CC BY
11ФИЗИОЛОГИЧЕСКИЕ МЕХАНИЗМЫ, ОПРЕДЕЛЯЮЩИЕ РЕЗУЛЬТАТИВНОСТЬ СДАЧИ КОНТРОЛЬНЫХ НОРМАТИВОВ ПО ФИЗИЧЕСКОЙ КУЛЬТУРЕ
УДК/UDC 796.01:612
Поступила в редакцию 20.02.2023 г.
Информация для связи с автором: sport_med@list.ru
И.М. Мазикин1
Доктор медицинских наук, профессор М.М. Лапкин1 Доктор медицинских наук, профессор Р.А. Зорин1 Доктор медицинских наук, профессор А.Л. Похачевский1- 2 Кандидат биологических наук, доцент М.В. Акулина1 1Рязанский государственный медицинский университет имени академика И.П. Павлова, Рязань
2Первый московский государственный медицинский университет имени И.М. Сеченова (Сеченовский университет), Москва
PHYSIOLOGICAL MECHANISMS DETERMINING THE PERFORMANCE OF PASSING CONTROL STANDARDS FOR PHYSICAL CULTURE
I.M. Mazikin1
Dr. Med., Professor M.M. Lapkin1
Dr. Med., Professor R.A. Zorin1
Dr. Med., Professor A.L. Pokhachevsky1- 2
PhD, Associate Professor M.V. Akulina1 1I.P. Pavlov Ryazan State Medical University, Ryazan 2I.M. Sechenov First Moscow State Medical University, Moscow
Аннотация
Цель исследования - выявить значимые физиологические механизмы формирования результативности при сдаче контрольных нормативов по физической культуре и установить связь показателей результативности с индивидуальными психофизиологическими характеристиками. Методика и организация исследования. Обследовано 120 юношей в возрасте 18-20 лет, относящихся к основной группе здоровья. С помощью кластерного анализа выделены группы с разной результативностью сдачи контрольных нормативов по уровню скоростной выносливости и скорост-но-силовых показателей. Для решения задачи классификации студентов с учетом их психофизиологических особенностей была создана искусственная нейронная сеть (ИНС), распределяющая испытуемых в группы с заданными характеристиками.
Результаты исследования и выводы. При анализе мотивационной основы поведения выявлено, что у студентов первого кластера преобладали внутренний мотив и мотив нацеленности на успех с одновременно высокими показателями оценки своего потенциала. У студентов второго кластера преобладал мотив оценки значимости результата деятельности. У испытуемых выявленных кластеров установлены статистически значимые отличия личностных психофизиологических характеристик и показателей физической работоспособности. На основе комплекса полученных данных кластерный анализ и технология ИНС позволили с высокой вероятностью прогнозировать результативность деятельности студентов, а также ранжировать показатели по их значимости для формирования неодинаковой результативности деятельности.
Ключевые слова: психофизиологические характеристики, кластерный анализ, искусственные нейронные сети.
Abstract
Objective of the study was to identify significant physiological mechanisms of performance formation when passing control standards in physical culture and to establish the relationship between performance indicators and individual psychophysiological characteristics.
Methods and structure of the study. 120 young men aged 18-20 years old belonging to the main health group were examined. With the help of cluster analysis, groups were identified with different performance in passing control standards in terms of speed endurance and speed-strength indicators. To solve the problem of classifying students, taking into account their psychophysiological characteristics, an artificial neural network (ANN) was created, distributing students into groups with specified characteristics.
Results and conclusions. When analyzing the motivational basis of behavior, it was revealed that the students of the first cluster were dominated by an internal motive and the motive of focusing on success, with at the same time high rates of assessing their potential. The students of the second cluster were dominated by the motive for assessing the significance of the result of activity. Statistically significant differences in personal psychophysiological characteristics and indicators of physical performance were established in the subjects of the identified clusters. On the basis of a set of data obtained, cluster analysis and ANN technology made it possible to predict the performance of students with a high probability, as well as to rank indicators according to their significance for the formation of unequal performance.
Keywords: psychophysiological characteristics, cluster analysis, artificial neural networks.
Введение. Уровень физической подготовленности как соотношение результативности деятельности и физиологических затрат на ее реализацию является узловым понятием спортивной физиологии [2, 5, 12]. Важным фактором, определяющим результативность целенаправленной деятельности
человека, является взаимодействие таких физиологических механизмов, как психофизиологические особенности [4, 7, 15], показатели динамической функциональной латерализа-ции [1], физическая работоспособность, а также мотиваци-онная основа поведения [6, 10]. Функционирование механиз-
№4 • 2023 Апрель | April
http://www.teoriya.ru
мов, отражающих результативность спортивной деятельности с позиции системной физиологии, связано с «физиологической ценой» результата деятельности [13, 16], определяющей одну из сторон ее эффективности.
На сегодняшний день формирование физической подготовленности человека рассматривается как сложное системное явление. В соответствии с теорией функциональных систем, результативность целенаправленной деятельности человека обеспечивается взаимосодействием различных физиологических механизмов [11, 14]. При этом психофизиологические характеристики во взаимосвязи с показателями результатов спортивной деятельности могут служить маркерами системной организации целенаправленной деятельности, осуществляемой с различной результативностью [5].
Цель исследования - выявить наиболее значимые физиологические механизмы для формирования неодинаковой результативности при сдаче студентами контрольных нормативов по физической культуре и установить связь показателей результативности деятельности с их индивидуальными психофизиологическими характеристиками.
Методика и организация исследования. Статистическая обработка данных проводилась при помощи пакета программ Statistica 13.0. Количественные показатели оценивались на предмет соответствия нормальному распределению с помощью критерия Шапиро-Уилка. Кластерный анализ (метод к-средних) использовался для выделения групп. Для описательной характеристики групп исследуемых применялись медиана (Ме), верхний (UQ) и нижний квартиль Сравнительный анализ показателей проводился при помощи непараметрического критерия Манна-Уитни (и) для парных независимых выборок [8].
Построение искусственной нейронной сети (ИНС) осуществлялось в автоматическом режиме на основе групп ряда показателей: нейроэнергокартирования (НЭК) с регистрацией уровня постоянного потенциала (УПП) в отведениях Fz, Cz, Oz, Td, Ts; мотивационная основа поведения (тест оцен-
Таблица 1. Характеристики выполнения контрольных нормативов
ки уровня притязаний по В. К. Гербачевскому); психодинамические характеристики (общая структура темперамента В. М. Русалова - эргичность, пластичностиь темп и скорость, эмоциональность, социальная эргичность, социальная пластичность, социальный темп и социальная эмоциональность, а также тип поведенческой активности); уровень базовой физической работоспособности с расчетом нормированного показателя PWC170; коэффициенты асимметрии (опросник Аннет, профиль латеральной организации (ПЛО), моторная и сенсорная асимметрии).
Отбор показателей основывался на последовательной оценке улучшения качества модели. ИНС характеризовались определенной архитектурой, производительностью обучения, контрольной и тестовой производительностью [3]. Исследование одобрено Локальным этический комитетом при ФГБОУ ВО РязГМУ Минздрава России от 11.04.2021 г. Всеми участниками исследования было подписано информированное согласие.
Результаты исследования и их обсуждение. Методом кластерного анализа были выделены две группы студентов в зависимости от результативности сдачи контрольных нормативов по физической культуре (табл. 1). Группу 1 (70 человек) обозначили как «результативную в беговых дисциплинах», а группу 2 (50 человека) - как «результативную в силовых дисциплинах».
Создание, обучение и тестирование ИНС проводилось при помощи пакета программ Statistica Basic Academic 13.0 (Ru). Технология машинного обучения предполагала использование автоматического расширенного алгоритма создания и обучения ИНС в режиме решения задач классификации. Исходно была создана ИНС, использующая в качестве предикторов данные: НЭК (УПП отведения Fz, Cz, Oz, Td, Ts), моти-вационная основа поведения (тест оценки уровня притязаний по В. К. Гербачевскому), психодинамические характеристики (общая структура темперамента В. М. Русалова - эргичность, пластичностиь темп и скорость, эмоциональность, социаль-
Показатель Группа 1 Группа 2 U (Z) p
Me LQ UQ Me LQ UQ
Бег на 100 м, с 12,9 12,4 14,3 14,3 14,0 14,5 860,5 0,001
Бег на 1000 м, с 245,0 240,0 248,0 255,0 246,0 268,0 734,0 0,001
Прыжок в длину с места, см 257,0 248,0 265,0 275,0 264,0 280,0 716,5 0,001
Подтягивания, раз 12,0 10,0 12,0 15,0 14,0 17,0 264,5 0,001
Таблица 2. Ранжированный перечень показателей, используемых ИНС для прогнозирования результативности сдачи контрольных нормативов
□ и
£ г. CL
ч—
О OJ и
2 CL ' -о с
га
^
О (U .с Н
Показатели Ранг Чувствительность*
Внутренний мотив 1 13,86
Познавательный мотив 2 4,30
Значимость результатов 3 2,79
Оценка уровня достигнутых результатов 4 1,74
Тест PWC17„ 5 1,48
Исходный фон (отведение Td-Ts) НЭК 6 1,41
Социальный темп 7 1,26
Коэффициент по опроснику Аннет 8 1,14
Коэффициент мануальная асимметрия 9 1,10
Уровень тревожности 10 1,08
Коэффициент ПЛО 11 1,05
Социальная пластичность 12 1,00
УПП Проба беглости словесных ответов (отведение Ts) НЭК 13 1,00
УПП Тест Шульте-Платонова (отведение Td-Ts) НЭК 14 1.00
УПП Проба беглости словесных ответов (отведение Td-Ts) НЭК 15 0,99
Исходный фон (отведение Сг) НЭК 16 0,96
УПП Проба беглости словесных ответов (отведение Td) НЭК 17 0,70
- значения округлены до сотых (при ранжировании показателей по чувствительности учитываются различия в других разрядах).
50
http://www.teoriya.ru
№4 • 2023 Апрель | April
*
ная эргичность, социальная пластичность, социальным темп и социальная эмоциональность, а также тип поведенческой активности), уровень базовой физической работоспособности (PWC170 (вТ/кг), коэффициенты асимметрии (опросник Аннет, профиль латеральной организации, моторная и сенсорная асимметрии). Отбор показателей основывался на последовательной оценке улучшения качества модели. Данная нейронная сеть представляла собой многослойный персеп-трон с 17 входными нейронами, 17 нейронами промежуточного слоя и двумя выходными нейронами. Производительность обучающей выборки составила 100%, контрольной - 100%, тестовой - 100% (MLP 17-17-2; 100:100:100). В табл. 2 представлены предикторы, используемые для решения задачи прогнозирования.
Использование технологии ИНС позволило решить задачу классификации студентов по результативности сдачи контрольных нормативов по физической культуре на основе комплекса показателей, что имеет прикладное практическое значение, а также позволяет осуществить ранжирование групп показателей по их классификационной значимости. Чувствительность данной ИНС в определении результативной группы практически здоровых лиц составила 100%; специфичность - 100%.
Наибольшее значение для решения данной задачи имели показатели мотивационной основы поведения, уровня базовой физической работоспособности, показатели динамической функциональной асимметрии мозга по критериям НЭК, показатели психодинамических характеристик и поведенческой фенотипической латерализации. Взаимосодействие указанных показателей системной организации целенаправленной деятельности испытуемых выявленных кластеров отражает особенности и причины формирования различной ее результативности.
Выводы. Формирование физической подготовленности связано не только с физической работоспособностью, но и с определенной комбинацией психофизиологических характеристик: тревожности, эргичности, пластичности, скоростных показателей поведения, эмоциональности, нацеленности на результаты, функциональной латерализации.
Результативность сдачи контрольных нормативов может быть успешно спрогнозирована на основе комплекса физиологических и психофизиологических показателей при помощи кластерного анализа и технологии ИНС. Предложенный алгоритм для решения задачи распределения испытуемых на группы с различным набором физиологических, физических показателей и психофизиологических характеристик предполагает возможность его использования в практике спортивного отбора. Хорошая классификационная способность алгоритма позволяет решить прикладную задачу прогнозирования «результативные в беговых дисциплинах» и «результативные в силовых дисциплинах».
Литература
1. Брагина Н. Н. Функциональные асимметрии человека / Н. Н. Бра-гина, Т. А. Доброхотова. - 2-е изд., перераб. и доп... - М.: Медицина, 1988. - 240 с.
2. Данилова Н. Н. Физиология высшей нервной деятельности / Н. Н. Данилова, А. Л. Крылова. - Ростов на Дону: Феникс, 2005. -478 с.
3. Зорин Р. А. Опыт практического использования технологии искусственных нейронных сетей в физиологии и клинической неврологии / Р. А. Зорин, В. А. Жаднов, М. М. Лапкин // Материалы Все-рос. науч. конф., посвящ. 70-летию основания РязГМУ им. акад. И. П. Павлова / ред. В. А. Кирюшина; РязГМУ. - Рязань, 2013. -С. 25-28.
4. Лапкин М. М. Исследование психологических и физиологических детерминант успешности обучения студентов в медицинском вузе / М. М. Лапкин, Н. В. Яковлева, В. Д. Прошляков // Личность в меняющемся мире: здоровье, адаптация, развитие. - 2014. - Т. 4. -№ 1. - С. 75-83.
5. Новикова А. П. Мотивация достижения: психофизиологические корреляты и их динамика в ходе длительного обучения / А. П. Новикова, А. В. Котов // Нейрокомпьютеры: разработка, применение. - 2011. - № 11. - С. 46-52.
6. Оценка физического развития и методика тренировки студентов: методические рекомендации для студентов / сост.: В. Д. Прошляков - Рязань: РязГМУ, 2007-43 с.
7. Психофизиология: учебник для вузов / Под ред. Ю. И. Александрова. - СПб.: Питер, 2007. - 464 с.
8. Руководство по обеспечению решения медико-биологических задач с применением программы Statistica 10.0 / В. М. Боев, Е. Л. Бор-щук, А. К. Екимов и др. - Оренбург: Южный Урал, 2004. - 208 с.
9. Салтыков А. Б. Функциональные системы в медицине / А. Б. Салтыков. - М.: Медицинское информационное агентство, 2013. - 208 с.
10. Судаков К. В. Мотивация и подкрепление: системные нейрофизиологические механизмы / К. В. Судаков // Вестник Новгородского ГУ, 2006. - № 35. - С. 77-81.
11. Судаков К. В. Системные механизмы эмоционального стресса / К. В. Судаков, П. Е. Умрюхин. - М.: ГЭОТАР-Медиа, 2010. - 112 с.
12. Фудин Н. А. Системная организация спортивной деятельности / Н. А. Фудин, Ю. Е. Вагин // Вестник новых медицинских технологий (электронный журнал). - 2013. - № 1 (2-82). - С. 1-5.
References
1.
2.
3.
4.
5.
7.
Bragina N.N., Dobrokhotova T.A. Funktsionalnyye asimmetrii che-loveka [Functional human asymmetries]. 2nd ed., rev., add.. Moscow: Meditsina publ., 1988. 240 p.
Danilova N.N., Krylova A.L. Fiziologiya vysshey nervnoy deyatelnosti [Physiology of higher nervous activity]. Rostov-on-Don: Feniks publ., 2005. 478 p.
Zorin R.A., Zhadnov V.A., Lapkin M.M. Opyt prakticheskogo ispol-zovaniya tekhnologii iskusstvennykh neyronnykh setey v fiziologii i klin-icheskoy nevrologii [Experience in the practical use of artificial neural networks technology in physiology and clinical neurology]. Proceedings national scientific conference, dedicated 70th anniversary of the founding of the I.P. Pavlov Ryazan State Medical University. Ryazan, 2013. pp. 25-28.
Lapkin M.M., Yakovleva N.V., Proshlyakov V.D. Issledovaniye psikho-logicheskikh i fiziologicheskikh determinant uspeshnosti obucheniya studentov v meditsinskom vuze [Study of the psychological and physiological determinants of student learning success in a medical university]. Lichnost v menyayushchemsya mire: zdorovye, adaptatsiya, raz-vitiye. 2014. Vol. 4. No. 1. pp. 75-83.
Novikova A.P., Kotov A.V. Motivatsiya dostizheniya: psikhofizio-logicheskiye korrelyaty i ikh dinamika v khode dlitelnogo obucheniya [Achievement motivation: psychophysiological correlates and their dynamics during long-term training]. Neyrokompyutery: razrabotka, prim-eneniye. 2011. No. 11. pp. 46-52.
Proshlyakov V.D. Otsenka fizicheskogo razvitiya i metodika trenirovki studentov [Assessment of physical development and methods of training students]. Guidelines for students. Ryazan: RyazGMU publ., 2007. 43 p. Psikhofiziologiya [Psychophysiology]. Textbook for universities. Alex-androva Yu.I. [ed.]. St. Petersburg: Piter publ., 2007. 464 p. Boev V.M., Borshchuk E.L., Ekimov A.K. et al. Rukovodstvo po obe-specheniyu resheniya mediko-biologicheskikh zadach s primeneniyem programmy Statistica 10.0 [Guidelines for ensuring the solution of biomedical problems using the Statistica 10.0 program]. Orenburg: Yuzh-nyy Ural publ., 2004. 208 p.
Saltykov A.B. Funktsionalnyye sistemy v meditsine [Functional systems in medicine]. Moscow: Meditsinskoye informatsionnoye agentstvo publ., 2013. 208 p.
10. Sudakov K.V. Motivatsiya i podkrepleniye: sistemnyye neyrofizio-logicheskiye mekhanizmy [Motivation and reinforcement: systemic neurophysiological mechanisms]. Vestnik Novgorodskogo GU, 2006. No. 35. pp. 77-81.
11. Sudakov K.V., Umryukhin P.E. Sistemnyye mekhanizmy emotsional-nogo stressa [Systemic mechanisms of emotional stress]. Moscow: GEOTAR-Media publ., 2010. 112 p.
12. Fudin N.A., Vagin Yu.E. Sistemnaya organizatsiya sportivnoy deyatelnosti [Systematic organization of sports activities]. Vestnik novykh medit-sinskikh tekhnologiy (elektronnyy zhurnal). 2013. No. 1 (2-82). pp. 1-5.
13. Brooks, G.A. Exercise physiology: human bioenergetics and its applications / G.A. Brooks, T.D. Fahey, K.M. Baldwin. NY: McGraw-Hill, 2005. 511 p.
14. Moein S. Medical diagnosis using artifi cial neural networks. Hershey: Medical Information Science Reference, 2014. 310 p.
15. Rektor I., Brazdil M., Nestrasil I. [et al.] Modifications of cognitive and motor tasks affect the occurrence of event-related potentials in the human cortex. The European Journal of Neuroscience. 2007. Vol. 26, № 5. pp. 1371-1380.
16. Parker A.G., Hetrick Sarah E., Anthony F. Jorm The effectiveness of simple psychological and physical activity interventions for high prevalence mental health problems in young people: A factorial randomised controlled trial. Journal of affective disorders. 2016. Vol. 196. pp. 200-209.
9.
№4 • 2023 Апрель | April
http://www.teoriya.ru
