Системный анализ физиологических и психофизиологических детерминант целенаправленной физической активности и прогнозирование ее результативности у студентов медицинского университета

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Введение. В области спортивной физиологии достаточно актуальной является необходимость изучения детерминант результативности различных видов физической деятельности. Множество физиологических и психофизиологических параметров как потенциальных предикторов целенаправленной физической активности (ФА) определяет необходимость поиска нового алгоритма системного анализа, осуществляемого с помощью современных методов математической обработки данных. В связи с этим актуальным является применение искусственных нейронных сетей и многофакторного регрессионного анализа с целью решения заявленных задач.

Цель. Провести системный анализ индивидуальных физиологических и психофизиологических детерминант ФА человека для прогнозирования ее результативности.

Материалы и методы. В исследовании добровольно приняли участие 120 юношей, не имеющих спортивных разрядов и не посещавших регулярно спортивные секции. У испытуемых была оценена мотивационная основа поведения, основные физические качества, физиологические и психофизиологические показатели. Прогнозирование направления результативности осуществлялось при помощи построенных моделей технологии искусственных нейросетей и многофакторного регрессионного анализа.

Результаты. Исходя из статистической обработки полученных параметров (деление на кластеры, ранговая корреляция, нейросетевое моделирование, линейная регрессия), получили алгоритм для корректного и надежного выявления направления результативности ФА при реализации участниками исследования основных физических качеств (сила, ловкость, выносливость, быстрота). Участники исследования были разделены на однородные кластеры: «результативные в беговых дисциплинах» (70 юношей) и «результативные в силовых дисциплинах» (50 юношей). Благодаря моделям, построенным с помощью технологии искусственной нейронной сети с различным вовлечением показателей, были выявлены детерминанты результативности ФА (чувствительность ROC: 75,7, 86,0 и 96,5%). По расчетным показателям уравнения регрессии спрогнозировали результат в скоростном качестве с точностью 87,9% (p ≤ 0,001), а в силовом — с точностью 70,8% (p ≤ 0,004).

Заключение. Подобранный в работе комплекс математических и статистических способов анализа может быть внедрен для выявления и системного анализа индивидуальных физиологических и психофизиологических детерминант ФА человека для прогнозирования ее результативности у юношей.

Об авторах

Иван Михайлович Мазикин

Первый Московский государственный медицинский университет имени И.М. Сеченова; Московский государственный университет спорта и туризма

Автор, ответственный за переписку.
Email: ivan_triple_jump@mail.ru
ORCID iD: 0000-0002-1301-4749
SPIN-код: 9525-8602

канд. биол. наук

Россия, Москва; Москва

Михаил Михайлович Лапкин

Рязанский государственный медицинский университет имени академика И.П. Павлова

Email: lapkin_rm@mail.ru
ORCID iD: 0000-0003-1826-8307
SPIN-код: 5744-5369

д-р мед. наук, профессор

Россия, Рязань

Роман Александрович Зорин

Рязанский государственный медицинский университет имени академика И.П. Павлова

Email: zorin.ra30091980@mail.ru
ORCID iD: 0000-0003-4310-8786
SPIN-код: 5210-5747

д-р мед. наук, профессор

Россия, Рязань

Мария Викторовна Акулина

Рязанский государственный медицинский университет имени академика И.П. Павлова

Email: akulina_mariya@mail.ru
ORCID iD: 0000-0002-3750-788X
SPIN-код: 4624-5920

канд. биол. наук, доцент

Россия, Рязань

Наталья Анатольевна Куликова

Рязанский государственный медицинский университет имени академика И.П. Павлова

Email: Torikula62@yandex.ru
ORCID iD: 0000-0003-2188-1380
SPIN-код: 2576-8701

канд. биол. наук, доцент

Россия, Рязань

Список литературы

  1. Mazikin IM, Lapkin MM, Voshinina NA, Proshlyakov VD. Influence of the brain lateral organization profile on effectiveness of sporting activity of a human and methods of its identification. I.P. Pavlov Russian Medical Biological Herald. 2016;(2):117–126. doi: 10.17816/PAVLOVJ20162117-126 EDN: WCDTUX
  2. Lapkin MM, Yakovleva NV, Proshlyakov VD. Study of the psychological and physiological determinants of success training of students in medical university. Personality in a Changing World: Health, Adaptation, Development. 2014;(1):75–83. Available from: https://humjournal.rzgmu.ru/art&id = 69. Accessed: 20.08.2024. EDN: RVMOCN
  3. Mazikin IM, Lapkin MM, Akulina MV, et al. People’s individual characteristics and their significance for producing reliable forecasts of the effectiveness of purposeful physical activity. Biomed Eng. 2023;57(4):291–294. doi: 10.1007/s10527-023-10318-3 EDN: XRYYYV
  4. Evdokimova OV, Zorin RA, Zhadnov VA, Kurepina IS. Forecasting outcomes of the acute period of non-traumatic intracerebral hemorrhage by the method of cluster analysis and technology of artificial neural networks. Journal of New Medical Technologies. 2022;29(1):9–13. doi: 10.24412/1609-2163-2022-1-9-13 EDN: QQFNPX
  5. Merkulova MA, Lapkin MM, Zorin RA. Theuse of cluster analysis and the theory of artificial neural networks to predict the effectiveness of targeted human activity. Science of the Young (Eruditio Juvenium). 2018;6(3):374–382. doi: 10.23888/HMJ201863374-382 EDN: XZQZIL
  6. Lapkin MM, Pertsov SS, Zorin RA. Structure of the useful adaptive result in the systemic organization of physiological functions as a subject of scientific analysis: history and prospects of research. Bull Exp Biol Med. 2023;175(4):400–414. doi: 10.47056/0365-9615-2023-175-4-400-414 EDN: OVLLDK
  7. Zorin RA, Medvedeva YI, Kurepina IS, et al. Distribution of physiological resources and effectivity of purposeful activity of patients with epilepsy. I.P. Pavlov Russian Medical Biological Herald. 2018;26(3):369–379. doi: 10.23888/PAVLOVJ2018263369-379 EDN: ROCLCR
  8. Kostenko EG, Pavel'ev IG. Forecasting in sports: regression analysis. Competency (Russia). 2021;(6):24–29. doi: 10.24412/1993-8780-2021-6-24-29 EDN: HTEHNA
  9. Ponomareva KA. Application of artificial neural networks in solving forecasting problems. Science Without Borders. 2020;(1):42–47. EDN: PRAFYL
  10. Bobkova EN, Parfianovich EV. Neural networks for forecasting and modeling training in track-and-field athletics. Human. Sport. Medicine. 2018;18(S):115–119. doi: 10.14529/hsm18s16 EDN: VTOPZA
  11. Kasyuk ST, Vakhtomova EM. Data analysis and prediction in physical training and sports by using the neural networks. Uchenye Zapiski Universiteta imeni P.F. Lesgafta. 2013;(12):72–77. EDN: RSPJRX
  12. Petrov PK, Azyabina AV. Predicting the results of weightlifters using neural network. The Scientific Notes of Pavlov University. 2023;(6):332–335. EDN: QISYXQ

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Графическое представление результатов ROC-анализа для нейросети, использующей в качестве предиктора только показатель физической работоспособности: производительность обучения — 71,1%, контрольная производительность — 28,8%, тестовая производительность — 29,4%, а надежность прогноза — 75,7%.

Скачать (197KB)
Метаданные
3. Рис. 2. Графическое представление результатов ROC-анализа для нейросети, использующей в качестве предикторов показатель физической работоспособности и функциональной латерализации мозга: производительность обучения — 84,1%, контрольная производительность — 14,0%, тестовая производительность — 15,5%, надежность прогноза — 86,0%.

Скачать (191KB)
Метаданные
4. Рис. 3. Графическое изображение результатов ROC-анализа для нейросети (MLP 58-16-2), использующей в качестве предикторов все исследуемые показатели: производительность обучения — 88,9%, контрольная производительность — 92,8%, тестовая производительность — 91,4%, надежность прогноза — 96,0%.

Скачать (162KB)
Метаданные
5. Рис. 4. Распределение остатков и разброс точек на плоскости коэффициентов регрессии в скоростном качестве у испытуемых первой группы (n = 70).

Скачать (166KB)
Метаданные
6. Рис. 5. Распределение остатков и разброс точек на плоскости коэффициентов регрессии в силовом качестве у испытуемых второй группы (n = 50).

Скачать (220KB)
Метаданные

© Эко-Вектор, 2025

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


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».