Non-invasive lactate threshold estimation using deep learning: practical applications across endurance sports
यह अध्ययन प्रदर्शित करता है कि एक डीप लर्निंग मॉडल दौड़ने, साइकिल चलाने, रोइंग और कयाकिंग में 2 mmol·L⁻¹ लैक्टेट थ्रेशोल्ड पर हृदय गति का सटीक अनुमान लगा सकता है, जो विशिष्ट खेलों के भीतर पारंपरिक तरीकों से बेहतर प्रदर्शन करता है लेकिन विभिन्न विषयों में कम सामान्यीकरण सटीकता के कारण खेल-विशिष्ट सत्यापन की आवश्यकता रखता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
द दशकों से, कोच और खेल वैज्ञानिक सहनशक्ति वाले एथलीटों के लिए प्रशिक्षण डिजाइन करने हेतु एक एकल, महत्वपूर्ण संख्या पर भरोसा करते आए हैं: वह बिंदु जिस पर शरीर का ईंधन कुशल दहन से थकान संचय की अवस्था में बदल जाता है। यह क्षण, जिसे लैक्टेट थ्रेशोल्ड (लैक्टिक एसिड दहलीज) के रूप में जाना जाता है, उस तीव्रता को चिह्नित करता है जहाँ रक्त में लैक्टिक एसिड मांसपेशियों द्वारा इसे साफ करने की दर से अधिक तेजी से जमा होने लगता है। इस सटीक बिंदु को खोजने के लिए, एथलीट पारंपरिक रूप से एक कठिन प्रयोगशाला परीक्षण से गुजरते हैं। वे बढ़ती गति से दौड़ते या साइकिल चलाते हैं जबकि एक तकनीशियन रक्त के स्तर को मापने के लिए प्रत्येक चरण के बाद उंगली में बार-बार चुभाकर रक्त निकालता है। हालांकि यह विधि सटीकता के मामले में 'गोल्ड स्टैंडर्ड' है, लेकिन यह आक्रामक, महंगी है और इसके लिए विशेष उपकरणों और कर्मचारियों की आवश्यकता होती है। कई मनोरंजक धावकों, युवा एथलीटों या नैदानिक सेटिंग्स में रोगियों के लिए, यह बाधा इसका अर्थ है कि वे प्रभावी ढंग से प्रशिक्षण लेने के लिए आवश्यक डेटा तक पहुँच ही नहीं पाते हैं। प्रश्न लंबे समय से यह रहा है कि क्या केवल एक मानक परीक्षण के दौरान एकत्र किए गए हृदय गति और गति के डेटा का उपयोग करके इस दहलीज की भविष्यवाणी करना संभव है, बिना रक्त की एक भी बूंद निकाले।
शोधकर्ताओं की एक टीम ने एक परिष्कृत कंप्यूटर मॉडल बनाकर इसका उत्तर देने का प्रयास किया, जो एक एथलीट के प्रदर्शन और उनकी शारीरिक सीमाओं के बीच छिपे पैटर्न को सीखने में सक्षम है। वर्षों से उपयोग किए जाने वाले सरल सूत्रों पर निर्भर रहने के बजाय, उन्होंने एक डीप लर्निंग सिस्टम का उपयोग किया, जो आर्टिफिशियल इंटेलिजेंस का एक प्रकार है और जटिल डेटा अनुक्रमों का विश्लेषण करके उन संबंधों को खोज सकता है जिन्हें मनुष्य अनदेखा कर सकते हैं। टीम ने मॉडल को 823 अलग-अलग व्यायाम परीक्षणों का डेटा दिया, जिसमें दोनों लिंगों के 800 से अधिक एथलीट शामिल थे। इन परीक्षणों में चार अलग-अलग सहनशक्ति विषयों को शामिल किया गया था: दौड़ना, साइकिल चलाना, नौकायन (रोइंग) और कयाकिंग। प्रत्येक परीक्षण के लिए, मॉडल को प्रत्येक चरण में एथलीट की हृदय गति और गति या पावर आउटपुट के साथ-साथ उनकी आयु और लिंग दिखाया गया, और उससे यह अनुमान लगाने को कहा गया कि उनकी रक्त लैक्टेट का स्तर दो मिलीमोल प्रति लीटर के एक विशिष्ट, निश्चित स्तर तक कब पहुँचेगा। शोधकर्ताओं ने मॉडल के अनुमानों की वास्तविक रक्त परीक्षण परिणामों के विरुद्ध तुलना की ताकि यह देखा जा सके कि वह कितना सटीक था।
परिणामों ने दिखाया कि जिन खेलों का अध्ययन मॉडल ने किया था, उनके भीतर यह मॉडल उल्लेखनीय सटीकता के साथ दहलीज का अनुमान लगा सकता था। औसतन, मॉडल का अनुमान केवल लगभग 5.5 बीट्स प्रति मिनट का अंतर रखता था। इसे समझने के लिए, यह स्तर उस प्राकृतिक भिन्नता के तुल्य है जो तब देखी जाती है जब वही एथलीट प्रयोगशाला की स्थितियों में लगातार दो बार बिल्कुल समान रक्त परीक्षण करता है। कंप्यूटर मॉडल ने मौजूदा सर्वोत्तम गैर-आक्रामक तरीकों को काफी पीछे छोड़ दिया, जो डेटा बिंदुओं के माध्यम से खींची गई गणितीय वक्रों (मैथमैटिकल कर्व्स) पर आधारित थे। वे पुराने तरीके अक्सर लगभग नौ बीट्स प्रति मिनट की त्रुटि रखते थे, एक ऐसा अंतर जो आसानी से एक एथलीट को गलत प्रशिक्षण क्षेत्र में धकेल सकता है। नया मॉडल धावकों, नौकावीरों और साइकिल चालकों के लिए विशेष रूप से प्रभावी साबित हुआ, जहाँ इसने प्रतिभागियों के एक बड़े हिस्से के लिए सफलतापूर्वक दहलीज की पहचान की, जो अक्सर सामान्य प्रशिक्षण मार्गदर्शन के लिए उपयोगी सीमा के भीतर था।
हालाँकि, अध्ययन ने एक स्पष्ट सीमा भी उजागर की: मॉडल स्वचालित रूप से हर खेल के लिए काम नहीं करता है। जब शोधकर्ताओं ने सिस्टम का परीक्षण उन एथलीटों पर किया जो उसके प्रशिक्षण के दौरान देखे गए खेल से संबंधित नहीं थे, तो सटीकता में भारी गिरावट आई। यह कयाकिंग में सबसे अधिक स्पष्ट हुआ, जो एक ऐसा खेल है जो ऊपरी शरीर की ताकत पर बहुत अधिक निर्भर करता है, जहाँ त्रुटि दर पैर प्रधान खेलों की तुलना में दोगुनी से अधिक हो गई। शोधकर्ताओं ने जांच की कि क्या यह विफलता केवल इसलिए थी क्योंकि उनके डेटा में कयाकिंग के परीक्षण कम थे या इसलिए कि पैडलिंग की शारीरिक क्रिया दौड़ने या साइकिल चलाने से मौलिक रूप से भिन्न है। उनके विश्लेषण ने सुझाव दिया कि दोनों कारक संभवतः भूमिका निभाते हैं, हालांकि वे वर्तमान डेटा के साथ उन्हें निश्चित रूप से अलग नहीं कर सके। मॉडल सबसे छोटे समूह के साथ सबसे अधिक संघर्ष करता दिखा, जो इंग कि इसे प्रत्येक विषय के अद्वितीय पैटर्न को सीखने के लिए विशिष्ट उदाहरणों की एक बड़ी मात्रा की आवश्यकता है।
लेखक निष्कर्ष निकालते हैं कि यह तकनीक स्क्रीनिंग और निगरानी के लिए एक शक्तिशाली उपकरण है, लेकिन यह अभी तक पारंपरिक रक्त परीक्षण का पूर्ण विकल्प नहीं है। धावकों, साइकिल चालकों या नौकावीरों के साथ काम करने वाले कोचों के लिए, मॉडल बिना बार-बार उंगली चुभाए समय के साथ एक एथलीट की प्रगति को ट्रैक करने का एक तरीका प्रदान करता है, जिससे बार-बार परीक्षण करना व्यावहारिक और किफायती हो जाता है। यह पहचानने में मदद कर सकता है कि कोई एथलीट अधिक फिट हो रहा है या उसके प्रशिक्षण की तीव्रता में समायोजन की आवश्यकता है। फिर भी, किसी व्यक्ति के लिए प्रशिक्षण क्षेत्र की सटीक सीमा निर्धारित करने के लिए, विशेष रूप से कम सामान्य खेलों या उच्च-दांव वाले निर्णयों के लिए, प्रत्यक्ष रक्त नमूनाकरण ही आवश्यक मानक बना हुआ है। मॉडल एक सेतु के रूप में सबसे अच्छा कार्य करता है, जो अधिक बार अवलोकन करने की अनुमति देता है और आक्रामक परीक्षण के बोझ को कम करता है, जबकि यह स्वीकार करता है कि अंतिम, सबसे सटीक माप के लिए अभी भी रक्त की एक बूंद की आवश्यकता होती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।