[论文解读] Towards Machine Learning on Data from Professional Cyclists

Agrin Hilmkil, Oscar Ivarsson+3 more|arXiv (Cornell University)|Jan 1, 2018

Sports Performance and Training被引用 1

一句话总结

本研究通过使用传感器收集的数据，训练长短期记忆（LSTM）模型来预测精英自行车运动员在训练中的心率反应，探索了机器学习在职业自行车运动中的应用。其主要贡献在于证明了在真实运动数据上使用深度学习进行表现建模的可行性。

ABSTRACT

Professional sports are developing towards increasingly scientific training methods with increasing amounts of data being collected from laboratory tests, training sessions and competitions. In cycling, it is standard to equip bicycles with small computers recording data from sensors such as power-meters, in addition to heart-rate, speed, altitude etc. Recently, machine learning techniques have provided huge success in a wide variety of areas where large amounts of data (“big data”) is available. In this paper, we perform a pilot experiment on machine learning to model physical response in elite cyclists. As a first experiment, we show that it is possible to train a LSTM machine learning algorithm to predict the heart-rate response of a cyclist during a training session. This work is a promising first step towards developing more elaborate models based on big data and machine learning to capture performance aspects of athletes.

研究动机与目标

• 探讨机器学习在建模精英自行车运动员生理反应方面的潜力。
• 评估LSTM网络是否能够有效基于训练数据预测心率。
• 建立一个面向职业自行车运动表现分析的大数据与机器学习的试点框架。
• 探索使用真实世界传感器数据（功率、速度、心率、海拔）进行运动表现建模的应用。

提出的方法

• 本研究采用长短期记忆（LSTM）循环神经网络来建模训练数据中的时间依赖性。
• 输入特征包括训练过程中记录的功率输出、速度、心率和海拔。
• 该模型基于历史传感器数据序列，用于预测未来的心率值。
• 数据预处理包括对传感器读数进行归一化，并将训练会话分割为时间序列序列。
• 模型训练采用序列到序列学习方法，将输入序列映射到相应的心率输出。
• 该方法利用生理反应中的时间模式，以提高预测准确性。

实验结果

研究问题

• RQ1 LSTM模型能否准确预测精英自行车运动员在训练中的心率反应？
• RQ2 机器学习模型在使用真实世界传感器数据时，对个体自行车运动员的泛化能力如何？
• RQ3 在职业自行车运动中应用深度学习技术于运动表现数据的可行性如何？
• RQ4 在传感器数据中，时间模式在多大程度上可用于建模生理反应？

主要发现

• LSTM模型成功学习到从训练数据中预测心率反应的能力。
• 该模型展示了捕捉生理信号中复杂时间动态的能力。
• 结果证实了在真实运动数据上使用深度学习进行表现建模的可行性。
• 本研究为体育科学中更先进的机器学习应用铺平了令人鼓舞的初步道路。