XVIII Международная студенческая научная конференция Студенческий научный форум - 2026

Введение

Современный этап развития общества характеризуется растущим интересом к здоровому образу жизни и физической культуре. Однако традиционные подходы к физической подготовке зачастую носят обобщенный характер и не учитывают индивидуальные особенности каждого человека: генетическую предрасположенность, текущий уровень физического состояния, психофизиологические параметры и цели [4]. Это снижает эффективность тренировок и может привести к перетренированности, травмам и потере мотивации.

В этом контексте направление «Интеллектуальные системы в гуманитарной сфере» находит свое практическое применение, выходя за рамки чисто технических дисциплин. Интеллектуальные системы (ИС), основанные на методах искусственного интеллекта (ИИ), машинного обучения (ML) и анализа данных, предлагают инструменты для создания персонализированных и адаптивных моделей физической подготовки [1, 5]. Актуальность данного исследования обусловлена необходимостью разработки научно обоснованных и технологически продвинутых методов оптимизации физического развития человека.

Цель исследования: проанализировать возможности и перспективы применения интеллектуальных систем для создания персонализированных программ физической подготовки.

Задачи:

1. Выявить ключевые компоненты интеллектуальной системы для фитнеса [1, 2].

2. Проанализировать методы сбора и обработки данных о состоянии пользователя [3].

3. Рассмотреть алгоритмы адаптации тренировочных планов [1, 4].

4. Оценить влияние персонализации на мотивацию и результаты [4].

Ключевые компоненты интеллектуальной системы персонализации

Интеллектуальная система для персонализации физической подготовки представляет собой комплекс программно-аппаратных решений. Ее архитектуру можно представить в виде следующих взаимосвязанных модулей:

1. Модуль сбора данных. Источниками информации являются:

Носимые устройства (IoT): фитнес-браслеты, умные часы, смарт-одежда, которые в режиме реального времени регистрируют пульс, вариабельность сердечного ритма (ВСР), уровень насыщения крови кислородом (SpO2), качество сна, количество пройденных шагов и активных калорий [2, 3].

Пользовательский ввод: информация о целях (похудение, набор мышечной массы, повышение выносливости), субъективных ощущениях (усталость, боль), питании [4].

Данные специальных тестов: результаты функционального тестирования (например, проба Руфье), замеры тела, видеозапись техники выполнения упражнений для биомеханического анализа [1].

2. Модуль анализа и машинного обучения. Это «мозг» системы. Здесь применяются:

Регрессионные модели для прогнозирования уровня нагрузки на основе текущего состояния [1].

Кластеризация (например, k-means) для выделения групп пользователей со схожими физиологическими профилями и адаптации типовых программ [1].

Рекомендательные системы (коллаборативная фильтрация, контент-базированные модели) для подбора наиболее эффективных упражнений [1].

Анализ временных рядов для выявления долгосрочных тенденций и корректировки плана [5].

3. Модуль принятия решений и генерации плана. На основе выводов ML-моделей система формирует персонализированный тренировочный план, который включает тип, интенсивность, объем и периодичность нагрузок [4].

4. Пользовательский интерфейс (UI/UX). Предоставляет пользователю понятные рекомендации, визуализирует прогресс и обеспечивает обратную связь [4].

Алгоритмы адаптации тренировочных планов в реальном времени

Одним из главных преимуществ ИС является динамическая адаптация. Статичный план, рассчитанный на месяц, может быстро устареть из-за изменения состояния пользователя. Интеллектуальная система решает эту проблему [1, 4].

Например, если система по данным ВСР и субъективной оценке усталости определяет, что пользователь не восстановился после предыдущей тренировки, она может автоматически заменить высокоинтенсивную интервальную тренировку (ВИИТ) на легкую кардиосессию или день активного отдыха. Алгоритм может работать по следующему принципу:

1. Оценка текущего состояния: Анализируется пульс в покое, качество сна, уровень дневной активности [3].

2. Прогноз готовности к нагрузке: Модель классификации (например, на основе метода опорных векторов – SVM) относит состояние пользователя к одному из классов: «высокая готовность», «средняя готовность», «низкая готовность», «риск перетренированности» [1].

3. Корректировка плана: В зависимости от полученного класса система выбирает из базы данных соответствующий сценарий тренировки [4].

Такой подход минимизирует риски и максимизирует отдачу от каждого занятия.

Персонализация как фактор мотивации

Гуманитарный аспект применения ИС заключается в их способности воздействовать на мотивационную сферу личности. Персонализация тренерского опыта через мобильное приложение создает эффект присутствия персонального тренера. Система может:

• Гейфицировать процесс: устанавливать персональные достижения и награды [4].

• Предоставлять объяснимые рекомендации: не просто «сделайте 10 повторений», а «увеличьте количество повторений до 10, так как ваша готовность к силовой нагрузке сегодня оценивается на 85%, что на 15% выше среднего» [5].

• Демонстрировать прогресс в понятной форме: строить графики и диаграммы, показывающие динамику изменений [1, 4].

Это повышает вовлеченность и приверженность пользователя к долгосрочной программе тренировок [4].

Заключение

Проведенное исследование демонстрирует значительный потенциал применения интеллектуальных систем в области физической культуры [1, 5]. Интеграция технологий машинного обучения, IoT и анализа данных позволяет перейти от универсальных методик к truly персонализированному подходу, учитывающему уникальные физиологические и психологические характеристики индивида [1, 4].

Ключевыми преимуществами такого подхода являются:

• Повышение эффективности тренировочного процесса за счет оптимизации нагрузок [1].

• Снижение риска травм и перетренированности благодаря непрерывному мониторингу и своевременной адаптации [3].

• Усиление мотивации пользователя за счет интерактивности и наглядной демонстрации результатов [4].

Перспективами дальнейших исследований в данной области являются разработка более точных биометрических сенсоров, создание Explainable AI (XAI) – систем, способных понятно объяснять свои рекомендации [5], а также углубленное изучение влияния психоэмоционального состояния на физическую результативность с помощью анализа текстовых и аудиоданных. Таким образом, симбиоз интеллектуальных систем и физической культуры открывает новые горизонты для укрепления здоровья и улучшения качества жизни человека [5].

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Померанцев Андрей Александрович, Уполовнева Анастасия Андреевна ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В СПОРТЕ И ФИЗИЧЕСКОЙ КУЛЬТУРЕ: ТРЕНДЫ, УГРОЗЫ И АДАПТАЦИЯ К НОВОЙ РЕАЛЬНОСТИ // Человек. Спорт. Медицина. 2024. №S2. URL: https://cyberleninka.ru/article/n/iskusstvennyy-intellekt-v-sporte-i-fizicheskoy-kulture-trendy-ugrozy-i-adaptatsiya-k-novoy-realnosti (дата обращения: 24.11.2025).

2. Дурдыев Акмырат Гурбанович, Аманова Дурдыгозел Гурбандурдыевна ИНТЕРНЕТ ВЕЩЕЙ (IOT) В СПОРТИВНОЙ ИНДУСТРИИ: МОНИТОРИНГ И УПРАВЛЕНИЕ ТРЕНИРОВКАМИ // Наука и мировоззрение. 2025. №44. URL: https://cyberleninka.ru/article/n/internet-veschey-iot-v-sportivnoy-industrii-monitoring-i-upravlenie-trenirovkami (дата обращения: 24.11.2025).

3. Бабаев И. Д., Илюшин О. В. НОСИМАЯ ЭЛЕКТРОНИКА В ФИЗИЧЕСКОМ ВОСПИТАНИИ // Вестник науки. 2022. №12 (57). URL: https://cyberleninka.ru/article/n/nosimaya-elektronika-v-fizicheskom-vospitanii (дата обращения: 24.11.2025)..

4. Макаренко В. К. Формирование мотивации к занятиям физической культурой и спортом // Известия ПГУ им. В.Г. Белинского. 2008. №10. URL: https://cyberleninka.ru/article/n/formirovanie-motivatsii-k-zanyatiyam-fizicheskoy-kulturoy-i-sportom (дата обращения: 24.11.2025).

5. Аликперова Наталья Валерьевна Искусственный интеллект в здравоохранении: риски и возможности // Здоровье мегаполиса. 2023. №3. URL: https://cyberleninka.ru/article/n/iskusstvennyy-intellekt-v-zdravoohranenii-riski-i-vozmozhnosti (дата обращения: 24.11.2025).