Edward Mężyk - Marek Piasecki
Transkrypt
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