[论文解读] 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 7

一句话总结

本研究开发了一种多分辨率弹性网络模型，利用GPS获取的训练分布轮廓和生理指标，将耐力跑步表现与训练及生理因素关联起来。研究识别出5.3–5.7 m·s⁻¹为表现提升的关键速度区间，提出了一项预测方程，通过整合功能性和标量协变量，无需施加严格的生理假设，其表现优于传统的脉冲响应模型。

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.

研究动机与目标

• 开发一种基于数据的模型，将跑步表现与训练及生理因素关联，摆脱基于直觉的教练方法。
• 解决传统脉冲响应模型的局限性，后者依赖于聚合的、任意的训练单位，且缺乏泛化能力。
• 将训练分布轮廓引入为功能协变量，以从GPS数据中捕捉训练强度分布的详细信息。
• 利用一种新颖的正则化技术，识别对表现最具影响力的特定速度区间和生理因素。
• 构建一项预测方程，以在多个分辨率下最小化均方预测误差。

提出的方法

• 提出一种乘法效应模型，通过引入生理状态和训练分布轮廓，扩展了表现时间与距离之间的幂律关系。
• 将训练分布轮廓作为源自GPS数据的功能协变量，总结训练过程中各速度频率的分布。
• 应用多分辨率弹性网络，结合功能协变量的领域划分与弹性网络正则化，以识别具有影响力的速区和标量协变量。
• 通过逐步提高速度域的分辨率划分，检测训练强度对表现影响最大的区间。
• 通过在所有分辨率下最小化测试集的均方预测误差，优化预测模型。
• 采用混合方法，同时从训练轮廓中选择相关的标量协变量（如VO₂max、跑步经济性）和功能区间（速度范围）。

实验结果

研究问题

• RQ1 跑步者训练中哪些速度区间对提升比赛表现最具影响力？
• RQ2 VO₂max和跑步经济性等生理因素如何与训练强度分布相互作用，进而影响表现？
• RQ3 基于GPS获取的训练轮廓的功能数据分析方法，是否能超越传统脉冲响应模型，提升表现预测能力？
• RQ4 多分辨率弹性网络方法在识别相关训练与生理预测因子方面，相较于标准正则化方法有多大的优势？
• RQ5 能否开发一种可泛化的非参数模型，避免对潜在生理模型的假设？

主要发现

• 5.3至5.7 m·s⁻¹的速度区间被确定为表现提升最关键的区间，提示该区间是耐力跑者的关键训练区域。
• 在血乳酸累积起始点（OBLA）速度较高且跑步经济性更优（ml·kg⁻¹·km⁻¹）的跑者，表现更佳，且与训练量无关。
• 多分辨率弹性网络方法成功识别出标量协变量（如生理状态）和特定功能区间（速度范围）作为关键预测因子。
• 所得到的预测方程在所有分辨率下均最小化了均方预测误差，表现出优于传统模型的预测性能。
• 训练分布轮廓有效捕捉了训练强度的模式，并使高级功能数据分析方法可用于表现建模。
• 该模型具有超越个体跑者和训练会话的泛化能力，避免了以往脉冲响应模型依赖任意训练单位聚合所带来的局限性。