Edward Mężyk - Marek Piasecki

Politechnika Wrocławska
Wydział Elektroniki
INTELIGENTNE METODY OBLICZENIOWE W OPTYMALIZACJI
OBCIĄŻEŃ TRENINGOWYCH
esej z przedmiotu „Informatyka Systemów Autonomicznych”
Rok akad. 2006/2007, kierunek: INF, specjalność: INS, profil: ISB
Autor:
Edward Mężyk 133303
Prowadzący:
Dr inż. Marek Piasecki
Wrocław 2007
1
Obciążenie treningowe
Sportowy rozwój zawodnika posiada wieloczynnikowe uwarunkowania. Zależy on od
długotrwałych zmian adaptacyjnych organizmu zawodnika w procesie treningu sportowego.
Jednym z podstawowych czynników, mających addytywny charakter, są obciążenia
treningowe (ich rodzaj, struktura, wielkość, sposób wprowadzania w kolejnych etapach
i cyklach treningowych).
Jest wiele definicji obciążenia treningowego (K. Fidelus 1974,
Z. Naglak 1979, J.
Dovalil 1982, P. Rothing 1983, G.Łasiński 1988 oraz wiele innych), jednak we wszystkich
definicjach można znaleźć wspólne elementy, a na ich podstawie można zdefiniować
obciążenia treningowe jako rodzaj i wielkość pracy wykonanej przez zawodnika w danym
ćwiczeniu, jednostce treningu czy też cyklu szkoleniowym. Głównymi składowymi
obciążenia są: objętość, intensywność wysiłku, długość przerw odpoczynkowych oraz ilość
powtórzeń danego ćwiczenia.
Niezależnie od dotychczasowych osiągnięć problematyka obciążeń treningowych jest
wciąż najsłabiej poznanym obszarem teorii i praktyki treningu sportowego. Jak dotąd
niewiele wiemy o rozkładzie i regulacji obciążeń na kolejnych etapach treningu. Nie ma
również zadowalającej formuły ich pomiaru, rejestracji i analizy. Najważniejsze jest to, że
nie wypracowano do tej pory algorytmu wyznaczania obciążeń treningowych. Co więcej,
w literaturze przedmiotu można spotkać stwierdzenia, że optymalizacja treningu jest
niemożliwa.
2
Optymalizacja obciążeń treningowych
Można spotkać wiele przykładów prób modelowania obciążeń treningowych, których
celem nadrzędnym jest poszukiwanie odpowiednich proporcji pomiędzy poszczególnymi
składowymi obciążenia treningowego. Optymalizacja proporcji ma na celu osiągnięcie
największych przyrostów wyniku sportowego. Co gorsze wielkość przyrostu jest
podyktowana nie tylko doborem odpowiednich obciążeń treningowych, ale również jest
uzależniona od wielu grup zmiennych, zarówno statycznych jak i dynamicznych. Dlatego też
rozwiązanie problemu optymalizacji obciążeń treningowych sprowadza się do znalezienia
takiego narzędzia, które będzie opisywało dynamikę zmian wyniku sportowego w zależności
od wszystkich analizowanych cech (zmiennych stanu opisujących aktualny stan danej osoby),
2
zastosowanych sterowań (zmiennych decyzyjnych – obciążeń treningowych) oraz czasu
trwania procesu treningowego.
Naturalnie pierwszym narzędziem, które z definicji służy do opisywania tak
sformułowanych problemów, są układy równań różniczkowych. Jednak narzędzie to wymaga
wyznaczania współczynników niezbędnych do wyliczenia optymalnego sterowania. Taka
operacja wiąże się z przeprowadzeniem dobrze zaplanowanych badań grupy pewnych cech
zawodnika. Dynamika ciągłych zmian nieodwracalnych tj. adaptacja organizmu, procesy
starzeniowe oraz zmian tymczasowych tj. choroby, kontuzje, dyspozycja psychiczna, ciągłe
oddziaływanie świata zewnętrznego na zawodnika powoduje iż badania, przeprowadzane w
celu pozyskania niezbędnych danych, muszą być przeprowadzane okresowo w jak
najkrótszych odstępach czasowych oraz dla jak największej ilości cech. W znakomitej
większości przypadków jest to bardzo trudne zadanie do zrealizowania, jeśli nie niemożliwe.
Układy równań różniczkowych są więc narzędziem, które nie posiada zdolności do ciągłej
nauki i dostosowywania się do zmian zachodzących w zawodniku.
Potrzebne jest więc narzędzie, które na bieżąco uczyłoby się zmian zachodzących w
organizmie zawodnika na podstawie prostych do przeprowadzenia pomiarów oraz potrafiło
połączyć w całość znacznie więcej zmiennych niż tylko obciążenia treningowe. Znaczący
wpływ na stan naszego organizmu mają również takie czynniki jak: choroby, ilość snu, dieta,
predyspozycje fizyczne, predyspozycje psychiczne, technika, czas treningów (umiejscowienie
treningów w dniu), inne obciążenia wykonywane w ciągu dnia oraz wiele innych czynników.
Oczywistym jest, że na dzień dzisiejszy nie jesteśmy w stanie uwzględnić wszystkich
czynników wpływających na poprawę lub pogorszenie wyniku sportowego, gdyż nie
wszystkie czynniki są znane, a część nie jest jeszcze opisana. Jednak możemy analizować
znacznie więcej zmiennych niż pozwalają nam na to klasyczne metody analizy danych. Takim
rozwiązaniem są narzędzia sztucznej inteligencji oraz połączenie ich z algorytmami
ewolucyjnymi, koewolucyjnymi oraz innymi algorytmami meta-heurystycznymi.
3
Sztuczna inteligencja w optymalizacji obciążeń treningowych
Dzisiejsza nauka umożliwia stworzenie systemu, który nie tylko analizuje treningi
wykonane przez zawodnika w przeszłości, ale aktywnie podpowiada trenerowi jaki rodzaj
obciążenia zastosować w danym momencie dla danego zawodnika. Należy zaznaczyć, iż
system taki może jedynie udzielać wskazówek człowiekowi, gdyż intuicja trenerska oraz
3
ludzkie możliwości syntetyzowania wiedzy wciąż są niedoścignione przez technikę.
Podpowiedzi takiego programu realizowane byłyby na zasadzie wymiany opinii trenera
z propozycjami systemu. Taka wymiana zdań mogłaby dotyczyć zarówno pojedynczego
zadania, treningu, mikrocyklu, makrocyklu jak i całego planu treningowego na dany okres
czasu.
Należy podkreślić iż mówimy tu o systemie reaktywnym, który zachowywałby się jak
pewnego rodzaju agent, nasz prywatny trener, który nabywa wiedzę o każdym zawodniku
z osobna. Wiedza systemu opierała by się na kilku źródłach danych: dane dostarczane przez
zawodnika, dane dostarczane przez trenera, dane uzyskane z badań medycznych, testów
wydolnościowych, dane antropometryczne oraz dane uzyskane z obsługiwanych urządzeń
pomiarowych (np. monitor tętna szeroko stosowany w sportach wydolnościowych).
Ogólny schemat takiego systemu został przedstawiony na rysunku [Rys. 1].
Rys. 1. Schemat systemu wspomagającego trenera
W systemie tym można wyróżnić trzy części: generującą podpowiedzi, uczącofiltrującą oraz bazę danych.
4
Część generująca podpowiedzi składa się z zespołów (każdy zespół odpowiedzialny za
inny kontekst) trzech algorytmów meta-heurystycznych, których jedynym zadaniem jest
wygenerowanie jak najlepszej podpowiedzi. Jak wiadomo, aby algorytmy meta-heurystyczne
mogły działać poprawnie, potrzebny jest sposób oceny jakości rozwiązania. W naszym
przypadku funkcję oceniającą pełnią sieci neuronowe. Algorytmy te pracują nad
wygenerowaniem jak najlepszej podpowiedzi przez z góry określony przez użytkownika czas
(może to być czas potrzebny człowiekowi do wprowadzenia swojej propozycji lub czas ściśle
określony, np.: 5 min) lub do momentu uzyskania odpowiednio wysokiej oceny ze strony
sieci neuronowej (oczywistym kryterium jest uzyskanie jak największego przyrostu wyniku
sportowego). Zastosowano aż trzy algorytmy generujące podpowiedź gdyż, w dyscyplinie
tak szczegółowej jak sport, każda podpowiedź może być cenna dla trenera. Takie podejście
daje możliwość wychwycenia ważnych szczegółów z trzech różnych podpowiedzi, a nawet
przeprowadzenia syntezy podpowiedzi i wygenerowanie nowego planu przez człowieka,
uwzględniającego szczegóły wszystkich trzech wskazówek.
Główną częścią systemu, decydującą o jakości uzyskanych wskazówek, jest zbiór
szybko uczących się sieci neuronowych. Są one odpowiedzialne nie tylko za nadzorowanie
algorytmów meta-heurystycznych, ale również poddają ocenie dane wprowadzane przez
trenera. Na zbiór sieci neuronowych składa się dokładnie siedem zespołów sieci
neuronowych, gdzie każdy zespół ma inne przeznaczenie, a każda sieć w zespole obejmuje
różny zakres kontekstu, zależny od konkretnej struktury treningowej [Rys.2,3,4].
Rys 2. Struktura treningowa kariery zawodniczej
5
Rys 3. Struktura mezocyklu treningowego
Rys 4. Struktura dnia treningowego
I tak zespoły sieci mają odpowiednio za zadanie analizowanie:
1. zadania w kontekście aktualnych parametrów opisujących zawodnika oraz jego
umiejscowienia w jednostce treningowej;
2. jednostki treningowej w kontekście aktualnych parametrów opisujących zawodnika
oraz jej umiejscowienia w dniu treningowym;
3. dnia treningowego w kontekście aktualnych parametrów opisujących zawodnika oraz
jego umiejscowienia w mikrocyklu;
4. mikrocyklu w kontekście aktualnych parametrów opisujących zawodnika oraz jego
umiejscowienia w mezocyklu;
5. mezocyklu w kontekście aktualnych parametrów opisujących zawodnika oraz jego
umiejscowienia w makrocyklu;
6
6. makrocyklu w kontekście aktualnych parametrów opisujących zawodnika oraz jego
umiejscowienia w karierze zawodnika;
7. kariery zawodnika w kontekście parametrów opisujących zawodnika.
Należy przy tym zaznaczyć, iż parametry opisujące zawodnika na każdym z wyróżnionych
poziomów analizy, różnią się od siebie dynamiką zmian. Zatem kontekst zadania będzie się
znacznie różnił od kontekstu makrocyklu.
Przykładowe konteksty:
• zadanie:
o aktualne tętno zawodnika;
o średnie tętno przez ostatnich 5 minut;
o tętno maksymalne osiągnięte w ostatnich 5 minutach;
o aktualny poziom kwasu mlekowego we krwi;
o aktualny poziom glukozy we krwi;
o czas do końca jednostki treningowej;
o charakter dwóch ostatnich zadań;
o objętość treningu zrealizowana w trakcie aktualnej jednostki treningowej;
o masa zawodnika;
o aktualny pułap tlenowy VO2max;
o aktualny próg przemian tlenowych;
o charakter zawodnika (sprinter/średnio dystansowiec/dystansowiec);
o technika zawodnika (zdyskretyzowana do skali ocen np.:1-6);
o specjalizacja zawodnika;
o płeć oraz wiek;
• makrocykl:
o średnie tętno na treningach;
o średnie tętno przed snem;
o maksymalne tętno;
o średnia waga;
o średni pułap tlenowy VO2max podczas makrocyklu;
o średni próg przemian tlenowych podczas makrocyklu;
o średni czas snu w trakcie cyklu;
o skład masy ciała;
o typ budowy ciała;
o predyspozycje psychiczne;
7
o charakter zawodnika (sprinter/średnio dystansowiec/dystansowiec);
o technika zawodnika (dyskretyzowana, np. skala 1-6);
o specjalizacja zawodnika;
o poprzedni makrocykl;
o objętość zrealizowanych treningów;
o okres jaki zawodnik trenuje;
o płeć oraz wiek.
Na wyjściu każdej z sieci pojawiałaby się ocena w postaci pewnego współczynnika
dopasowania danej części treningu do konkretnego zawodnika. Każda z sieci neuronowych
posiada tyle zestawów wag, ilu jest zawodników w bazie danych, oraz jeden zestaw wag
ogólnych. Zestawy wag przypisane do zawodników odpowiedzialne są tylko i wyłącznie za
zapamiętywanie stanu sieci neuronowych uczących się danego zawodnika, natomiast zestaw
wag ogólnych zapamiętywany jest dla sieci generalizujących całą grupę zawodników.
Zawodnicy mogą zostać podzieleni na grupy w różnych skalach. Zaczynając od generalizacji
w skali grup wewnątrzklubowych (podział na sprinterów i długodystansowców), trenerskiej
(podział na zawodników danego trenera) poprzez geograficzną (podział wg położenia
geograficznego, miast, regionów, itp.), na skali globalnej danej dyscypliny skończywszy
(podział na pływaków, triathlonistów, kolarzy, itp.).
Trzecią częścią systemu są dwie niezależne bazy danych. W jednej zapisywane są
wszystkie dane dotyczące treningu i zawodnika, a w drugiej wyniki osiągane przez zawodnika
wraz z warunkami w jakich zostały uzyskane. Wszystkie dane muszą być dokładnie
umiejscowione w czasie. Na podstawie tak posegregowanych danych sieci neuronowe uczą
się oraz pobierają kontekst potrzebny do oceny danej propozycji.
4
Podsumowanie
Przedstawiono tutaj zarys projektu systemu wspomagającego trenera w szeroko
pojmowanym podejmowaniu decyzji, jednak nie jest to system ekspertowy w czystej postaci,
a raczej jest to agentowy system ekspertowy. System ten nie tylko udziela podpowiedzi
w momencie kiedy prosimy go o to, ale również w momencie gdy wprowadzone zostaną do
niego dane związane z aktualnym stanem zawodnika.
Wyobraźmy sobie następującą sytuację. Grupa zawodników realizuje pewne
zaplanowane zadanie. W trakcie zadania mierzony jest poziom kwasu mlekowego we krwi
8
oraz monitorowane jest tętno zawodnika. System odbiera dane na bieżąco. W takiej sytuacji
opisywany tutaj system jest w stanie zauważyć i poinformować trenera o tym, że zawodnik X
się „obija” i wychodzi z propozycją następnego zadania dla niego, biorąc pod uwagę jego
psychikę, czas który pozostał do końca treningu oraz założenia narzucone przez plan
jednostki treningowej. Natomiast zawodnik Y pracuje na zdecydowanie wyższych obrotach
niż powinien, więc system daje wskazówki jak zmodyfikować aktualne zadanie, aby
zawodnik był je w stanie wykonać tak jak należy i spełnić założenia treningu.
Analogiczna sytuacja mogłaby zajść na poziomie zdecydowanie innej struktury
treningowej, jaką jest mezocykl. Zawodnik Z zachorował i jego trener wprowadził ten fakt do
systemu. System odpowiada wskazówkami, jak zmodyfikować aktualny mezocykl oraz
następny, aby zrealizować założenia makrocyklu.
Autonomia systemu może wzrastać w zależności od ilości monitorowanych
parametrów, czyli pośrednio od platformy na jakiej będzie działał. Na dzień dzisiejszy nie ma
na rynku aparatów do pomiaru laktamu lub poziomu glukozy we krwi wyposażonych w
nadajniki przesyłające dane do komputera, jednak nie ma przeszkód technologicznych, które
uniemożliwiały by zbudowanie takich aparatów. Na rynku są dostępne natomiast aparaty
monitorujące częstotliwość bicia serca i są wyposażone w nadajniki podczerwieni więc
wystarczy wyposażyć platformę,
na jakiej działa system, w odpowiednie urządzenie
odbiorcze aby jego autonomia wzrosła. Oczywiście wszystkie parametry, które jesteśmy w
stanie pomierzyć, może wprowadzać człowiek i tak to się odbywa w dzisiejszych grupach
sportowych, jednak parametry te są wprowadzane w znakomitej większości do
oprogramowania jedynie zapamiętującego a nie analizującego, lub wręcz są one zapisywane
w dziennikach.
Zbudowanie takiego systemu niewątpliwie przyczyniłoby się nie tylko do znaczącego
wsparcia trenerów, do
odciążenia ich w prowadzeniu i segregowaniu zapisków
treningowych, ale także, przy odpowiedniej globalizacji, generalizacji oraz analizie zebranych
w ten sposób danych, ułatwiałoby wyciąganie wniosków i mogłoby przyczynić się do
rozwoju oraz zrozumienia danej dyscypliny.
Literatura
[1]
Praca zbiorowa pod redakcja Igora Ryguły, “Elementy teorii, metodyki, diagnostyki i
optymalizacji treningu sportowego”, Wydanie 3, Wyd. AWF Katowice, Katowice, 2005.
9
[2]
Igor Ryguła, „Artificial Neural Networks As a Tool of Modeling of Training Loads”,
Proceedings of the 2005 IEEE Engineering In Medicine and Biology 27th Annual Conference,
Shanghai, 2005.
10