Design of An Evaluation System for the Intervention Effect of Lower Limb Explosive Power Replenishment for Volleyball Players Based on A Random Forest Model
Deze studie ontwerpt en valideert een datagestuurd evaluatiesysteem gebaseerd op een geoptimaliseerd Random Forest-model dat effectief de interventie-effecten van flywheel-training en voedingssupplementen op de explosieve kracht van de onderste ledematen bij volleybalspelers beoordeelt, waarbij een hoge voorspellingsnauwkeurigheid wordt bereikt en gepersonaliseerde supplementatiestrategieën mogelijk worden gemaakt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
In de veeleisende wereld van het professionele volleybal komt het verschil tussen een kampioenschap en een gemiste kans vaak neer op een fractie van een seconde en een paar centimeter verticale sprongkracht. Deze explosieve kracht, gegenereerd door de benen, is de motor achter elke smash, blok en duik. Decennialang hebben coaches en wetenschappers geprobeerd deze capaciteit te vergroten via training en voeding, maar het proces was vaak een spel van onderbouwde gissingen. Traditionele methoden vertrouwen meestal op geïsoleerde tests, waarbij naar één enkele sprong of één specifieke trainingsmethode wordt gekeken in een vacuüm. Deze aanpak heeft moeite om rekening te houden met het complexe web van factoren die het lichaam van een atleet beïnvloeden, zoals hoeveel ze wegen, hun leeftijd, het specifieke type training dat ze doen en de specifieke parameters van de interventie. Omdat menselijke lichamen verschillend reageren op deze input, schiet een eenheidsstrategie vaak tekort in het vatten van het volledige plaatje, waardoor atleten en coaches zonder een duidelijk pad achterblijven over hoe ze veilig en effectief kunnen verbeteren.
Om dit puzzelstuk op te lossen, heeft een team van onderzoekers van de Beijing Sport University en de National University of Singapore een nieuw soort evaluatiesysteem gebouwd. Ze behandelden het probleem niet alleen als een sportwetenschappelijke vraag, maar als een data-uitdaging. Ze maakten gebruik van een computermethode die bekend staat als een 'random forest', wat in essentie een digitale besluitvormingstool is die veel verschillende "meningen" uit data bouwt om het meest betrouwbare antwoord te vinden. Door dit systeem te voeden met een enorme hoeveelheid informatie verzameld bij topsporters, creëerden ze een gesloten proces dat data verzamelt, analyseert en onmiddellijk gepersonaliseerde feedback biedt. Het doel was om verder te gaan dan eenvoudige gemiddelden en precies te begrijpen hoe verschillende trainingsmethoden en interventieparameters interageren met de unieke biologie van een individuele atleet om resultaten te produceren.
De onderzoekers testten dit systeem op vierentwintig volleybalspelers van nationaal niveau, een groep elite-atleten tussen de achttien en tweeëntwintig jaar oud. Ze verdeelden deze atleten in drie groepen om te zien hoe verschillende trainingsstijlen hun explosieve kracht gedurende een periode van acht weken zouden beïnvloeden. Eén groep trainde met behulp van een unilaterale flywheel-methode, waarbij ze met één been tegelijk trappen om kracht en balans op te bouwen. Een andere groep gebruikte een bilaterale flywheel-methode, waarbij ze met beide benen tegelijk trappen. De derde groep diende als controlegroep en vervolgde hun reguliere volleybaltraining zonder speciale training voor explosieve kracht. Voordat de training begon en opnieuw na de acht weken, mat het team alles wat ze konden bedenken. Ze gebruikten echografie om de dikte van de dijspieren te meten, krachtplaten om te registreren hoe hard de atleten de grond afzetten en motion capture-camera's om de snelheid van de beenbewegingen te volgen. Ze legden ook specifieke prestatiemetingen vast, zoals hoe hoog de atleten konden springen om de bal te smashen of een tegenstander te blokkeren.
De verzamelde data was rommelig en complex, bevattende ontbrekende getallen en incidentele fouten, wat gebruikelijk is bij het werken met echte menselijke proefpersonen. Voordat de computer uit deze informatie kon leren, moesten de onderzoekers de data opschonen. Ze gebruikten een systematisch proces om onmogelijke uitschieters te verwijderen, de ontbrekende gaten in te vullen door naar vergelijkbare atleten te kijken, en alle verschillende metingen te standaardiseren zodat ze eerlijk vergeleken konden worden. Zodra de data gereed was, gebruikten ze het random forest-algoritme om de belangrijkste factoren te vinden. In plaats van te gokken welke variabelen het meest belangrijk waren, analyseerde de computer de volledige dataset om te identificeren welke specifieke metingen — zoals spierdikte of spronghoogte — de sterkste voorspellers van succes waren. Vervolgens verfijnden ze de instellingen van de computer om ervoor te zorgen dat deze de meest nauwkeurige voorspellingen mogelijk kon maken.
De resultaten waren opmerkelijk. Het systeem bewees dat zowel de single-leg als de double-leg flywheel-training de explosieve kracht van de atleten aanzienlijk verbeterde in vergelijking met de controlegroep. De atleten in de trainingsgroepen zagen hun beenspieren dikker worden en hun sprongvermogen dramatisch toenemen. Specifiek vertoonde de groep die met één been tegelijk trainde een lichte voorsprong, waarbij hun verticale spronghoogte met drieëntwintig centimeter en hun blokspronghoogte met eenentwintig centimeter toenam. De groep die met beide benen trainde verbeterde ook, maar met iets kleinere marges. De controlegroep, die geen gespecialiseerde krachttraining kreeg, zag bijna geen verandering in hun prestaties. Het computermodel was in staat om deze uitkomsten met opmerkelijke precisie te voorspellen, waarbij het in negentien procent van de gevallen correct classificeerde of een atleet een significante, matige of geen verbetering zou laten zien. Het voorspelde ook de exacte numerieke waarde van hun toekomstige prestaties met een foutmarge van minder dan drie procent.
Naast het bevestigen dat de training werkte, toonde het systeem zijn vermogen aan om de complexiteit van real-world data aan te kunnen. De hardware die werd gebruikt om de informatie te verzamelen, inclusioneel echografieapparatuur en bewegingscamera's, bleek zeer betrouwbaar en gaf telkens consistente resultaten. De software verwerkte de data in seconden, een taak die een menselijke analist meer dan vijftien minuten zou hebben gekost en een hoger risico op fouten met zich mee zou brengen. Wanneer coaches en onderzoekers het systeem testten, beoordeelden ze het hoog op nauwkeurigheid en gebruiksgemak. De studie laat zien dat door geavanceerd computerleren te combineren met rigoureuze fysieke testen, het mogelijk is om weg te bewegen van gokwerk en toe te bewegen naar een toekomst waarin elke atleet een trainingsplan ontvangt dat specifiek op hun lichaam is afgestemd. Deze aanpak vertelt coaches niet alleen wat er is gebeurd; het helpt hen ook te begrijpen waarom het gebeurde en hoe ze het kunnen herhalen, wat een duidelijk pad biedt voor het optimaliseren van prestaties en het verminderen van het risico op blessures in de snelle wereld van het professionele volleybal.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.