CC BY
121
6
Теория и методика спорта высших достижений
МОДЕЛИРОВАНИЕ ТЕХНИКИ ТРОЙНОГО ПРЫЖКА С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ НЕЙРОНЕЧЕТКИХ СЕТЕЙ
И.Ю. КРИВЕЦКИЙ, Г.И. ПОПОВ, А.Л. ОГАНДЖАНОВ,
ФГБОУ ВПО «РГУФКСМиТ»
Аннотация
В статье предложен способ моделирования индивидуальной техники тройного прыжка на основе каскадной нейронечеткой сети. Разработанная интерактивная система прогнозирования успешности спортивных движений позволяет создавать интерактивные модели для прыгунов высокого класса.
Ключевые слова: тройной прыжок, моделирование,
нейронечеткая сеть.
Abstract
In the article proposed a method of modeling the individual technique of triple jump based on a cascaded fuzzy neural network.
Developed an interactive system for prediction the success of sports movements. It allows to create interactive models for high-class jumpers.
Key words: triple jump, modeling, fuzzy neural network.
Введение
Тройной прыжок является одним из прыжковых видов легкой атлетики, где помимо высокой физической подготовленности спортсмен должен также обладать совершенной техникой движений. Несмотря на то, что тройной прыжок включает в себя три разных составляющих после отталкивания: «скачок», «шаг» и «прыжок», его следует рассматривать как целостное упражнение, успешность которого зависит от ряда биомеханических характеристик, правильное сочетание которых формирует оптимальную технику движений и обеспечивает высокий результат.
В настоящее время спортсмены показывают очень высокие результаты в тройном прыжке. Однако эти далекие прыжки повторяются не так часто, даже в рамках одного и того же соревнования, что говорит о нестабильности техники движений.
Решением этой проблемы может послужить внедрение в процесс технической подготовки прыгунов современных технологий компьютерного моделирования, а именно использование возможностей нейронечеткой сети для имитации индивидуальной техники движений высококвалифицированных спортсменов [4]. С недавнего времени нейронные сети стали использоваться для целей моделирования в различных видах спорта, в том числе в плавании [10], в легкоатлетических дисциплинах: метании копья [7], толкании ядра [8], а также для решения общих задач описания движений [6, 9].
Ранее нами были разработаны система прогнозирования успешности движений [1] и индивидуальные интерактивные модели для прыгунов в высоту высокого класса [2, 3, 5]. Применение их в тренировочном процессе привело к росту результата и повышению стабильности успешных попыток на соревнованиях.
Целью настоящего исследования являлось создание индивидуальной модели квалифицированного прыгуна тройным на основе каскадной нейронечеткой сети для прогнозирования успешности прыжка.
Материалы и методы
В исследовании принял участие спортсмен - мастер спорта международного класса по тройному прыжку. Основной инструментальной методикой сбора информации являлась видеоциклография, с помощью которой регистрировались кинематические характеристики движений прыгуна при выполнении тройного прыжка с разбега.
Видеосъемка проводилась двумя специальными видеокамерами с частотой съемки 50 кадров в секунду в дневное время в условиях летнего соревновательного сезона при достаточной освещенности. Видеокамера фиксировалась на штативе на расстоянии 20 м от сектора напротив места наибольшей вероятности второго отталкивания тройного прыжка на высоте 1 м над уровнем дорожки; вторая видеокамера располагалась в 2-х м от бруска для отталкивания в сторону разбега.
Для измерения линейных характеристик прыжка использовались специальные метки (пластырь шириной 3 см и длиной 10 см). Метки располагались с двух сторон на границе сектора на расстоянии 25 см друг от друга на следующем расстоянии от планки для отталкивания: 5,50-5,75-6,00-6,25-6,50 м - для «скачка» (место второго отталкивания тройного прыжка) и 10,50-10,75-11,0011,25-11,50 м - для «шага» (место третьего отталкивания тройного прыжка). При этом линия, условно соединяющая две парные метки, была строго перпендикулярна линии, ограничивающей прыжковый сектор. Длина фаз тройного прыжка и длина трех последних шагов разбега фиксировалась согласно общепринятой методике - первое, второе и третье отталкивания тройного прыжка - по носку спортсмена, в яме - по ближней к планке точке касания спортсменом песка.
Для регистрации временных отрезков разбега на последних и предпоследних 5 метрах перед отталкиванием использовался фотодиодный хронометраж. Датчики были установлены на 1-м, 6-м и 11-м метрах от планки для отталкивания в сторону разбега.
ФНЦ ВНИИФК
Теория и методика спорта высших достижений
7
Всего было зарегистрировано 50 прыжков. Обработ- (Швейцария) по 22 кинематическим характеристикам ка и расчет материала проводились в каждой попытке (см. таблицу). с использованием программы видеоанализа Dartfish
Кинематические характеристики тройного прыжка
№ Характеристика, единицы измерения Условное обозначение
1. Результат тройного прыжка, м R
2. Скорость на предпоследних 5 м перед отталкиванием, м/с V6-11
3. Скорость на последних 5 м перед отталкиванием, м/с V1-6
4. Набегание (V1-6 - V6-11), м/с N
5. Время опоры 1-го отталкивания, с "оп1
6. Время опоры 2-го отталкивания - «скачка», с "оп2
7. Время опоры 3-го отталкивания - «шага», с "оп3
8. Общее время опоры, с Топ
9. Время полёта «скачка», с "п1
10. Время полёта «шага», с "п2
11. Время полёта «прыжка», с "пЗ
12. Общее время полёта, с Тп
13. Общее время тройного прыжка, с ТТр
14. Длина «скачка», м L1
15. Длина «шага», м L2
16. Длина «прыжка», м L3
17. Длина «скачка» + длина «шага» - «связка», м L1 + L2
18. Длина «шага» + длина «прыжка», м L2 + L3
19. Скорость во время «скачка», м/с V1
20. Скорость во время «шага», м/с V2
21. Скорость во время «прыжка», м/с V3
22. Средняя скорость всего прыжка после отталкивания, м/с V*
Моделирование техники тройного прыжка на основе каскадной нейронечеткой сети
Модель индивидуальной техники тройного прыжка строилась аналогично описанным нами ранее этапам [4]. Успешность прыжка в данном исследовании определялась результатом 16,65 м. Все прыжки были разделены на две выборки - соответственно успешных и неуспешных прыжков:
1. Спортсмен перепрыгнул рубеж 16,65 м (1).
2. Спортсмен не перепрыгнул рубеж 16,65 м (-1).
Затем данные выборок заносились в интерактивную систему [4]. Разработанная интерактивная система прогнозирования успешности спортивных движений имеет модульную структуру (рис. 1) и представляет собой компьютерную программу, реализованную в среде Matlab.
Априорно определенные данные отправлялись в модуль статистического исследования из базы данных. С помощью статистического модуля, используя критерий Стьюдента, было проведено сравнение биомеханических характеристик в выборках и отобраны наиболее
Рис. 1. Интерактивная система прогнозирования успешности спортивных движений
ФНЦ ВНИИФК
8
Теория и методика спорта высших достижений
достоверно различающиеся. Выбранные признаки переправлялись в модуль построения моделей, где строилась индивидуальная интерактивная модель техники прыгуна. Она состоит из двух блоков: блока нормировки значимых признаков и блока принятия решения [4]. Блок предобработки обеспечивает принадлежность преобразованных данных единому диапазону (-1, 1) с равномерным распределением, а блок принятия решения при помощи каскадной нейронечеткой сети аппроксимирует имеющиеся в данных закономерности и выводит ответ в диапазоне от -1 до 1. Если ответ больше нуля, то спортсмен перепрыгнет рубеж 16,65 м; если меньше нуля, то не перепрыгнет.
Результаты исследования и их обсуждение
В результате статистического сравнения кинематических характеристик тройного прыжка в успешных и неуспешных попытках были выбраны шесть наиболее достоверно различавшихся параметров. У исследуемого спортсмена это оказались: «связка» (L1+L2), длина «шага» (L2), время полета «шага» ^п2), общее время тройного прыжка (Ттр), скорость на последних 5-ти метрах перед отталкиванием (V1-6), набегание (N). Таким образом, мы определили значимые признаки спортивной техники, влияющие на результат конкретного прыгуна.
Используя выбранные признаки, была построена модель на основе каскадной нейронечеткой сети. Входными данными служили результат тройного прыжка и шесть кинематических характеристик. Они позволили провести обучение (настройку) модели каскадной нейронечеткой сети. Прогнозируя в модели обеспечение какого-либо спортивного результата, мы тем самым прогнозировали сочетание определенных показателей. Задаваемое изменение любого из них должно сочетаться с изменением целого набора показателей, что и осуществляет модель (рис. 2).
Работа интерактивной системы оценивается по выходу блока нейронечеткого вывода. Спортсмен прыгнет на заданный результат, если выход системы меньше 0, иначе не допрыгнет до заданного рубежа. Ошибка работы системы для обучающих данных составила 0%, для проверочных - 8%.
Важной особенностью в работе с моделями, построенными на основе нейронечетких сетей, является то, что при обеспечении соответствия реальных показателей техники прыжка модельным существует возможность варьировать значения модельных характеристик, то есть структура предлагаемой компьютерной программы такова, что желаемого результата можно добиться путем различного сочетания модельных характеристик. И в этом основа творческого сочетания теоретических оценок ученого, практического подхода тренера и реализационных возможностей спортсмена, собственные ощущения которого позволяют при опоре на предлагаемые модельные оценки и вытекающие из них конкретные двигательные установки надежнее добиваться роста спортивной результативности.
Разработанная модель может в дальнейшем совершенствоваться путем введения в нее новых примеров.
Рис. 2. Экранная форма модуля принятия решений интерактивной системы прогнозирования успешности тройного прыжка
Значения характеристик новых прыжков добавляются в базу модели, и сеть переобучается, накапливая «опыт», что приводит к увеличению точности ее работы и большего числа вариантов предлагаемых решений. С другой стороны, поскольку создана индивидуальная модель для конкретного спортсмена, накопление данных поможет выявить как бы «реперные» кластеры индивидуальной техники прыжка. А это будет указанием к тому, где особенно важно в ходе тренировочного процесса усиливать внутренние механизмы выполнения двигательного действия прыгуна.
Естественно, что задаваемый рубеж тройного прыжка может принимать различные значения. По мере совершенствования в упражнении рубеж будет увеличиваться. И здесь просматривается очень интересная в модельном отношении задача: как должны трансформироваться элементы техника тройного прыжка по мере роста спортивной результативности? Насколько сохраняются кластеры индивидуальности элементов техники
ФНЦ ВНИИФК
Теория и методика спорта высших достижений
9
прыжка? Не происходит ли перераспределения акцентов в проявлении технических показателей хотя бы за счет необходимого с ростом результатов прироста физических возможностей спортсмена? На все это можно ответить в рамках развитой модели нейронечеткой сети.
Заключение
Использование средств искусственного интеллекта, таких, как нейронечеткая сеть, в моделировании спортивных движений, является современным и перспективным методом.
Предложенная нами интерактивная система прогнозирования успешности спортивных движений позволяет
создавать индивидуальные модели для прыгунов тройным высокого класса. С ее помощью можно не только прогнозировать, но и моделировать условия, при которых спортсмен покажет успешный прыжок. У тренера появляется инструмент, позволяющий оказать поддержку в принятии решений по коррекции техники тройного прыжка.
С помощью данного инструмента, учитывающего индивидуальные биомеханические особенности прыжкового стиля спортсмена, можно детально анализировать фазы прыжка, совершенствовать технику за счет достижения оптимальной комбинации кинематических параметров, которая обеспечивает достижение наивысшего результата.
Литература
1. Кривецкий И.Ю., Попов Г.И., Безруков Н.С. Моделирование успешности спортивных движений в прыжках в высоту с разбега // Информатика и системы управления. - 2011. - № 2 (28). - С. 126-132.
2. Кривецкий И.Ю., Попов Г.И., Безруков Н.С. Создание индивидуальной модели техники прыжка в высоту на основе каскадной нейронечеткой сети с целью оптимизации тренировочного процесса // Российский журнал биомеханики. - 2011. - Т. 15. - № 3 (53). - С. 71-78.
3. Кривецкий И.Ю., Попов Г.И. Методика оптимизации тренировочного процесса прыгунов в высоту с использованием интерактивной системы прогнозирования успешности прыжка // Вестник спортивной науки. - 2011. -№ 6. - С. 3-7.
4. Кривецкий И.Ю., Попов Г.И. Возможности применения технологии нейронечетких сетей в некоторых видах спорта // Информатика и системы управления. -2013. - № 4 (38). - С. 80-87.
5. Krivetskiy I.Yu, Popov G.I. Innovative modeling method in technical training of high jumpers / / Polish journal of sport and tourism. - 2012. - Vol. 19. - № 4. -Р. 253-255.
6. Kurz M.J., Stergiou N. An artificial neural network that utilizes hip joint actuations to control bifurcations and chaos in a passive dynamic bipedal walking model // Biological Cybernetics. - 2005. - Vol. 93. - № 3. - P. 213-221.
7. Maier K.D., Wank V., Bartonietz K, Blickhan R. Neural network based models of javelin flight: prediction of flight distances and optimal release parameters // Sports Engineering. - 2000. - Vol. 3. - № 1. - P. 57-63.
8. Maier K.D., Maier P, Wagner H, Blickhan R. Neural network modelling in sport biomechanics based on the example of shot-put flight // XVIII International Symposium on Biomechanics in Sports, June 25-30, Hong Kong. Proceedings. - 2000. - P. 26-29.
9. Perl J. A neural network approach to movement pattern analysis // Human Movement Science. - 2004. -Vol. 23. - P. 605-620.
10. The use of neural network technology to model swimming performance / AJ. Silva, A.M. Costa, P.M. Oliveira [et al.] // Journal of Sports Science and Medicine. - 2007. -Vol. 6. - P. 117-125.
References
1. Krivetsky I.Yu., Popov G.I., Bezrukov N.S. Modelling the success of motions in high jumps // Informatics and Control Systems. - 2011. - № 2 (28). - P. 126-132.
2. Krivetsky I.Yu., Popov G.I., Bezrukov N.S. Creating individual model of high jump technique based on cascaded fuzzy neural network in order to optimize the training process // Russian Journal of Biomechanics. - 2011. -Vol. 15. - № 3 (53). - P. 73-78.
3. Krivetsky I.Yu., Popov G.I. Optimization the training process of jumpers using an interactive prediction system of success jump // Vestnik sportivnoj nauki. - 2011. -№ 6. - P. 3-7.
4. Krivetsky I.Yu., Popov G.I. The possibility of using the technology of fuzzy neural networks in some sports // Informatics and Control Systems. - 2013. - № 4 (38). -P. 80-87.
5. Krivetskiy I.Yu., Popov G.I. Innovative modeling method in technical training of high jumpers // Polish journal of sport and tourism. - 2012. - Vol. 19. - № 4. - Р. 253255.
6. Kurz M.J., Stergiou N. An artificial neural network that utilizes hip joint actuations to control bifurcations and chaos in a passive dynamic bipedal walking model // Biological Cybernetics. - 2005. - Vol. 93. - № 3. - P. 213-221.
7. Maier K.D., Wank V., Bartonietz K, Blickhan R. Neural network based models of javelin flight: prediction of flight distances and optimal release parameters // Sports Engineering. - 2000. - Vol. 3. - № 1. - P. 57-63.
8. Maier K.D., Maier P., Wagner H., Blickhan R. Neural network modelling in sport biomechanics based on the example of shot-put flight // XVIII International Symposium on Biomechanics in Sports, June 25-30, Hong Kong. Proceedings. - 2000. - P. 26-29.
9. Perl J. A neural network approach to movement pattern analysis // Human Movement Science. - 2004. -Vol. 23. - P. 605-620.
10. The use of neural network technology to model swimming performance / AJ. Silva, A.M. Costa, P.M. Oliveira [et al.] // Journal of Sports Science and Medicine. - 2007. -Vol. 6. - P. 117-125.
ФНЦ ВНИИФК
