[論文レビュー] Linking the performance of endurance runners to training and physiological effects via multi-resolution elastic net

Ioannis Kosmidis, Louis Passfield|arXiv (Cornell University)|Jun 3, 2015

Sports Performance and Training参考文献 1被引用数 7

ひとこと要約

本研究では、GPSで得られるトレーニング分布プロファイルと生理的指標を用いて、持久走のパフォーマンスとトレーニング・生理的要因を結びつけるためのマルチリゾリューション・エラスティックネットモデルを開発した。5.3–5.7 m·s⁻¹がパフォーマンス向上に寄与する重要な速度帯であると特定され、制約のない生理的仮定を伴わない機能的およびスカラー共変量を組み込むことで、従来のインパulse-Responseモデルを凌駕する予測式が得られた。

ABSTRACT

A multiplicative effects model is introduced for the identification of the factors that are influential to the performance of highly-trained endurance runners. The model extends the established power-law relationship between performance times and distances by taking into account the effect of the physiological status of the runners, and training effects extracted from GPS records collected over the course of a year. In order to incorporate information on the runners' training into the model, the concept of the training distribution profile is introduced and its ability to capture the characteristics of the training session is discussed. The covariates that are relevant to runner performance as response are identified using a procedure termed multi-resolution elastic net. Multi-resolution elastic net allows the simultaneous identification of scalar covariates and of intervals on the domain of one or more functional covariates that are most influential for the response. The results identify a contiguous group of speed intervals between 5.3 to 5.7 m$\cdot$s$^{-1}$ as influential for the improvement of running performance and extend established relationships between physiological status and runner performance. Another outcome of multi-resolution elastic net is a predictive equation for performance based on the minimization of the mean squared prediction error on a test data set across resolutions.

研究の動機と目的

• 直感に基づくコーチングを越えて、データ駆動型のモデルを構築し、走行パフォーマンスとトレーニング・生理的要因を結びつけること。
• 集約された任意のトレーニング単位に依存し、一般化性に欠ける従来のインパルス・リスポンス・モデルの限界を是正すること。
• GPSデータから得られるトレーニング分布プロファイルを関数的共変量として導入し、トレーニング強度の詳細な分布を捉えること。
• 新規の正則化技術を用いて、パフォーマンスに最も影響を与える特定の速度帯および生理的要因を同定すること。
• 複数のリゾリューションにわたる平均二乗誤差を最小化するように最適化された、レースパフォーマンスのための予測式を生成すること。

提案手法

• パフォーマンス時間と距離の間のパワー則的関係を拡張する乗法的効果モデルを提案し、生理的状態とトレーニング分布プロファイルを組み込む。
• GPSデータから得られるトレーニング分布プロファイルを、トレーニングセッション中の速度の頻度を要約する関数的共変量として導入する。
• ドメインの分割を関数的共変量に適用し、エラスティックネット正則化を組み合わせたマルチリゾリューション・エラスティックネットを適用し、影響力のある速度帯とスカラー共変量を同定する。
• 速度領域を段階的に細分化することで、トレーニング強度がパフォーマンスに最も影響を与える区間を検出する。
• テストセットにおける全リゾリューションにわたる平均二乗予測誤差を最小化することで、予測モデルを最適化する。
• スカラー共変量（例：VO₂max、走行経済性）と関数的区間（速度範囲）を同時に選択するハイブリッド手法を採用する。

実験結果

リサーチクエスチョン

• RQ1 ランナーのトレーニングにおいて、どの速度帯がレースパフォーマンスの向上に最も影響を与えるか？
• RQ2 VO₂max や走行経済性といった生理的要因は、トレーニング強度分布とどのように相互作用し、パフォーマンスに影響を与えるか？
• RQ3 GPSで得られるトレーニングプロファイルを用いた関数的データ解析アプローチは、従来のインパルス・リスポンス・モデルを凌駕するパフォーマンス予測を可能にするか？
• RQ4 マルチリゾリューション・エラスティックネット法は、標準的な正則化手法に比べて、関連するトレーニングおよび生理的予測子を同定する上でどれほど優れているか？
• RQ5 根本的な生理的モデルに関する仮定を避ける非パラメトリックで一般化可能なモデルを構築できるか？

主な発見

• パフォーマンス向上に最も影響を与える速度帯は5.3～5.7 m·s⁻¹であり、エンドÜRランスランナーにとっての重要なトレーニングゾーンであると特定された。
• 血液ラクティック酸の発現開始速度（OBLA）の上昇と、より優れた走行経済性（ml·kg⁻¹·km⁻¹）を示すランナーは、トレーニング量にかかわらず優れたパフォーマンスを発揮した。
• マルチリゾリューション・エラスティックネット法により、スカラー共変量（例：生理的状態）と特定の関数的区間（速度範囲）が両方とも主要な予測要因として同定された。
• 得られた予測式は、全リゾリューションにわたって平均二乗予測誤差を最小化し、従来のモデルに比べて優れた予測性能を示した。
• トレーニング分布プロファイルは、トレーニング強度のパターンを効果的に捉え、高度な関数的データ解析手法によるパフォーマンスモデリングを可能にした。
• 本モデルは個々のランナーやトレーニングセッションに限定されず一般化可能であり、任意のトレーニング単位の集約に依存する従来のインパルス・リスポンス・モデルの限界を回避した。