственного университета путей сообщения»

Email: kataeval2010@mail.ru

Список литературы

  1. Da Silva R.H., Nobre G.C., Pessoa M.L.F., Soares ?.A.A., Bezerra J., Gaya A.R., Martins C.M.L. Physical activity during school-time and fundamental movement skills: a study among preschoolers with and without physical education classes // Physical Education and Sport Pedagogy. 2022. Vol. 29. Iss. 3. P. 302 – 314.
  2. Андрианова Н.В., Швец Г.В. Подвижные игры как средство овладения базовой техникой волейболистов групп начальной подготовки первого года обучения // Теория и практика физической культуры. 2024. № 1. С. 84.
  3. Cereda F. Movement as the core of physical engagement and understanding, tab edizioni. Roma, 2024. 241 p. URL: https://hdl.handle.net/10807/265814 (дата обращения: 29.11.2024).
  4. Redondo-Fl?rez L, Ramos-Campo D.J., Clemente-Su?rez V.J. Body Composition, Psychological, Cardiovascular, and Physical Activity Factors Related with Academic School Performance // Sustainability. 2021. Vol. 13. Iss. 16. P. 8775.
  5. Шыхов Ы., Гурбанов М. Роль технологий в современном спортивном образовании: перспективы и вызовы // Международный научный журнал «Всемирный ученый». 2024. Вып. 25. Т. 1. С. 644 – 650.
  6. Петров П.К. Информационные технологии в физической культуре и спорте: учебное пособие. Саратов: Вузовское образование, 2020. 377 с.
  7. Кабанов А.А. Комплексный подход по предупреждению спортивных травм // Здоровье – основа человеческого потенциала: проблемы и пути их решения. 2014. Т. 9. № 1. С. 419 – 421.
  8. Bochkov V.S., Kataeva L.Y. WUUNet: Advanced fully convolutional neural network for multiclass fire segmentation // Symmetry. 2021. Vol. 13. Iss. 1. P. 1 – 18.
  9. Бочков В.С., Катаева Л.Ю., Масленников Д.А. Точная многоклассовая сегментация пожаров: подходы, нейронные сети, схемы сегментации // Искусственный интеллект и принятие решений. 2024. № 3. С. 71 – 86.
  10. Aresta S., Bortone I., Bottiglione F., Di Noia T., Di Sciascio E., Lof? D., Musci M., Narducci F., Pazienza A., Sardone R., Sorino P. Combining Biomechanical Features and Machine Learning Approaches to Identify Fencers’ Levels for Training Support. Applied Sciences. 2022. Vol. 12. Iss. 23. 12350 p.
  11. Тарнаева С.А., Катаева Л.Ю., Романова Н.А. Применение методов математической статистики при решении инженерных задач: учеб. пособие. Нижний Новгород: Нижегород. гос. техн. ун-т им. Р.Е. Алексеева, 2014. 84 с.
  12. Fitzpatrick A., Stone J.A., Choppin S., Kelley J. Analysing Hawk-Eye ball-tracking data to explore successful serving and returning strategies at Wimbledon // International Journal of Performance Analysis in Sport. 2023. Vol. 24. Iss. 3. P. 251 – 268.
  13. Титаренко Д.Ю., Рыжкова М.Н. Возможности использования нейросетей для распознавания ошибок при выполнении физических упражнений // Радиотехнические и телекоммуникационные системы. 2024. Т. 3. С. 62 – 72.
  14. Haixia Z., Wenhu L., Li G., Sulin W. Designing a prediction model for athlete’s sports performance using neural network // August 2023Soft Computing. 2023. Vol. 27. Iss. 19. P. 1 – 17.
  15. Luu B.C., Wright A.L., Haeberle H.S., Karnuta J.M., Schickendantz M.S., Makhni E.C., Nwachukwu B.U., Williams III R.J., Ramkumar P.N. Machine learning outperforms logisticregression analysis to predict next season NHL player injury: An analysis of 2322 players from 2007 to 2017 // The Orthopaedic Journal of Sports Medicine. 2020. Vol. 8. Iss. 9. P. 1 – 10.
  16. Shi D., Wuxiang Z., Wei Z., Xilun D. A Review on Lower Limb Rehabilitation Exoskeleton Robots // Chinese Journal of Mechanical Engineering. 2019. Vol. 32. Iss. 1. P.1 – 11.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).