Машинное обучение для прогнозирования восстановления

Ученые из Новой Зеландии использовали данные спортсменов, чтобы понять закономерности восстановления.

Одна из истин, которую каждый атлет на выносливость должен однажды осознать, заключается в том, что завтрашний день так же важен для результата, как и сегодняшний. Возможно, атлет сможет ускорить темп или добавить несколько километров к тренировке. Вопрос в том, стоит ли это делать, зависит от того, поставит ли это под угрозу завтрашнюю тренировку. Реальные результаты достигаются путем накопления недель и месяцев работы, но нахождение грани, на которой должен балансировать атлет — это искусство, по крайней мере, на данный момент.

Очередная попытка превратить спортивное восстановление в науку была предпринята учеными из Оклендского университета в Новой Зеландии. Команда под руководством Джеффри Ротшильда отслеживала 43 спортсмена на выносливость в течение 12 недель, "скармливая" массивы данных в несколько моделей машинного обучения в попытке выяснить, какие факторы предсказывают восстановление после тренировки. Результаты, опубликованные в European Journal of Applied Physiology, предлагают ряд удивительных идей о том, что важно а что нет.

Основой для такого исследования являются спортсмены, которые увлечены идеей сбора собственных данных. Группа варьировалась от любителей до профессионалов и в основном состояла из триатлетов, а также бегунов, велогонщиков и нескольких гребцов. Атлеты должны были регистрировать все свои тренировки с помощью сервиса TrainingPeaks, использовать гаджеты для оценки сна и вариабельности сердечного ритма (ВСР), каждое утро отвечать на четыре вопроса о своем самочувствии и отслеживать все, что они ели. Последнее является весомым препятствием для большинства людей, поэтому исследование было сосредоточено на людях, которые регулярно отслеживали свою диету пищи с помощью специального приложения, например, MyFitnessPal.

Predicting Workout Recovery

Целью сбора всех этих данных было предсказать, как участники каждое утро будут отвечать на простой вопрос: насколько восстановленными они себя чувствуют, от «очень плохо восстановился» до «очень хорошо восстановился». Исследователи загрузили более трех десятков переменных в алгоритмы машинного обучения: от самых простых, таких как продолжительность тренировки и количество потребляемых калорий, до более сложных, таких как монотонность тренировок, которая представляет собой среднюю тренировочную нагрузку за последнюю неделю, деленную на стандартное отклонение ежедневных тренировочных нагрузок за эту неделю.

Анализ показал наиболее важные переменные для прогнозирования субъективного показателя восстановления (PRS) утром:

Самые большое влияние оказывали мышечная болезненность и индекс сна, который рассчитывался путем умножения продолжительности сна на субъективное качество сна (например, если вы спите семь часов и оцениваете качество сна на 8 из 10, ваш индекс сна равен 7 х 8 = 56). Это интуитивно понятно: то, как вы спали, и то, как вы чувствуете себя, вставая с постели, доминируют в восприятии того, насколько вы готовы к новой тренировке. Помимо этих двух переменных, другие, например, частота сердечных сокращений в состоянии покоя и количество белка, съеденного за последнюю неделю, вносят скромный вклад.

Исследователи также протестировали более простую модель, используя только болезненность мышц, качество сна, субъективную оценку жизненного стресса и восстановления за предыдущие два дня. Эта более простая модель показала себя почти так же хорошо, как модель с более чем тремя десятками входных данных, что говорит о том, что вам не нужно сходить с ума, отслеживая все возможные показатели.

Однако здесь есть большая оговорка. Когда ученые протестировали свою модель на данных каждого отдельного спортсмена, она не показала таких же хороших результатов в прогнозировании восстановления после тренировки. Лучше всего сработал индивидуальный анализ данных каждого спортсмена, чтобы выяснить, наиболее важные переменные для атлета. Например, восстановление у одного спортсмена можно было предсказать очень хорошо, используя только данные о качестве сна накануне и во время прошедшей недели. Для другого атлета лучшие сработала оценка болезненности мышц, потребление белка и оценка восстановления накануне. Действительно, для прогнозирования восстановления не нужно много переменных, но эти переменные, похоже, различны для всех.

Что предсказывает вариабельность сердечного ритма

Еще одной ключевой целью исследования было определить, какие переменные тренировок и образа жизни предсказывают изменения в ВСР, что иногда преподносится, как простой и универсальный способ оценки качества восстановления и готовности к тренировкам.

В этом случае картина была немного иной. Вот ключевые переменные, ранжированные по важности для изменений ВСР:

Есть одна большая переменная, которая доминирует в прогнозировании того, насколько изменится вариабельность в определенный день: то, насколько менялась вариабельность накануне. Если он увеличился вчера, то, скорее всего, уменьшится сегодня; если он уменьшился вчера, то, скорее всего, увеличится сегодня. Вторая и третья переменные относятся к частоте сердечных сокращений в состоянии покоя, которая также отражает работу симпатической нервной системы. Остальные переменные — казалось бы, весьма важные, такие как то, сколько вы тренировались накануне — оказывают гораздо меньшее влияние на ВСР.

Другая часть анализа включала попытку предсказать восстановление и ВСР, используя только "действенные" переменные — то есть то, что тренер или спортсмен мог бы предположительно скорректировать в течение дня: тренировку, еду и сон. Например, можно скорректировать, как долго и тяжело вы тренируетесь, сколько вы едите и как долго вы спите. Но вы не можете скорректировать, насколько хорошо вы спите или каков ваш пульс в состоянии покоя.

Ограничения прогнозирования ВСР

К сожалению, попытки предсказать изменения вариабельности сердечного ритма, используя лишь переменные, на которые можно повлиять, были бесполезны. С практической точки зрения использование этих моделей должно быть ограничено сообщением ожидаемых значений для спортсмена в определенный день, а не предложением способов изменения интересующих переменных. Другими словами, не ясно, зачем измерять ВСР сегодня, если его главная ценность — сообщать нам, какой будет ВСР завтра. Часть проблемы, отмечают авторы, заключается в том, что исследование проигнорировало некоторые переменные, которые, как известно, влияют на ВСР, такие как употребление алкоголя, болезни и менструальный цикл. Возможно, исследование с этими данными даст лучшие прогнозы.

На данный момент, самый большой вывод из новых данных заключается в том, что факторы, которые предсказывают восстановление после тренировки, у всех разные. Конечно, есть некоторые общие закономерности, которые применимы ко всем, но некоторые люди могут быть полностью уничтожены скоростной работой, другие — плохим ночным сном, третьи — слишком скудным ужином. Если вы сможете понять, что эти факторы значат для вас — либо запустив алгоритм машинного обучения на большом массиве собственных кропотливо собранных данных, либо с помощью старомодной интуиции — вы получите самую желанную награду для спортсмена на выносливость: возможность тренироваться немного тяжелее в течение длительного времени, не выгорая при этом.