CC BY
27
2. Вопросы оптимизации содержания элективных дисциплин (модулей) по физической культуре и спорту / Т.П. Высоцкая, С.И. Бочкарева, Т.Н. Шутова, С.П. Голубничий, А.Г. Буров // Культура физическая и здоровье. - 2018. - № 2 (66). - С. 5-8.
3. Кондраков, Г.Б. Атлетическая гимнастика как перспектива развития физической культуры для студентов экономического вуза / Г.Б. Кондраков, Т.Н. Шутова // Гуманитарное образование в экономическом вузе : материалы IV Международной научно-практической заочной интернет-конференции. - М., 2016. - С. 504-511.
4. Никулин, А.В. Спортивный клуб как фактор формирования здорового образа жизни в образовательном пространстве вуза : автореф. дис. ... кандидата педагогических наук / Никулин А.В. - Москва, 2008. - 23 с.
5. Столяр, К.Э. Разработка научно обоснованных предложений по формированию образовательной программы обучения инструкторов по спорту / К.Э. Столяр, М.Н. Пуховская, Т.П. Высоцкая // Ученые записки университета им. П.Ф. Лесгафта. - 2019. - № 7 (173). - С. 196-199.
6. Атлетическая гимнастика в физическом воспитании студентов : учебное пособие / Т.Н. Шутова, О.В. Везеницын, Д.В. Выприков, Г.С. Крылова, И.М. Бодров, Д.А. Кокорев, А.Г. Буров. -Москва : [б.и.], 2016. -108 с.
7. Технология фитнеса в физическом воспитании студентов / Т.Н. Шутова, И.М. Бодров, О.В. Мамонова, П.А. Кондратьев // Физическая культура: воспитание, образование, тренировка. -2016. - № 1. - С. 30-31.
REFERENCES
1. Andryushchenko, L.B., Shutova, T.N. and Vysotskaya, T.P. (2019), "Development of additional professional training program for trainers", Uchenye zapiski universiteta imeni P.F. Lesgafta, No. 7 (173), pp. 6-9.
2. Vysotskaya, T.P., Bochkareva, S.I., Shutova, T.N., Golubnichy, S.P. and Burov, A.G. (2018), "Questions of optimization of the content of elective disciplines (modules) on physical culture and sport", Culture physical and health, No. 2 (66), pp. 5-8.
3. Kondrakov, G.B. and Shutova, T.N. (2016), "Athletic gymnastics as a prospect of development of physical culture for students of economic University", Materials IV International scientific and practical conference, M., 2016, рp. 504-511.
4. Stolyar, K.E., Pukhovskaya, M.N. and Vysotskaya, T.P. (2019), "Development of scientifically substantiated proposals for the formation of an educational program for training instructors in sports", Uchenye zapiski universiteta imeni P.F. Lesgafta, No. 7 (173), pp. 196-199.
5. Nikulin, A.V. (2008), Sports club as a factor in the formation of a healthy lifestyle in the educational space of the University, dissertation, Moscow.
6. Shutova, T.N., Vezenitsyn, O.V., Vyprikov, D.V., Krylova, G.S., Bodrov, I.M., Kokorev, D.A. and Burov, A.G. (2016), Athletic gymnastics in physical education of students: textbook, Moscow.
7. Shutova, T.N., Bodrov, I.M., Mamonova, O.V. and Kondratyev, P.A. (2016), "Technology of fitness in physical education of students", Physical culture: education, training, No. 1, рp. 30-31.
Контактная информация: dalgat-1991@mail.ru
Статья поступила в редакцию 23.10.2019
УДК 796.062
ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ПОСЕЩАЕМОСТИ ФУТБОЛЬНЫХ МАТЧЕЙ
Сергей Викторович Галицын, доктор педагогических наук, профессор, Олег Зуфарович Зиганшин, доцент, председатель федерации хоккея с мячом Хабаровска, Дальневосточная государственная академия физической культуры, г. Хабаровск; Константин Николаевич Дубровин, инженер, Вычислительный центр Дальневосточного отделения Российской академии наук, Хабаровск; Николай Егорович Ершов, старший научный сотрудник, кандидат физико-математических наук, Дальневосточный научно-исследовательский институт сельского хозяйства, Хабаровск; Павел Анатольевич Ткаченко, кандидат педагогических наук, доцент, Дальневосточная государственная академия
физической культуры, Хабаровск
Аннотация
Для прогнозирования посещаемости матчей Российской Премьер-лиги была создана рекуррентная двухслойная нейронная сеть Элмана. В рамках исследования определены 6 основных факторов, влияющих на посещаемость матчей. Для обучения сети использовались значения факторов и посещаемость 448 матчей РПЛ, а в качестве тестового множества использовались значения факторов и данные о посещаемости с 24 матчей того же турнира в мае 2019 года. Для оценки работоспособности модели было вычислено значение метрики RMSE (корень из среднеквадратической ошибки). По результатам исследования, можно говорить, что модели на базе нейронных сетей могут эффективно использоваться для прогнозирования посещаемости футбольных матчей.
Ключевые слова: футбол, премьер-лига, посещаемость матчей, математическое моделирование, нейронные сети, рекуррентная сеть Элмана.
NEURAL NETWORKS APPLICATION FOR ATTENDANCE PREDICTION OF
FOOTBALL MATCHES
Sergey Viktorovich Galitsyn, the doctor of pedagogical sciences, professor, Oleg Zufarovich Ziganshin, the senior lecturer, chairman of the Bandies Federation of city Khabarovsk, Far Eastern State Academy of Physical Culture, Khabarovsk; Konstantin Nikolaevich Dubrovin, the engineer, Computing Center of the Far-Eastern Branch of the Russian Academy of Sciences, Khabarovsk; Nikolay Egorovich Ershov, the senior research associate, the candidate of physical-mathematical sciences, Far Eastern Agricultural Research Institute, Khabarovsk; Pavel Anatolyevich Tkachenko, the candidate of pedagogical sciences, senior lecturer, Far Eastern State Academy of Physical Culture, Khabarovsk
Annotation
To predict the attendance of the matches of the Russian Premier League, the recurrent two-layer neural network of Elman was created. The study identified 6 main factors affecting match attendance. To train the network, we used the values of the factors and attendance of 448 matches of the RPL, and as a test set, we used the values of the factors and data on attendance from 24 matches of the same tournament in May 2019. To assess the performance of the model, the value of the RMSE metric (root of the root means square error) was calculated. According to the results of the study, we can say that models based on the neural networks can be effectively used to predict the attendance of football matches.
Keywords: football, premier league, match attendance, mathematical modeling, neural networks, Elman recurrent network.
Тема машинного обучения, искусственного интеллекта и нейронных сетей в настоящее время очень популярна, причём не только в научном сообществе. В настоящее время нейронные сети используются во всех отраслях, где возникает задачи обработки больших массивов данных и нахождения в них закономерностей и зависимостей. Нейронные сети могут обнаруживать сложные нелинейные зависимости между параметрами модели. Также нейронные сети, обученные на одном наборе данных, могут легко переобучаться на значительно отличающемся наборе данных и обладают высоким быстродействием.
В профессиональном спорте в России давно поднимается вопрос о переходе спортивных клубов от государственного к частному финансированию. Особенно актуален этот вопрос для футбольных клубов, оперирующих наибольшими бюджетами и затрачивающих огромные средства на приобретение футболистов, выплату зарплат, содержание инфраструктуры. Для успешного, долговременного существования футбольного клуба в условиях ограниченного бюджета (а переход к частному финансированию значительно ограничивает поток средств, вливаемый в клубы) важно грамотное планирование доходов. Одним из основных источников дохода для профессиональных клубов является продажа билетов на футбольные матчи. Именно поэтому вопрос прогнозирования посещаемости матчей крайне важен как для самих футбольных клубов, так и для руководства лиг и Российского Футбольного Союза, осуществляющих проведение соревнований на территории России.
Тем не менее, в научных изданиях эта тема освещена недостаточно. В научных журналах Западной Европы, где футбольные клубы давно имеют частное финансирование и живут по законам рынка, можно найти отдельные статьи о факторах, влияющих на посещаемость [7,8,9], и даже попытки прогнозирования посещаемости на матчах нескольких популярных футбольных клубов [9]. В российских научных изданиях эта тема вовсе не поднималась.
В рамках этого исследования впервые предпринята попытка создания модели для прогнозирования посещаемости матчей в рамках отдельного чемпионата (Российской Премьер-Лиги). В основу модели положен механизм, хорошо зарекомендовавший себя в задачах моделирования - нейронные сети. Перед выбором архитектуры сети и процессом обучения, необходимо решить самую сложную проблему - проблему выбора важнейших факторов, влияющих на посещаемость.
ОСНОВНЫЕ ФАКТОРЫ, ВЛИЯЮЩИЕ НА ПОСЕЩАЕМОСТЬ ФУТБОЛЬНЫХ
МАТЧЕЙ
Существует очень большое количество факторов, влияющих на посещаемость любых спортивных событий, в том числе футбольных матчей. После изучения литературы и ряда вычислительных экспериментов были определены факторы, влияющие на посещаемость матчей Российской Премьер-лиги (РПЛ). Они были разбиты на шесть групп. На основании каждой группы введён некоторый суммирующий фактор, являющийся линейной комбинацией факторов одной группы.
Такими основными факторами стали: день проведения матча, погодный фактор (особенно актуален для матчей в России с её разнообразием климатических зон и значительными годовыми колебаниями температур), выступление домашней команды, выступление гостевой команды, статус данного матча и сезонный интерес к матчам домашней команды. Как говорилось ранее, все эти факторы являются производными от целой группы факторов. Так, например, значение статуса матча SM рассчитывается по следующей формуле: 5м = 0,3 х (75 + и + f + Б + с), (1) где TS - турнирная значимость матча, U - неопределённость (отношение букмекерских котировок команды фаворита и команды аутсайдера), F - текущая форма команды-хозяина (доля набранных очков в последних 6 матчах чемпионата), D - дополнительный интерес болельщиков к гостевой команде (актуален для популярных команд, имеющих активное фанатское сообщество, посещающее выездные матчи, и поклонников, проживающих в регионе проведения матча), C - прочие факторы (к которым относятся концерты, праздничные программы на стадионе и т.д.).
Список основных факторов, их компонент, а также источников информации, на основании которых формировались значения факторов, приведён в таблице 1. Стоит отметить, что для удобства значения, подающиеся на вход нейронной сети, принимают значения от 0 до 1.
Таблица 1 - Факторы модели и их структура
Фактор Компоненты Источник
День матча День недели Официальный сайт РПЛ [3]
Время начала
Расположение стадиона Google Maps [6]
Погодные условия в месте проведения матча Температура воздуха Архив погоды nuipogoda.ru [5]
Ветер
Осадки
Выступление домашней команды Процент набранных очков по ходу сезона у хозяев Официальный сайт РПЛ
Выступление гостевой команды Процент набранных очков по ходу сезона у гостей Официальный сайт РПЛ
Статус матча Турнирная значимость матча Официальный сайт РПЛ
Неопределённость исхода матча Котировки БК "Лига ставок" на сайте РПЛ
Текущая форма команды хозяев Официальный сайт РПЛ
Дополнительный интерес к гостевой Посещаемость матчей между
команде и поддержка гостевой команды на стадионе данными командами за последние 5 лет и упоминание активных групп фанатов гостевой команды [7]
Акции, мероприятия на стадионе Отчеты о матчах на сайте издания "Спорт-Экспресс"[1]
Сезонная посещаемость команды Посещаемость матчей команды хозяев в предыдущем сезоне Официальный сайт РПЛ
Расстояние между стадионами команд-участниц матча
двухслойная нейронная сеть элмана
Искусственная нейронная сеть - это математическая модель, построенная по принципу организации и функционирования биологических нейронных сетей (сетей нервных клеток живого организма). Обучение нейронной сети в задачах прогнозирования представляет собой поиск наилучшего набора весов для максимизации точности предсказания. После окончания процесса обучения сеть способна работать с новыми данными. В зависимости от расположения нейронов и количества слоёв, выделяют рекуррентные, однослойные и многослойные нейронные сети [2].
Двухслойная сеть хорошо подходит для задач прогнозирования. Она состоит из входов сети (значений факторов), промежуточного и выходного слоя. На Скрытый слой включает в себя нейроны, преобразующие входные данные в вид, с которым может работать нейрон выходного слоя. На выходном слое находится нейрон, выдающий итоговый результат. Рекуррентная двухслойная сеть Элмана получается из простой двухслойной сети введением обратных связей от выходов внутренних нейронов, что позволяет учесть предысторию наблюдаемых процессов и накопить информацию для выработки правильной
стратегии управления. На рисунке 1 приведена схема нейронной сети Элмана.
Глу^г
[дусг
1ирш (I) I
У
-
1Ь н+> у\ Н <|
ь /
Ш
ОиЛри! (О
Рисунок 1 - Схема нейронной сети
МОДЕЛИРОВАНИЕ И ПРОГНОЗИРОВАНИЕ ПОСЕЩАЕМОСТИ МАТЧЕЙ РПЛ
Моделирование и прогнозирование посещаемости матчей Российской футбольной Премьер-лиги производилось в математическом пакете МаНаЪ. В качестве обучающего множества использовались значения входных факторов модели и доли заполняемости стадионов для 448 матчей российской Премьер-лиги в сезонах 2017/18 и 2018/19, проходивших на 23 стадионах в 15 городах России. Для тестирования модели осуществлялось прогнозирование посещаемости на основе значений всех параметров для 24 матчей 3 последних туров чемпионата России по футболу, которые проходили с 10 по 26 мая 2019 года. Выходные значения посещаемости каждой модели сравнивались с реальной заполня-емостью стадионов на этих играх. Для оценки точности модели анализировалась наиболее используемая в машинном обучении метрика точности - корень из среднеквадратической ошибка модели (ИМ8Е).
В таблице 2 представлены параметры сети Элмана.
Таблица 2 - Параметры нейронной сети Элмана
Количество слоёв 2
Количество нейронов на скрытом слое 10
Функция активации на скрытом слое Гиперболический тангенс
Алгоритм обучения Обратное распространение ошибки
Оптимизационный метод Стохастический градиентный спуск с шагом 0,001
Регуляризация Байесовская регуляризация
Количество эпох обучения 562
Функция потерь Среднеквадратическое отклонение
В таблице 3 приведены результаты прогнозирования и сравнение предсказанных значений с реальными.
Таблица 3 - Сравнение выходных значений сети Элмана с реальной посещаемостью
Номер Матч Прогноз Посещаемость Разница
1 Оренбург - Урал 0,5923 0,5648 +0,0275
2 Динамо - Ростов 0,2932 0,295 +0,0018
3 Анжи - Арсенал 0,0983 0,0955 +0,0028
4 Локомотив - Рубин 0,4565 0,4605 -0,004
5 Енисей - Краснодар 0,7965 0,6939 +0,1026
6 Ахмат - Крылья Советов 0,305 0,3299 -0,0249
7 Спартак - Уфа 0,6757 0,5675 +0,1082
8 Зенит - ЦСКА 0,9151 0,907 +0,0081
9 Уфа - Оренбург 0,4345 0,6036 -0,1691
10 ЦСКА - Ахмат 0,6233 0,5271 +0,0962
11 Крылья Советов - Спартак 0,7499 0,8881 -0,1382
12 Урал - Локомотив 0,7438 0,7647 -0,0209
13 Енисей - Динамо 0,6216 0,5045 +0,1171
14 Арсенал - Краснодар 0,8346 0,752 +0,0826
15 Ростов - Зенит 0,9389 0,8186 +0,1203
16 Рубин - Анжи 0,1755 0,1199 +0,0556
17 ЦСКА - Крылья Советов 0,6969 0,7351 -0,0382
18 Ахмат - Ростов 0,3332 0,2858 +0,0474
19 Зенит - Енисей 0,7037 0,7385 -0,0348
20 Динамо - Арсенал 0,9772 0,9076 +0,0696
21 Краснодар - Рубин 0,8622 0,9954 -0,1332
22 Анжи - Урал 0,1317 0,0849 +0,0468
23 Локомотив - Уфа 0,5976 0,6313 -0,0337
24 Оренбург - Спартак 0,8845 0,9236 -0,0391
Нейронная сеть хорошо справилась с прогнозированием: для 17 матчей посещаемость была предсказана с погрешностью менее 0,1, а значение КМЕЕ составило 0,0795 (приемлемый уровень - 0,1). Наибольшая разница между прогнозируемой и реальной посещаемостью наблюдалась в матчах под номерами 9 (Уфа - Оренбург), 11 (Крылья Советов
- Спартак) и 21 (Краснодар - Рубин). Матч 11 проходил в Самаре: Крылья Советов провели первый сезон в РПЛ на новой, построенной к чемпионату мира, арене. Сложность прогнозирования посещаемости на таких аренах резко возрастает ввиду сложности экстраполяции посещаемости на старых стадионах на посещаемость на новых современных аренах (к тому же логичный процесс увеличения посещаемости при строительстве нового стадиона проходит весьма неравномерно в разных городах). Матчи 5 и 13 прошли в Красноярске
- городе, который в прошедшем сезоне впервые принимал матчи РПЛ. В таких случаях за основу берётся посещаемость команды в лиге уровнем ниже (ФНЛ) и посещаемость по ходу сезона. В случае же матчей 5 и 13 прогнозирование осложнялось ещё и тем фактом, что немалую часть своих матчей Енисей провёл на нейтральных полях, а посещаемость матчей на нейтральных полях не имеет к посещаемости домашнего стадиона никакого отношения (и в рамках исследования никак не учитывалась).
ЗАКЛЮЧЕНИЕ
В рамках данной работы, в результате проведенных экспериментов, выделены основные факторы, влияющие на посещаемость матчей Российской Премьер-лиги. Поиск таких общих факторов представлял собой весьма сложную задачу из-за разнообразия футбольных процессов, происходящих в разных регионах России, отличающегося качества футбольной инфраструктуры, серьёзной разнице в климате регионов, сложной формализации некоторых явлений.
Основным результатом работы стала разработка двухслойной рекуррентной сети Элмана, обеспечившей решение поставленной задачи прогнозирования посещаемости футбольных матчей Российской Премьер-лиги. По результатам тестирования определено, что нейронная сеть осуществляет прогнозирование с высокой точностью (значение используемой метрики RMSE составило около 0,08).
Разработанная модель может использоваться в будущем для прогнозирования не только матчей Российской Премьер-лиги, но и других футбольных чемпионатов. Также она может быть легко модифицирована (добавлением новых факторов, изменением параметров сети, внедрением новых архитектур) для определения посещаемости спортивных соревнований по другим видам спорта.
ЛИТЕРАТУРА
1. Информационный портал. Новости спорта. - URL : http://news.sportbox.ru (дата обращения: 14.05. 2019).
2. Каллан, Р. Основные концепции нейронных сетей / Р. Каплан. - Москва : Вильямс, 2001.
- 288 с.
3. Официальный сайт Российской Премьер-лиги. - URL : http://premierliga.ru (дата обращения: 16.05.2019).
4. Сайт спортивного издания «Спорт - экспресс». - URL : www.sport-express.ru/football (дата обращения 17.05.2019).
5. Сервис «Ну и погода». - URL : http://nuipogoda.ru (дата обращения17.05 2019).
6. Сервис Google Карты. - URL : www.google.ru/maps (дата обращения: 17.05.2019).
7. Serrano, R. Expected quality in European football attendance: market value and uncertainty reconsidered / R. Serrano, J. Garcia-Bernal, M. Fernandez-Olmos // Applied Economics Letters. - 2015. -Vol. 22. - № 13. - P. 1051-1054.
8. Sahin, M. A dynamic ticket pricing approach for soccer games / M. Sahin, R. Eroll // Axioms.
- 2017. - Vol. 6. - № 4. - P. 31.
9. Sahin, M. Prediction of Attendance Demand in European Football Games: Comparison of ANFIS, Fuzzy Logic, and ANN / M. Sahin, R. Eroll // Computational Intelligence and Neuroscience. -2018. - Vol. 2018. - P. 362-375.
REFERENCES
1. Information portal Sportbox.ru, available at: https://news.sportbox.ru (accessed 14 May 2019).
2. Callan, R. (2001) The essence of neural networks, Williams, Moscow.
3. The official website of the Russian Premier League, available at: http://premierliga.ru (accessed 16 May 2019).
4. The website of the sports publication "Sport - Express', available at: https://www.sport-ex-press.ru/football (accessed 17 May 2019).
5. Service "Nu i pogoda", available at: https://nuipogoda.ru (accessed 17 May 2019).
6. Google Maps Service, available at: https://www.google.com/maps (accessed 17 May 2019).
7. Serrano, R., Garcia-Bernal, J. and Fernandez-Olmos, M. (2015), "Expected quality in European football attendance: market value and uncertainty reconsidered", Applied Economics Letters, Vol. 22, No. 13, pp. 1051-1054.
8. Sahin, M. and Eroll, R. (2017), "A dynamic ticket pricing approach for soccer games", Axioms, Vol. 6, No. 4, p. 31.
9. Sahin, M. and Eroll, R. (2018), "Prediction of Attendance Demand in European Football Games: Comparison of ANFIS, Fuzzy Logic, and ANN", Computational Inteligence and Neuroscience, Vol.
2018, pp. 362 -375.
Контактная информация: pavel.tkachenko@mail.ru
Статья поступила в редакцию 07.10.2019
УДК 796.412.2
ТЕЛЕСНОЕ ПРИКОСНОВЕНИЕ В СИСТЕМЕ СРЕДСТВ ПЕДАГОГИЧЕСКОГО
ВОЗДЕЙСТВИЯ ТРЕНЕРА ПО ХУДОЖЕСТВЕННОЙ ГИМНАСТИКЕ
Геннадий Николаевич Германов, доктор педагогических наук, профессор, заслуженный
работник физической культуры РФ, Лариса Александровна Новикова, кандидат педагогических наук, доцент, директор института спорта и физического воспитания, заведующая кафедрой, Российский государственный университет физической культуры, спорта, молодежи и туризма г. Москва; Мирьяна Юраевна Секованич, аспирант, тренер по художественной гимнастике, СШОР № 74, г. Москва, Алексей Николаевич
Корольков, кандидат технических наук, доцент, Анатолий Петрович Стрижак, доктор педагогических наук, профессор, заслуженный работник физической культуры РФ, Институт естествознания и спортивных технологий Московского городского
педагогического университета
Аннотация
В европейской методике спортивной тренировки физическое прикосновение к детям в целях коррекции движения или акцентированного развития двигательных способностей запрещено. В российской школе художественной гимнастики без помощи тренера при выполнении упражнений на растягивание, других корректирующих физических воздействий не обходится, хотя не все родители могут это понять, принять такие методы обучения и воспитания и быть союзниками тренера. Что это - необходимая часть тренировки, метод педагогического сопровождения? или агрессивное поведение педагога, вторжение в личное пространство спортсменки, неуважение прав ребенка на личную неприкосновенность? В связи с обозначенной проблемой, выдвигается цель научного исследования: изучить мнение тренеров, спортсменов, родителей, и установить допустимость корректирующих физических воздействий тренера по отношению к ребенку при развитии гибкости, увеличении подвижности в суставах и позвоночном столбе, формировании осанки, фиксации позы, коррекции движения и обучении этим движениям? На повестку исследования поставлен вопрос: есть ли взаимосвязь между затратами времени со стороны тренера на физическое сопровождение в технологиях обучения и развития детей в тренировочном процессе и темпами прироста показателей физической и технической подготовленности юных гимнасток?
Ключевые слова: телесное прикосновение, физический контакт, физическая помощь, тактильная коммуникация, тактильные действия, тактильные единицы, проприорецепция, кинестезия, методы невербального воздействия, метод обучения движениям, метод развития двигательных способностей, физическая свобода, личное пространство, допустимость физических воздействий, успех тренерской деятельности, художественная гимнастика, тетрахорический коэффициент сопряженности, эквивалентность.
BODILY TOUCH IN THE METHOD SYSTEM OF PEDAGOGICAL IMPACT OF TRAINER IN ARTISTIC GYMNASTICS
Gennady Nikolaevich Germanov, the doctor of pedagogical sciences, professor, Honored Worker of Physical Culture of the Russian Federation, Larisa Alexandrovna Novikova, the candidate ofpedagogical sciences, senior lecturer, director of the Institute of Sports and Physical Education, department chair, Russian State University of Physical Culture, Sports, Youth and Tourism, Moscow; Mirjana Yuraevna Sekovanich, the post-graduate student, trainer on rhythmic gymnastics, Sports School № 74 of Olympic reserve, Moscow; Alexey Nikolaevich Korolkov, the candidate of technical sciences, senior lecturer, Anatoly Petrovich Strizhak, the doctor ofpedagogical sciences, professor, Honored Worker of Physical Culture of the Russian
