Носимый биосенсинг и машинное обучение для поддержки тренировок и тренерской работы на основе данных

Wearable Biosensing and Machine Learning for Data-Driven Training and Coaching Support
Alexandra Martín-Rodríguez, Rubén Madrigal-Cerezo, Natalia Domínguez Sanz
2026-02-04

адаптивные тренировочные системывалидация по спортсменаммашинное обучениеконтроль качества сигналовносимые биосенсорные системы
Предпосылки: Искусственный интеллект (ИИ) и машинное обучение (МО) всё шире интегрируются в спорт и физические упражнения посредством носимых биосенсорных систем, обеспечивающих непрерывный мониторинг и адаптацию тренировок на основе данных. Однако практическая ценность этих технологий для тренерской работы зависит от достоверности данных биосенсоров, устойчивости аналитических моделей и условий, в которых такие системы проходили эмпирическую оценку. Методы: Был проведён структурированный нарративный обзор с использованием Scopus, PubMed, Web of Science и Google Scholar (2010–2026), в рамках которого обобщены эмпирические и прикладные данные о носимом биосенсинге, обработке сигналов и адаптивных тренировочных системах на основе машинного обучения. Для повышения прозрачности была составлена карта доказательств по ключевым эмпирическим исследованиям с обобщением модальностей сенсинга, размеров выборок, экспериментальных условий (лабораторных и полевых), типов моделей, протоколов оценки и основных результатов. Результаты: Данные полевых и лабораторных исследований показывают, что носимые биосенсоры способны надёжно регистрировать физиологические (например, вариабельность сердечного ритма), биомеханические (например, инерциальные и электромиографические сигналы) и биохимические (например, лактат и электролиты пота) маркеры, имеющие значение для оценки тренировочной нагрузки, утомления и восстановления, при условии применения процедур контроля качества сигналов и калибровки. Модели машинного обучения, обученные на этих данных, могут поддерживать адаптацию тренировок и оценку восстановления; в контекстах выносливостных, силовых и командных видов спорта они демонстрируют более высокую эффективность по сравнению с традиционными метриками нагрузки при использовании валидации по спортсменам или продольных схем валидации. Тем не менее карта доказательств также выявляет повторяющиеся ограничения, включая чувствительность к артефактам движения, межсессионную вариабельность, сдвиг распределения между лабораторными и полевыми условиями, а также чрезмерно уверенные прогнозы при отсутствии контекстуальных или психосоциальных входных данных. Выводы: Современные эмпирические данные поддерживают использование биосенсорных систем на основе искусственного интеллекта в качестве инструментов поддержки принятия решений для мониторинга и адаптации...
1
Существующие данные поддерживают использование систем ИИ на основе биосенсоров прежде всего как инструментов поддержки решений для мониторинга и адаптивного коучинга, а не как полностью автономной замены тренерского суждения.
2
Доказательную базу ограничивают артефакты движения, межсессионная вариабельность, сдвиг распределения между лабораторными и полевыми условиями, а также чрезмерно уверенные прогнозы при отсутствии контекстных и психосоциальных данных.
3
Модели машинного обучения на основе данных биосенсоров поддерживают адаптацию тренировок и оценку восстановления, превосходя традиционные показатели нагрузки в выносливости, силовых и командных видах спорта при валидации по спортсменам или во времени.
4
В обзоре создана карта доказательств, суммирующая сенсорные модальности, размеры выборок, экспериментальные условия, типы моделей, протоколы оценки и результаты эмпирических исследований.
5
Носимые биосенсоры могут надёжно регистрировать физиологические, биомеханические и биохимические показатели, связанные с тренировочной нагрузкой, утомлением и восстановлением, при контроле качества сигналов и калибровке.

носимые биосенсорные системы, применяемые в спорте и физической нагрузке

валидность, устойчивость и практическая эффективность мониторинга, адаптации тренировок и оценки восстановления на основе биосенсоров и машинного обучения в лабораторных и полевых условиях

Publication Details
Publication Date
2026-02-04
Journal
Publisher
ISSN
Cited by
26
Access Type
Author Information
Authors
Alexandra Martín-Rodríguez
Rubén Madrigal-Cerezo
Natalia Domínguez Sanz
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%