CC BY
69
психической, нравственной, эстетической, коммуникативной, экологической культуры человека, его интеллектуальных, творческих и других способностях, о путях реализации этих возможностей и т.д.
2. Эти знания должны дополняться соответствующими способностями, которые позволяют воспитуемым, включаясь в спортивные и олимпийские акции, ставить и решать при этом задачи, адекватные ценностям олимпизма. Поэтому для включения школьников в олимпийское движение важно не ограничиваться разъяснением и пропагандой гуманистических ценностей олимпизма, а показывать значимость для них выбора той или иной профессии, связанной со спортом и олимпийским движением [1, 2].
Таким образом, олимпийского воспитания - создание педагогических условий для формирования у школьников (при их активном участии) олимпийской культуры как особой формы гуманистически ориентированной спортивной культуры личности.
ЛИТЕРАТУРА
1. Столяров, В.И. Содержание и структура физкультурно-спортивного воспитания детей и молодежи (теоретический анализ) : монография / В.И. Столяров, С.А. Фирсин, С.Ю. Баринов. -Саратов : ООО Издательский Центр «Наука», 2012. - 268 с.
2. Фирсин, С.А. Пути модернизации физического воспитания в общеобразовательных школах / С.А. Фирсин // Учёные записки университета имени П.Ф. Лесгафта. - 2014. - № 11 (117). - С. 159-162.
3. Фирсин, С.А. Физическая культура и спорт в системе ценностей школьников / С.А. Фирсин // Ученые записки университета имени П.Ф. Лесгафта. - 2015. - № 1 (119). - С. 184187.
REFERENCES
1. Stolyarov, V.I., Firsin S.A. and Barinov, S.Y. (2012), The content and structure of physical culture and sports education of children and youth (theoretical analysis): monograph, Publishing Center Ltd. "Science", Saratov.
2. Firsin S.A. (2014), "Path of modernization of physical education in comprehensive schools", Uchenye zapiski universiteta imeni P.F. Lesgafta, Vol. 117, No. 11, pp. 159-162.
3. Firsin, S.A. (2015), "Physical culture and sports in the school system of values", Uchenye zapiski universiteta imeni P.F. Lesgafta, Vol. 119, No. 1, pp 184-187.
Контактная информация: firsinsa@yandex.ru
Статья поступила в редакцию 06.05.2015.
УДК 796.012
АНАЛИЗ СОЧЕТАНИЙ ОШИБОК В ТЕХНИКЕ СПОРТИВНЫХ УПРАЖНЕНИЙ С ПОМОЩЬЮ АССОЦИАТИВНЫХ ПРАВИЛ ТЕХНОЛОГИИ DATA MINING
Александр Николаевич Фураев, кандидат педагогических наук, профессор, Анатолий Николаевич Тамбовский, доктор педагогических наук, профессор, Московская государственная академия физической культуры (МГАФК), Малаховка
Аннотация
В статье, на примере рывка штанги, рассматривается проблема поиска закономерностей в сочетаниях различных ошибок при выполнении спортивных упражнений. Приводится пример нахождения ассоциативных правил сочетания различных ошибок при выполнении рывка штанги с использованием интеллектуального анализа данных - Data Mining на базе надстройки к MS Excel.
Ключевые слова: биомеханические показатели, техника двигательных действий, ошибки в технике выполнения спортивных упражнений, сочетания ошибок, ассоциативные правила, интеллектуальный анализ данных, Data mining.
DOI: 10.5930/issn.1994-4683.2015.05.123.p196-201
ASSOCIATIVE RULES OF THE DATA MINING TECHNOLOGY ANALYSIS OF COMBINATIONS OF MISTAKES IN TECHNIQUE OF SPORTS EXERCISES
Alexander Nikolaevich Furaev, the candidate of pedagogical sciences, professor,
Anatoli Nikolaevich Tambovskij, the doctor of pedagogical sciences, professor, Moscow State Academy of Physical Culture, Malakhovka
Annotation
The article presents the problem of search of regularities in combinations of various mistakes when performing the sports exercises, on the example of snatch of a bar. The example of finding the associative rules of the combination of various mistakes when performing snatch of a bar with usage of the intellectual analysis of Data Mining on the basis of a superstructure to MS Excel is given.
Keywords: biomechanical indicators, technics of physical actions, mistakes in technique of performing the sports exercises, combinations of mistakes, associative rules, intellectual analysis of data, Data mining.
ВВЕДЕНИЕ
Вопрос контроля техники спортивных упражнений становится всё острее и актуальней. Совершенствование системы спортивной подготовки вывело современных спортсменов на границы человеческих возможностей. Борьба идет за каждую сотую, а иногда и тысячную долю секунды, за каждый сантиметр спортивного результата. В этих условиях всё острее встаёт задача эффективной реализации двигательного потенциала, что обеспечивается техникой выполнения спортивного двигательного действия.
В настоящее время сложилось определённое представление о том, как необходимо регистрировать биомеханические показатели, чтобы в дальнейшем, проанализировав их, можно было судить о характере и особенностях выполненного действия. Полученные значения параметров сравнивают с величинами, принятыми за нормы. И, хотя сами значения норм у разных специалистов могут не совпадать, на общую логику процесса анализа это принципиально не влияет.
Для формирования величин норм исследователи, как правило, применяют традиционные статистические процедуры, позволяющие обобщить исходные данные.
Необходимо подчеркнуть, что применяемые, в большинстве своём, статистические методы, описывающие исходные данные, или выявляющие между ними взаимосвязи, опираются на концепцию усреднения выборок и привязке к гипотезе определённого распределения данных. Такой подход приводит к операциям с вымышленными, несуществующими данными. К тому же, корректное использование статистических методов часто требует значительных по объему однородных выборок, что создает определённые трудности, когда необходимо провести анализ биомеханических показателей. Особенно это становится актуальным при анализе техники выполнения спортивных упражнений у отдельного, конкретного спортсмена. Но тренеру или спортсмену, в процессе тренировки, нужны не столько сами значения биомеханических показателей, сколько ответ на вопрос - выполнил ли спортсмен упражнение с ошибками и, если да, то с какими.
Вопрос об ошибках или, точнее, какие значения биомеханических параметров следует считать нормой, а какие отклонением от нормы - ошибками, требует специального рассмотрения. На данный момент для нас не принципиально, каким образом сформирована норма. Будем считать, что в соответствии с определёнными правилами мы можем выявить ошибки, допущенные спортсменом в процессе выполнения некоторого спортивного упражнения. Обнаруженные ошибки спортсмен вместе с тренером пытаются исправить, скорректировать.
Специалисты в области спортивной науки, тренеры и спортсмены уже давно обратили внимание, что ошибки в спортивных двигательных действиях часто наблюдаются
не по одной, а по несколько сразу. При этом некоторые сочетания из них имеют тенденцию к достаточно регулярному, частому проявлению, а другие сочетания фиксируются крайне редко.
Целью нашего исследования была оценка таких сочетаний ошибок. В качестве объекта исследования и анализа техники выполнения спортивного упражнения нами был выбран рывок штанги, выполняемый тяжелоатлетами различной квалификации от III-го разряда до МС. Вес поднимаемого снаряда составлял от 80% до 90% от их лучшего результата на момент обследования. Всего было зарегистрировано 111 подъемов штанги у 31 спортсмена. После каждого подъема проводился экспресс-анализ вертикальной составляющей опорной реакции рывка штанги с использованием автоматизированной системы «Атлет», разработанной в МГАФК [3, 4].
Характер тензодинамограммы рывка штанги и выделяемые на ней показатели, представлены на рисунке 1.
Рис.1. Показатели, выделяемые на тензодинамограмме рывка штанги (заштрихованы импульсы силы в тяге - Бт и в подрыве - Бп)
На основе обзора литературных источников и предыдущих наших исследований, для этих параметров были сформулированы нормы, т.е. те значения анализируемых показателей, которые не считались ошибками. Большинство показателей должно находиться в определённом диапазоне. Если зарегистрированное значение в каком-либо показателе оказывалось ниже требуемой нормы, то оно обозначалось с добавленным знаком минус «-» после обозначения соответствующего показателя. Например, Т2Ф- означает: длительность второй фазы рывка (Т2Ф) меньше требуемой величины. Если зарегистрированное значение в анализируемом показателе оказывалось выше нормы, то к обозначению добавлялся знак плюс «+». Например, ТБ1+ указывало, что время от начала подъема штанги до регистрации первого пика усилий на вертикальной составляющей опорной реакции больше рекомендованного значения. Автоматизированная система позволяла при выполнении рывка штанги выделять и анализировать на предмет наличия ошибок 12 информативных биомеханических показателя.
Специалисты в области тяжелой атлетики, уже давно отмечали определенные закономерности в совместном появлении некоторых ошибок. Например, если атлет слишком активно начинает воздействовать на опору в начале подъёма штанги, что характери-
МЕТОДЫ И ОРГАНИЗАЦИЯ ИССЛЕДОВАНИИ
РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ
зуется чрезмерным приложением усилий к снаряду и регистрацией слишком большого усилия сразу после отрыва снаряда от помоста - ошибка F1+, то с большой долей вероятности у спортсмена будет наблюдаться и резкое уменьшение прикладываемых вертикальных усилий на уровне колен в начале третьей фазы - ошибка F2-. Однако, специально, сочетания выявленных ошибок, практически не анализировались.
Предварительно проведённый нами анализ [5, 6] показал, что у каждого из спортсменов встречаются лишь некоторые из возможных ошибок и при этом, они могут регистрироваться не постоянно, а время от времени. Поэтому необходимо было выполнить несколько подъемов штанги каждым из атлетов. В результате бала сформирована матрица ошибок размерностью 18 (число всех возможных ошибок) на 111 (число подъемов штанги). Всего было зарегистрировано 476 ошибок.
Очевидно, работать с таким объемом информации простыми, традиционными методами, рассчитывая классические вероятности сочетаний событий с последующим их анализом, практически невозможно. После предварительной проработки было решено воспользоваться технологией интеллектуального анализа данных Data Mining. Данный подход позволяет обрабатывать огромные объемы данных с поиском скрытых, не являющихся очевидными, закономерностей. Базируются методы Data Mining на традиционных статистиках. Основным принципом обработки является поиск типичных повторений событий. Выявляя такие образы - паттерны, и находя в них закономерности и сочетания, удаётся извлечь из «сырых» данных принципиально новую информации, не очевидную явно [2].
Для решения поставленной задачи из разнообразия методов Data Mining мы воспользовались методом поиска ассоциативных правил, позволяющим обнаружить в перечне наступающих событий определенные закономерности в их сочетаниях [1, 2]. В качестве событий мы использовали зарегистрированные ошибки в процессе подъёма штанги. Каждый подъём штанги определялся как транзакция, т.е. характеристика, объединяющая в себе все выявленные в данном подъёме ошибки. Алгоритм компьютерной обработки позволял обрабатывать такие транзакции целиком.
Детальное обсуждение вероятности наблюдения самих ошибок проводилось нами в ранее опубликованных статьях [5, 6], поэтому сделаем акцент на нахождении сочетания ошибок и оценке вероятностей таких сочетаний. Отметим только, что чаще других регистрировались ошибки в экстремумах силы опорной реакции, прикладываемой спортсменом. Это показатели F2-; F3+; F1+, с частотами соответственно 60%, 57% и 50% от всех подъёмов штанги. Реже всего наблюдались ошибки в превышении длительности четвёртой фазы рывка штанги (ТФ4+ в 1%), и в значениях меньше нормы: в максимуме первого пика силы (F1- в 2%) и средней скорости нарастания силы перед отрывом снаряда от помоста (J1- в 3%).
Обсуждая результаты, полученные с помощью методов Data Mining, необходимо сделать несколько уточнений. Сочетания, выявленные в процессе анализа, принято называть правилами (ассоциативными правилами). Те объекты, в нашем случае ошибки, которые зарегистрированы в одном подъёме штанги (транзакции), - это предметный набор. Каждое ассоциативное правило состоит из двух наборов объектов условия и следствия. Записывается правило в виде X^Y и формулируется как «из X следует Y» (если условие (X) выполняется, то наступает следствие (Y)). Например, если присутствует ошибка F1+, то наблюдается и ошибка F2- (F1+ ^ F2-).
Очевидно, что не всегда эти ошибки регистрируются вместе, поэтому вводят количественные показатели описания ассоциативных правил между предметными наборами (в нашем случае ошибками) - поддержка и достоверность. Применительно к рассматриваемому примеру, поддержка ассоциативного правила - это число подъёмов штанги, в которых регистрировались одновременно обе ошибки, относительно общего числа подъёмов. Достоверность - указывает на то, какую часть составляют подъёмы штанги с сов-
местным наблюдением ошибок от всех зарегистрированных ошибок, определяющих условие ассоциативного правила. Так, в нашем случае, ошибка F1+ ,была зарегистрирована в 55 случаях из 111, а совместно с ошибкой F2- таких подъёмов зафиксировано 39. Отсюда, поддержка правила «если F1+ то F2-» будет составлять 35,14% (39/111), а достоверность - 70,91% (39/55). Проинтерпретировать полученные значения можно следующим образом. У чуть больше трети всех подъёмов штанги было одновременно зафиксировано совместное проявление этих двух ошибок (35,14%), и в то же время, если фиксировалась ошибка F1+ то практически в 70% случаев (70,91%) она сопровождалась и ошибкой F2-.
Чтобы использовать сочетания ошибок в тренировочном процессе коррекции техники спортивного упражнения, необходимо, что бы эти сочетания были бы типичными, то есть, повторялись бы с достаточной частотой, поэтому они должны обладать достаточно высокими значениями поддержки и достоверности. Алгоритмы выделения ассоциативных правил позволяют отыскивать сочетания, включающие в себя как в условие, так и следствие, по нескольким объектам - ошибок. Необходимо так же учитывать, что алгоритмы механически выделяют все, в том числе и плохо объясняемые, сочетания, которые могут быть вызваны какими-либо опосредованными факторами.
В ниже представленной таблице 1, в качестве примера, приведены некоторые ассоциативные правила сочетаний ошибок, условий и следствий, а так же их поддержка и достоверность.
Таблица1
Выявленные сочетания ошибок при выполнении рывка штанги_
Условие Следствие Поддержка Достоверность
F1+ F3+ 39,6 80,0
F2- F3+ 36,9 62,1
F1+ F2- 35,1 70,9
ST*- F3+ 29,7 80,5
F1+ F2-; F3+ 27,9 56,4
F1+; F2- F3+ 27,9 79,5
TF1+ F2- 24,3 81,8
F1+ ТФ3+ 19,8 40,0
F1+; ТФ2- F3+ 15,3 89,5
ТФ2- F3+; ТФ3+ 14,4 41,0
TF1+ F2-; F3+ 14,4 48,5
J1+ ТФ2- 13,5 71,4
J1+ F1+ 13,5 71,4
F1+; ТФ2- F3+; ТФ3+ 12,6 73,7
Такую статистическую информацию можно интерпретировать следующим образом. Например, если зарегистрирована у атлета ошибка в излишне активном приложении силы в начале выполнения рывка штанги (Р1+) - условие, то с большой долей вероятности, как следствие, у него будет наблюдаться и чрезмерное усилие в подрыве штанги (Б3+) (в 80% случаев, если зарегистрирована ошибка Б1+). Или, если спортсмен излишне быстро, по времени, выполняет вторую фазу рывка, подъём до уровня коленей (ошибка ТФ2-), то почти с 90% вероятностью (89,5%), он допустит ошибки и в подрыве (ошибки Б3+ и ТФ3+). Если спортсмен не только прикладывает избыточные усилия в начале рывка штанги (Р1+), но и слишком быстро, по времени, выполняет подъём штанги до уровня колен (Т2Ф-), то с вероятностью более 70% (73,7%) у него будут наблюдаться ошибки при выполнении подрыва (Р3+; ТФ3+).
ВЫВОДЫ
1. Очевидно, что детальный анализ сочетаний ошибок в техники выполнения того или иного спортивного упражнения может дать только специалист, хорошо знающий и понимающий структуру рассматриваемого упражнения.
2. Предлагаемый инструмент анализа техники выполнения спортивных упражнений позволяет строить причинно-следственные отношения между параметрами двигательного действия, основанными не на традиционных оценках взаимосвязи, такие как коэффициент корреляции, а на вероятностях наступлениях сочетаний событий.
ЛИТЕРАТУРА
1. Маклейннен, Дж. Microsoft SQL Server 2008: Data Mining - интеллектуальный анализ данных : пер. с англ. / Дж. Макленнен, Чж. Танг, Б. Криват. - СПб. : БХВ-Петербург, 2009. - 720 с.
2. Паклин, Н.Б. Бизнес-аналитика: от данных к знаниям : учебное пособие / Н.Б. Паклин, В.И. Орешков. - СПб. : Питер, 2013. - 704 с.
3. Фураев, А.Н. Автоматизированные информационно-советующие системы в оперативной коррекции двигательных действий спортсменов / А.Н. Фураев // Теория и практика физической культуры. - 2007. - № 2. - С. 26-29.
4. Фураев, А.Н. Построение автоматизированных информационных систем для оперативной коррекции биомеханических параметров спортивных упражнений / А. Н. Фураев // Теория и практика физической культуры. - 2012. - № 6. - С. 19-22.
5. Фураев, А.Н. Автоматизированное определение ошибок при выполнении рывка штанги и оценка вероятностей их сочетаний / А.Н. Фураев // Социально-экономические явления и процессы. - 2013. - № 12 (058). - С. 252-256.
6. Фураев, А. Н. Ошибки в технике выполнения рывка штанги и их сочетания / А. Н. Фураев // Биомеханика спортивных двигательных действий и современные инструментальные методы их контроля : материалы Всероссийской научно-практической конференции ; Московская гос. акад. физ. культуры. - Малаховка, 2013. - С. 160-167.
REFERENCES
1. Makleynnen, J., Та^ Chzh. and Krivat, B. (2009;, Microsoft SQL Server 2008: Data Mining - the intellectual analysis of data: Translated from English, BHV-St. Petersburg, St. Petersburg.
2. Paklin. N.B. and Oreshkov, V.I. (2013), Business-analytics: from data to knowledge, Peter, St. Petersburg.
3. Furaev, A.N. (2007), "Automated information advising systems in operative correction of motor actions of athletes", Theory and practice ofphysical culture, No. 2, pp. 26-29.
4. Furaev, A.N. (2012), "Automated information system integration for expeditious correction of biomechanical parameters of sports exercises", Theory and practice physical culture, No. 6, pp. 19-22.
5. Furaev, A.N. (2013), "The automated definition of mistakes when performing snatch of a bar and an assessment of probabilities of their combinations", Social and economic phenomena and processes, No. 12 (058), pp. 252-256.
6. Furaev, A.N. (2013), "Mistakes in technics of performing snatch of a bar and their combination", Biomechanics of sports physical actions and modern tool methods of their control. Proceedings of the All-Russian scientific and practical conference, Malakhovka, pp. 160-167.
Контактная информация: sidtat@bk.ru
Статья поступила в редакцию 06.05.2015.
УДК 796.332
МОДЕЛЬНЫЕ ХАРАКТЕРИСТИКИ БЕГОВОЙ НАГРУЗКИ ФУТБОЛИСТОВ В ПОДГОТОВИТЕЛЬНОМ ПЕРИОДЕ
Виктор Анатольевич Харланов, соискатель, Санкт-Петербургский государственный университет аэрокосмического
приборостроения
Аннотация
В статье исследовано изменение состояния нервно-мышечного аппарата футболистов в зависимости от выполненной беговой нагрузки подготовительном периоде. Получены индивидуальные номограммы состояния нервно-мышечного аппарата футболистов, что позволяет тренеру кор-
