CC BY
21INTERNATIONAL SCIENTIFIC AND TECHNICAL CONFERENCE "DIGITAL TECHNOLOGIES: PROBLEMS AND SOLUTIONS OF PRACTICAL IMPLEMENTATION IN THE SPHERES" APRIL 27-28, 2023
МЕТОДЫ ПРИМЕНЕНИЯ АЛГОРИТМОВ ИСКУСТВЕННОГО ИНТЕЛЛЕКТА В МОНИТОРИНГЕ ЗДОРОВЬЯ СПОРТСМЕНОВ ВО ВРЕМЯ ТРЕНИРОВОК И
СОРЕВНОВАНИЙ Исмаилов О.М.1, Мирзахалилов С.С.2, Холдарова Г.Н.3
1 Кафедра информационно-компьютерных технологий и программирования, Ташкентский университет информационных технологий имени Мухаммада Аль-
Хоразмий, Ташкент 100200, Узбекистан
2 Кафедра информационно-компьютерных технологий и программирования, Ташкентский университет информационных технологий имени Мухаммада Аль-
Хоразмий, Ташкент 100200, Узбекистан. Mirzaxalilov86@tuit.uz 3 Кафедра компьютерных систем, Ташкентский университет информационных технологий имени Мухаммада Аль-Хоразмий, Ташкент 100200, Узбекистан
https://doi.org/10.5281/zenodo.7857882 Abstract. The issue of monitoring the health of athletes is one of the urgent scientific problems that have been studied by various specialists involved in sports medicine for a long time. With the advent of automated signal processing and ECG signal analysis as a tool for arrhythmia identification and signal monitoring applications, the practical implementation of the task of diagnosing cardiovascular disease has become more realistic. This paper presents one of the approaches to solving the problems of monitoring the health of athletes, by processing biometric data, auto-classification of ECG signals.
Keywords: biometric data processing, ECG, signal processing, athletes' health, cardiovascular disease, athletes' health monitoring, algorithm, CNN, model.
Введение. Часто предполагается, что занятия спортом принесут только пользу для здоровья. Неблагоприятные последствия занятий спортом, особенно на профессиональном уровне, редко исследуются. Анализ поступающей информации свидетельствуеть о наростающей тенденции различных неблагоприятных последствиях, которые могут сопровождать участие в профессиональном спорте. Занятия спортом могут усугубить уже существующие проблемы со здоровьем, привести к травмам или даже смерти. Спортивная среда может быть опасной в различных физических, эмоциональных и социальных аспектах. Обычная практика тренировок и соревнований в некоторых спортивных культурах сама по себе может быть вредной. Спортсмены могут пожертвовать здоровьем, домом, образованием и нормальным социальным развитием в погоне за спортивным «успехом». Врачи и ученные занимающейся исследованием здоровьем и социальным благополучием профессиональных спортсменом имеют особые возможности и обязанности выступать в качестве актеров обеспечивающих защиту спортсменов.
Основные риск факторы здоровья спортсменов при тренировках и соревнованиях. Спортсмены, занимающиеся на профессиональном уровне, сталкиваются с рисками здоровья, связанными с интенсивными тренировками и соревнованиями. Некоторые из этих рисков включают:
1. Перенапряжение мышц и связок: Частые и интенсивные тренировки могут привести к перенапряжению мышц и связок, что может привести к боли и травмам.
INTERNATIONAL SCIENTIFIC AND TECHNICAL CONFERENCE "DIGITAL TECHNOLOGIES: PROBLEMS AND SOLUTIONS OF PRACTICAL IMPLEMENTATION IN THE SPHERES" APRIL 2T-28, 2G23
2. Травмы: Спортсмены могут получить различные травмы, такие как вывихи, растяжения, переломы костей и сотрясения мозга, в результате несчастных случаев (неудачного движения, контакта с другими игроками) во время тренировок или соревнований.
3. Избыточная усталость : Интенсивные тренировки могут привести к избыточной усталости, которая может повлиять на работу сердца и дыхательной системы.
4. Потеря жидкости: Спортсмены могут потерять много жидкости во время тренировок и соревнований, особенно в жаркую погоду. Это может привести к обезвоживанию и другим проблемам со здоровьем.
5. Риск сердечно-сосудистых заболеваний: Спортсмены, занимающиеся на высоком уровне, могут иметь повышенный риск развития сердечно-сосудистых заболеваний из-за интенсивных тренировок и высокой нагрузки на сердце.
6. Риск инфекций: Спортсмены могут быть более подвержены инфекциям, таким как грипп, простуда, ОРВИ, гепатит, Covid-19 и другие инфекции, из-за того, что они часто находятся в контакте с другими людьми во время тренировок и соревнований.
7. Риск психических расстройств: Спортсмены могут столкнуться с психическими проблемами, такими как депрессия, тревожность и стресс. Это может быть вызвано высокой конкуренцией, постоянным давлением на достижение успеха и другими факторами.
В. Риск нарушения пищевого поведения: Спортсмены могут иметь склонность к нарушению пищевого поведения, такому как анорексия или булимия, из-за желания сохранить определенный вес или форму тела.
В целях минимизации или устранения риск факторов здоровья спортсменов при тренировках и соревнованиях на ряду с имеющимися различные современными методологическими указания и средства, начали широко применять технологии Искусственного интеллекта.
Средства дистанционного мониторинга за здоровьем спортсменов. Вопрос мониторинга здоровья спортсменов исследуются довольно давно. К сегодняшнему данью в мире существуют различные интеллектуальные дайджесты и сенсоры обеспечивающие дистанционный мониторинг состояние спортсменов: Apple Watch (США); Fitbit (Fitbit Charge 4); Omron Healthcare (Omron HeartGuide); Masimo (Masimo MightySat Rx); Abbott (FreeStyle Libre 2); Braun (Braun ThermoScan 7) и др. [1]. Широко применяются мобильные специализированные аппаратно-программные средства для дистанционного мониторинга и обработки медико-биологических данных спортсменов: Рубашка Hexoskin® Biometric (Канада), Фитнес-трекер Jawbone UP3™( США), Фитнес - трекер Striiv® Fusion Bio (Китай). Персональная телемедицинская система «Оберег»(РФ) и др. [2]. На ряду с вышеупомянутыми мобильными система, многие крупные компании активно развивают конфигурируемые платформа для дистанционного мониторинга здоровья спортсменов: Medtronic (Medtronic CareLink Network) (); Cisco Systems (Cisco Medical-Grade Network) (США); Roche Diagnostics (Roche Cobas 6000 Analyzer), Azure Health Data Services и др. [34].
Несмотря на имеющейся широкий выбор интеллектуальных средств и систем мониторинга за здоровьем спортсменов, метаматематических аппарата, и алгоритмов
INTERNATIONAL SCIENTIFIC AND TECHNICAL CONFERENCE "DIGITAL TECHNOLOGIES: PROBLEMS AND SOLUTIONS OF PRACTICAL IMPLEMENTATION IN THE SPHERES" APRIL 27-28, 2023
вопрос обеспечения адаптивных моделей раннего предсказывания заболеваний требует более глубокого исследования. Структура системы мониторинга здоровья спортсменов во время тренировок и соревнований состоит из различных блоков обеспечивающих сбор и первичную обработку медико-биологических данных спортсмена.
Анализ имеющиеся научных работ [6] показывают, что при разработки систем удаленного мониторинга за здоровьем спортсменов, особое внимании необходимо уделять задачам создания адаптивных моделей предсказания рисков избыточной усталости и сердечно-сосудистых заболеваний, а также риска психических расстройств, часто являющимися причиной травм или неудач спортивным. В этой связи, рассмотрим задачу дистанционного мониторинга рисков сердечно-сосудистых заболеваний у спортсменов.
Рис.1. Структурная схема системы мониторинга здоровья спортсменов. Алгоритм мониторинга здоровья сердца спортсменов во время тренировок и
соревнований состоит из следующих шагов:
Шаг 1. Измерение пульса и артериального давления перед началом тренировки и после ее окончания.
Шаг 2. Мониторинг пульса и артериального давления во время тренировки, включая перерывы между упражнениями.
Шаг Обнаружение аномалий в пульсе и артериальном давлении, таких как высокий или низкий пульс, повышенное или пониженное артериальное давление.
Шаг 4. Оценка риска сердечных заболеваний и принятие мер для предотвращения их возникновения.
Шаг 5. Мониторинг уровня физической нагрузки и ее воздействия на сердце спортсмена.
INTERNATIONAL SCIENTIFIC AND TECHNICAL CONFERENCE "DIGITAL TECHNOLOGIES: PROBLEMS AND SOLUTIONS OF PRACTICAL IMPLEMENTATION IN THE SPHERES" APRIL 27-28, 2023
Шаг 6. Обеспечение быстрой медицинской помощи в случае возникновения проблем со здоровьем сердца.
Шаг 7. Предоставление спортсменам инструкций по правильному дыханию и технике выполнения упражнений, чтобы снизить риск повреждения сердца.
Шаг 8. Регулярное обучение тренеров и спортсменов новым методам мониторинга здоровья сердца и профилактике сердечных заболеваний.
Шаг 9. Систематический анализ данных о здоровье сердца спортсменов и корректировка программы тренировок и здоровья в соответствии с результатами мониторинга.
Шаг 10. Регулярный медицинский осмотр для выявления заболеваний сердца и других проблем со здоровьем, которые могут повлиять на спортивную деятельность.
Программное реализация мониторинга здоровья сердца спортсменов. В целях практическое реализации задачи диагностики сердечно сосудистых заболеваний использованием сверточной нейронной сети (CNN) для определения паттернов изображений ЭКГ на основе ИИ [6-8]. В решении задач классификации электрокардиограмм (ЭКГ) CNN может быть использован следующим образом:
1. Подготовка данных: ЭКГ разбиваются на обучающий, тестовый и валидационный наборы. Каждая ЭКГ должна быть нормализована;
2. Создание модели CNN: модель состоит из нескольких сверточных слоев, слоев пулинга и полносвязных слоев. Каждый сверточный слой выделяет определенные признаки на ЭКГ, а слои пулинга уменьшают размерность данных. Полносвязные слои объединяют выделенные признаки для определения класса ЭКГ;
3. Обучение модели: модель обучается на обучающем наборе данных с использованием метода обратного распространения ошибки. В процессе обучения модель оптимизирует веса для минимизации ошибки;
4. Оценка модели: после обучения модель оценивается на тестовом наборе данных для определения ее точности.
Пример программного кода для создания модели CNN в Python с использованием библиотеки Keras:
from keras.models import Sequential
from keras.layers import Conv1D, MaxPooling1D, Flatten, Dense model = Sequential()
model.add(Conv1D(32, 5, activation-relu', input_shape=(5000, 1)))
model.add(MaxPooling1D(5))
model.add(Conv1D(64, 5, activation-relu'))
model.add(MaxPooling1D(5))
model.add(Conv1D(64, 5, activation-relu'))
model.add(Fl atten())
model .add(Dense(64, activati on='relu'))
model.add(Dense(5, activation-'softmax'))
INTERNATIONAL SCIENTIFIC AND TECHNICAL CONFERENCE "DIGITAL TECHNOLOGIES: PROBLEMS AND SOLUTIONS OF PRACTICAL IMPLEMENTATION IN THE SPHERES" APRIL 27-28, 2023
model.summary()
Этот код создает модель CNN с тремя сверточными слоями и двумя полносвязными слоями для классификации ЭКГ в пять классов.
CNN также может быть использован для решения задач диагностики других сердечно-сосудистых заболеваний.
Заключение. В последние годы появилась автоматическая обработка сигналов и анализ сигналов ЭКГ в качестве инструмента для идентификации аритмии и приложений для мониторинга сигналов. В данной работе представлен один из подходов в решении задач мониторинга здоровья спортсменов, путем обработке биометрических данных, автоклассификации сигналов ЭКГ.
В целом, как показывает исследования спортсмены должны быть осведомлены о рисках здоровья при тренировках и принимать меры для минимизации этих рисков. Это может включать в себя правильную подготовку и растяжку перед тренировкой, использование защитного снаряжения и обращение за медицинской помощью при первых признаках травм или заболеваний.
REFERENCES
1. Collin Couey. What are the remote patient monitoring devices in healthcare you should care about? URL:https://www.softwareadvice.com/resources/remote-patient-monitoring-devices-in-healthcare/ (Дата: 21.02.2022).
2. Sumit Majumder, Tapas Mondal, M. Jamal Deen. Wearable Sensors for Remote Health Monitoring. Sensors (Basel). 2017 Jan; 17(1): 130. Published online 2017 Jan 12. doi: 10.3390/s17010130.
3. Cisco Medical-Grade Network. Providing Foundational Architectures for Healthcare. URL:https://www.cisco.com/c/dam/en_us/solutions/industries/docs/ healthcare/ Cisco_MGN_Network_Poster111809.pdf (Дата: 21.02.2022).
4. Cobas 6000 analizer series. URL:https://diagnostics.roche.com/global/en/ products/systems/cobas-6000-analyzer-series-sys-65.html. (Дата: 21.02.2022).
5. Аль-Обади И.С., Смоленский А.В., Немодулируемые факторы риска сердечнососудистых заболеваний или генные маркеры как предикторы внезапной сердечной смерти в спорте.
6. Э. Изчи, М. А. Оздемир, М. Дегирменци и А. Акан, «Обнаружение сердечной аритмии по двумерным изображениям ЭКГ с использованием метода глубокого обучения», Конгресс медицинских технологий 2019 г. (TIPTEKNO) , стр. 1-4, 2019 г., октябрь.
7. Х. Макимото, М. Хокманн, Т. Лин, Д. Глекнер, С. Гергури, Л. Класен и др., «Производительность сверточной нейронной сети, полученной на основе базы данных ЭКГ, при распознавании инфаркта миокарда», Научные отчеты, том 10, 1, стр. 1-9, 2020.
8. М. Васимуддин, К. Эллейти, А. Абузнейд, М. Фаэзипур и О. Абузаглех, «Многоклассовый анализ сигналов ЭКГ с использованием моделирования двухмерной
INTERNATIONAL SCIENTIFIC AND TECHNICAL CONFERENCE "DIGITAL TECHNOLOGIES: PROBLEMS AND SOLUTIONS OF PRACTICAL IMPLEMENTATION IN THE SPHERES" APRIL 27-28, 2023
сверточной нейронной сети на основе глобального среднего», Electronics, vol . 10, нет. 2, стр. 170, 2021.
9. Ismailov ОМ, Mirzakhalilov С. "SURVEY OF ALGORITHMS SEARCH OF SHORTEST WAYS FOR DESIGN OF GEOLOCATION INFORMATION SYSTEMS." Science and Innovation 2.3 (2023): 62-70. https://doi.org/10.5281/zenodo.7729386.
10. Исмаилов О.М., Мирзахалилов С., Исмаилов М.О. Исследование методов и алгоритмов репликации в системах с распределенной базой данных // Проблемы вычислительной и прикладной математики. - 2023. - №1(46). - С. 116-122.
