Тип работы:
Предмет:
Язык работы:


Анализ риска травм в пауэрлифтинге с применение Байесовских сетей доверия

Работа №91791

Тип работы

Магистерская диссертация

Предмет

информационные системы

Объем работы72
Год сдачи2016
Стоимость5500 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
14
Не подходит работа?

Узнай цену на написание


ГЛАВА 1. БАЙЕСОВСКИЕ СЕТИ 6
1.1. Теорема Байеса 6
1.2. Введение в байесовские сети 7
1.3. Выводы на основе байесовской сети 8
1.4 Условие независимости сетей Байеса 11
1.5. Особенности Байесовских сетей 15
1.6. Построение сетей Байеса 17
1.6.1. Методы инжиниринга знаний 18
1.6.2. Методы на основе данных 22
1.6.3. Гибридные методы, сочетающие знания и данные 25
1.6.4. Пробел знаний 27
ГЛАВА 2. ПОСТРОЕНИЕ МОДЕЛИ ДЛЯ АНАЛИЗА РИСКА ТРАВМ В ПАУЭРЛИФТИНГЕ С ПРИМЕНЕНИЕМ БАЙЕСОВСКИХ СЕТЕЙ
ДОВЕРИЯ 28
2.1. Объединение данных в блоки 29
2.2. Модель для анализа риска травм в пауэрлифтинге 38
ЗАКЛЮЧЕНИЕ 44
СПИСОК ЛИТЕРАТУРЫ 47
ПРИЛОЖЕНИЕ 56


Как люди узнают вещи, которые, возможно, связаны с интеллектом, например, как водить машину? Среди первых вещей, узнаём, что нажатие педали газа приводит автомобиль к движению, и вращая рулевое колесо поворачиваем колеса в соответствующем направлении, которое, в свою очередь, определяет направление движения. Это примеры того, что иногда называют причинно-следственными связями. В данной работе, наше внимание сосредоточено на изучении такого рода отношений из наблюдений, основанных на опросе, а также в дополнение составление их в последовательную сеть. Будем называть эти сети моделями причинно-следственных отношений.
Итак, сосредоточимся на специальном классе моделей под названием байесовские сети (БС). Такие сети являются графическими моделями - это значит, что они содержат часть, которая может быть изображена в виде графика. Причины такого выбора многочисленны. В первую очередь, нужен конкретный класс моделей, на которых, с целью демонстрации можно применить наши идеи и оценить предлагаемые алгоритмы. Во-вторых, хотелось бы использовать теорию вероятностей, как основу, которая является старым и надежным методом, который выдержал испытание временем и стал одним из краеугольных камней науки.
Пауэрлифтинг (англ. powerlifting; power — сила + lift — поднимать) — силовой вид спорта, суть которого заключается в преодолении веса максимально тяжелого отягощения. Атлеты соревнуются в категориях в зависимости от возраста, массы тела и пола. Во время соревнований по пауэрлифтингу каждый атлет пытается поднять свой максимум на одно повторение в таких упражнениях, как приседание со штангой, жим лежа и становая тяга [85].
По информации Международной федерации пауэрлифтинга (IPF) о мужских мировых рекордах известно, что нагрузка, поднимаемая в жиме лежа может превышать в три раза массу тела спортсмена, в то время как груз поднятый в приседании со штангой и становой тяге может быть больше чем в пять раз массы тела. Для того чтобы поднять такие нагрузки, пауэрлифтеры должны генерировать чрезвычайно большие внутренние силы и моменты силы опорно-двигательного аппарата, и, следовательно, могут быть подвержены целому ряду травм опорно-двигательного аппарата [4, 47].
В спорте существует поговорка, что "травма просто часть игры". Другими словами, травма рассматривается как неизбежное следствие участия в спорте. При исследовании профилактики спортивных травм приведем противоположную точку зрения. Будем полагать, что спортивные травмы можно предотвратить, и они не должны быть частью игры. В идеале, хотелось бы достичь позиции, в которой говорится, что "профилактика травматизма является всего лишь частью игры".
Наиболее известны следующие пять работ, в которых изучалась эпидемиология травмы пауэрлифтинга (Brown, E.W., and R.G. Kimball 1983, [4], Goertzen, V., K. Schoppe, G. Lange, and K.P. Schulz, 1989 [34], Haykowsky, M.J., D.E.R. Warburton, and H.A. Quinney, 1999 [29], Quinney, H.A., D.E.R. Warburton, A. Webster, R. Calvert, and M.J. Haykowsky,1997 [67], Raske, A., and R. Norlin, 2002 [70]). Эти исследования были сосредоточены на I этапе модели травмы ван Мехелена [79], так как они стремились охарактеризовать профиль травмы пауэрлифтинга путем определения скорости, места расположения, степени тяжести и / или тип вреда, причиненного пауэрлифтерам. Результаты этих исследований свидетельствуют о том, что пауэрлифтинг не приводит к чрезмерно большому количеству травм (не более 2 в год). Большинство травм, зачастую в нижней части спины и плеча, как правило, влияют на тренировки умеренно короткого периода времени (не более 3 недель) и включают несколько типов травм, например, мышечные деформации, тендинит и артрит.
Однако, очевидно, что в этой литературе по-прежнему существует ряд пробелов. Субъекты, используемые в этих исследованиях, как правило, были молодые взрослые мужчины категории опэн. А пауэрлифтинг это вид спорта, который актуален также для юниоров, юношей и ветеранов обоих полов, различной массы тела и спортивной квалификации. Дополнительные исследования необходимы для того, чтобы определить влияние, которое могут оказать на эпидемиологию травмы в пауэрлифтинге и внутренние факторы [79].
Таким образом, актуальность исследования обусловлена тем, что учет внутренних факторов в профилактике спортивных травм играет очень важную роль, поскольку травма делает невозможным продолжение спортивной карьеры.
Объект исследования-- травматизм в пауэрлифтинге.
Предмет исследования - математические модели и информационные технологии факторного анализа риска травм в пауэрлифтинге.
Цель исследования - исследование возможностей применения байесовских сетей (БС) для определения риска и причины получения определенных травм в пауэрлифтинге.
Выбор данной темы обусловлен тем, что профилактика спортивных травм играет очень важную роль, поскольку травма делает невозможным продолжение спортивной карьеры. В этом и заключается актуальность исследования.
Задачи исследования:
- раскрытие понятия байесовской сети доверия;
- определение факторов, влияющих на травматизм;
- построение байесовской сети доверия;
- обучение байесовской сети.
Практическая значимость:
Модель БС может использоваться тренерами в качестве метода для анализа риска травмы и принятия меры предосторожности для снижения травматизма.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


Байесовские сети стали чрезвычайно популярными моделями в последнее десятилетие. Они использовались для применения в различных областях, таких как машинное обучение, анализ текста, обработки естественного языка, распознавание речи, обработки сигналов, биоинформатики, ошибок управления кодами, медицинской диагностики, прогнозирования погоды и сотовых сетей. Узлы могут представлять не только случайные переменные, но и гипотезы, убеждения и скрытых переменных [55]. Такая структура является наглядно привлекательной и удобной для представления как причинной, так и вероятностной семантики. БС могут быть использованы, даже в случае отсутствия данных, чтобы узнать причинно-следственные связи, получить представление о различных проблемных областях и предсказать будущие события.
В настоящей работе рассмотрено применение БС в качестве инструмента для оценки риска травматизма в пауэрлифтинге. На данном этапе мы предлагаем базовую структуру модели, включающую 3 подсети, влияющие на общий риск травматизма. Анализ чувствительности характеризует степень влияния различных входных факторов, что согласуется с экспертными знаниями. Результаты моделирования являются удовлетворительными для тестового набора спортсменов. Количественные прогнозы показывают значительные возможности для снижения травматизма, но необходим сбор дополнительных данных для повышения точности модели.
В соответствии с литературой, настоящее исследование показало, что большинство травм было получено на таких частях тела, как плечо/рука и спины. Тем не менее, фактический уровень травматизма в пауэрлифтинге была сопоставим, или ниже, чем многие другие виды спорта, такие как гимнастика, хоккей, регби и футбол. Существуют лишь некоторые (как правило, умеренные) различия в эпидемиологии травмы пауэрлифтинга в зависимости от возраста атлета, массы тела, спортивной квалификации или пола, это позволяет предположить, что эти факторы не оказывают существенного влияние на риск травмы в пауэрлифтинге. В дальнейшие исследования травматизма в пауэрлифтинге следует влияние этих и / или других внутренних факторов (например, антропометрические профиль, мышцы баланс, гибкость и т.д.) на профиле травмы, а также оценить эффект, который различные вмешательства могут иметь на этот профиль травмы.
Предложена модель байесовской сети для оценки риска получения травмы. Модель может быть использована для оценки влияния многочисленных факторов на риск, а также для анализа факторов, приводящих к повышению уровня травматизма. Из-за большой изменчивости в имеющихся статистических данных, а также неубедительности и противоречивости доказательств в отношении некоторых факторов риска, количественные оценки уровня травматизма не могут быть полностью точными на данном этапе.
Решены следующие задачи:
• раскрыто понятие байесовской сети доверия;
• определены факторы, влияющие на риск получения травмы и их связь;
• разработана модель байесовской сети доверия, описывающая причинно-следственные связи между факторами, влияющими на травматизм.
Оценка риска травмы синхронизируется с имеющимися данными о травмах и отражает влияние различных факторов на него. Модель БС может использоваться тренерами в качестве метода для анализа риска травмы и принятия меры предосторожности для снижения травматизма.
Основные результаты магистерского исследования были представлены на III-й Региональной молодежной конференции «Мой выбор - наука!»
(XLIII научная конференция студентов, магистрантов, аспирантов и учащихся лицейных классов). Барнаул, 18.04-28.04.2016 г.


1. Antal, P., Fannes, G., Timmerman, D., Moreau, Y., De Moor, B., 2004. Using literature and data to learn Bayesian networks as clinical models of ovarian tumors. Artificial Intelligence in medicine 30, 257-281.
2. Bearfield, G., Marsh, W., 2005. Generalising event trees using bayesian networks with a case study of train derailment, in: Computer Safety, Reliability, and Security. Springer, pp. 52-66.
3. Brechue, W.F., and T. Abe, 2002. The role of FFM accumulation and skeletal muscle architecture in powerlifting performance. Eur. J. Appl. Physiol. 86:327-336.
4. Brown, E.W., and R.G. Kimball, 1983. Medical history associated with adolescent powerlifting. Pediatrics. 72:636-644.
5. Castelo, R., Kocka, T., 2003. On inclusion-driven learning of Bayesian networks. The Journal of Machine Learning Research 4, 527-574.
6. Cheng, J., Greiner, R., Kelly, J., Bell, D., Liu, W., 2002. Learning Bayesian networks from data: An information-theory based approach. Artificial Intelligence 137, 43-90.
7. Chickering, D.M., 1996. Learning equivalence classes of Bayesian network structures, in: Proceedings of the Twelfth International Conference on Uncertainty in Artificial Intelligence. pp. 150-157.
8. Chickering, D.M., 2003. Optimal structure identification with greedy search. The Journal of Machine Learning Research 3, 507-554.
9. Chickering, D.M., Meek, C., 2002. Finding optimal bayesian networks, in: Proceedings of the Eighteenth Conference on Uncertainty in Artificial Intelligence. pp. 94-102.
10. Constantinou, A.C., Fenton, N.E., Neil, M., 2012. pi-football: A Bayesian network model for forecasting Association Football match outcomes. Knowledge-Based Systems 36, 322-339..
11. Constantinou, A.C., Fenton, N.E., Neil, M., 2013. Profiting from an inefficient association football gambling market: Prediction, risk and uncertainty using Bayesian networks. Knowledge-Based Systems 50, 60-86.
12. Cooper, G.F., Herskovits, E., 1992. A Bayesian method for the induction of probabilistic networks from data. Machine learning 9, 309-347.
13. Cooper, G.F., 1997. A Simple Constraint-Based Algorithm for Efficiently Mining Observational Databases for Causal Relationships. Data Mining and Knowledge Discovery 1, 203-224.
14. Coupe, V.M., Peek, N., Ottenkamp, J., Habbema, J.D.F., 1999. Using sensitivity analysis for efficient quantification of a belief network. Artificial Intelligence in Medicine 17, 223-247.
15. Coupe, V.M., Van Der Gaag, L.C., Habbema, J.D.F., 2000. Sensitivity analysis: an aid for belief-network quantification. Knowledge Engineering Review 15, 215-232.
16. Cruz-Ramirez, N., Acosta-Mesa, H.-G., Barrientos-Martinez, R.-E., NavaFernandez, L.-A., 2006. How good are the Bayesian information criterion and the minimum description length principle for model selection? A Bayesian network analysis, in: MICAI 2006: Advances in Artificial Intelligence. Springer, pp. 494- 504.
17. Daly, R., Shen, Q., Aitken, S., 2011. Learning Bayesian networks: approaches and issues. Knowledge Engineering Review 26, 99-157.
18. Dash, D., Druzdzel, M.J., 2003. Robust independence testing for constraint¬based learning of causal structure, in: Proceedings of the Nineteenth Conference on Uncertainty in Artificial Intelligence. Morgan Kaufmann Publishers Inc., Acapulco, Mexico, pp. 167-174.
19. Diez, F.J., Druzdzel, M.J., 2006. Canonical probabilistic models for knowledge engineering. Technical Report CISIAD-06-01, UNED, Madrid, Spain.
20. Druzdel, M.J., Van Der Gaag, L.C., 2000. Building probabilistic networks:" Where do the numbers come from?” IEEE Transactions on knowledge and data engineering 12, 481-486.
...


Работу высылаем на протяжении 30 минут после оплаты.




©2025 Cервис помощи студентам в выполнении работ