System analysis of the physiological and psychophysiological determinants of purposeful physical activity and prediction of its effectiveness among students of a medical university

封面

如何引用文章

全文:

开放存取 开放存取
受限制的访问 ##reader.subscriptionAccessGranted##
受限制的访问 订阅存取

详细

INTRODUCTION: In the field of sports physiology, the need to study the determinants of the effectiveness of various types of physical activity is quite urgent. A variety of physiological and psychophysiological parameters as potential predictors of purposeful physical activity determines the need to search for a new algorithm for system analysis carried out using modern methods of mathematical data processing. In this regard, it is relevant to use artificial neural networks and multifactorial regression analysis in order to solve the stated tasks.

AIM: To carry out a system analysis of the individual physiological and psychophysiological determinants of human physical activity in order to predict its effectiveness.

MATERIALS AND METHODS: One hundred twenty young men who did not have sports grades and did not regularly attend sports clubs voluntarily participated in the study. The subjects' motivational basis of behavior, basic physical qualities, physiological and psychophysiological parameters were evaluated. Forecasting the direction of performance was carried out using the constructed models of artificial neural network technology and multifactorial regression analysis.

RESULTS: Based on the statistical processing of the obtained parameters (division into clusters, rank correlation, neural network modeling, linear regression), an algorithm was created for the correct and reliable identification of the direction of the effectiveness of physical activity when the study participants realized the basic physical characteristics (strength, dexterity, endurance, speed). The study participants were divided into homogeneous clusters: ‘effective in running disciplines’ (70 boys) and ‘effective in strength disciplines’ (50 boys). The models constructed using artificial neural network technology with the involvement of various parameters, allowed identification of the determinants of the effectiveness of physical activity (ROC sensitivity: 75.7, 86.0 and 96.5%). According to the calculated parameters of the regression equation the result was predicted in high-speed quality with an accuracy of 87.9% (p ≤ 0.001), and in power quality with an accuracy of 70.8% (p ≤ 0.004).

CONCLUSION: The complex of mathematical and statistical methods of analysis selected in the work can be introduced for identification and system analysis of motor activity of individual physiological and psychophysiological determinants of physical activity to predict its effectiveness in young men.

作者简介

Ivan Mazikin

I.M. Sechenov First Moscow State Medical University; Moscow State University of Sport and Tourism

编辑信件的主要联系方式.
Email: ivan_triple_jump@mail.ru
ORCID iD: 0000-0002-1301-4749
SPIN 代码: 9525-8602

Cand. Sci. (Biology)

俄罗斯联邦, Moscow; Moscow

Mikhail Lapkin

Ryazan State Medical University

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

MD, Dr. Sci. (Medicine), Professor

俄罗斯联邦, Ryazan

Roman Zorin

Ryazan State Medical University

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

MD, Dr. Sci. (Medicine), Professor

俄罗斯联邦, Ryazan

Maria Akulina

Ryazan State Medical University

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

Cand. Sci. (Biology), Associate Professor

俄罗斯联邦, Ryazan

Natalya Kulikova

Ryazan State Medical University

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

Cand. Sci. (Biology), Associate Professor

俄罗斯联邦, Ryazan

参考

  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

补充文件

附件文件
动作
1. JATS XML
下载
2. Fig. 1. Graphic presentation of the results of ROC analysis for a neural network using only the physical performance parameter as a predictor: training effectiveness — 71.1%, control effectiveness — 28.8%, test performance — 29.4%, prediction reliability — 75.7%.

下载 (53KB)
索引源数据
3. Fig. 2. Graphic presentation of the results of ROC analysis for a neural network using the parameter of physical performance and functional lateralization of the brain as predictors: training effectiveness — 84.1%, control effectiveness — 14.0%, test effectiveness — 15.5%, prediction reliability — 86.0%.

下载 (52KB)
索引源数据
4. Fig. 3. Graphic presentation of the results of ROC analysis for the neural network (MLP 58-16-2) using all the studied parameters as predictors: training effectiveness — 88.9%, the control effectiveness — 92.8%, test effectiveness — 91.4%, prediction reliability — 96.0%.

下载 (50KB)
索引源数据
5. Fig. 4. Distribution of residuals and scatter of points on the plane of regression coefficients in strength quality among subjects of the first group (n=70).

下载 (50KB)
索引源数据
6. Fig. 5. Distribution of residuals and scatter of points on the plane of regression coefficients in strength quality among subjects of the second group (n=50).

下载 (61KB)
索引源数据

版权所有 © Eco-Vector, 2025

Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。
 


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».