人工神经网络在运动员液体摄入需求预测中的应用及其效果评估

0AASRI Procedia  8 ( 2014 )  9 – 140可在线访问www.sciencedirect.com02212-6716 © 2014年作者。由Elsevier B.V.出版。本是根据CCBY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/3.0/）。同行评议由美国应用科学研究所负责。doi: 10.1016/j.aasri.2014.08.0030ScienceDirect02014年体育工程和计算机科学（SECS 2014）AASRI会议0人工神经网络在确定耐力运动员的液体摄入需求中的应用0Navin R Singh a*，Edith M Peters b0a电子工程系，工程、科学和建筑环境学院，南非德班理工大学0b人体生理学学科，医学和实验室科学学院，南非昆士兰大学，德班西维尔0摘要0本研究旨在评估使用人工神经网络（ANNs）对运动员的水合状态进行分类和预测液体需求的效果。使用来自148名参与者（106名男性，42名女性）的237组数据集进行了水合分类模型的构建，这些参与者参与了涉及跑步或骑行的野外和实验室研究。从完成耐力活动后血浆渗透压为275-295mmol.kg-1的运动员获得116组数据集，这些数据集用于设计预测模型。使用过滤算法从13个人体测量、运动表现、液体摄入和环境因素中选择最佳输入到模型中。性别、体重、运动强度和环境应激指数的组合在预测模型中产生了0.24L.h-1的均方根误差和0.90的相关性，预测的饮水速率与处于良好水合状态的参与者的实际饮水速率之间的相关性。实际液体摄入的额外包含导致了一个模型的设计，该模型在分类运动员的运动后水合状态方面准确率达到了89%。这些发现表明ANN建模技术在预测液体需求方面具有价值，并可作为自由摄取液体实践的补充。© 2014年作者。由ElsevierB.V.出版。美国应用科学研究所负责选择和/或同行评议。关键词：水合状态、分类和预测、体重、性别、运动强度、环境应激指数0*通讯作者。电话：+27-31-3732881；传真：+27-31-3732744。电子邮件地址：navins@dut.ac.za。0© 2014年作者。由Elsevier B.V.出版。本是根据CCBY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/3.0/）。同行评议由美国应用科学研究所科学委员会负责。2. Methods 2.1. Data Collection Following approval by the relevant institutional research ethics committee, raw data were obtained from 4 separate field studies (Singh and Peters, 2013; Tam et al., 2009; Tam et al., 2011; Rose and Peters, 2010) and 3 separate laboratory studies (Pillai, 2009; Cheuvront et al., 2010; Cheuvront et al., 2013). 2.2. Data Analyses All variables were analysed using SPSS version 19 software (SPSS Inc., Chicago, Ilinois). Bivariate correlation analyses were used to determine the relationship between the various physiological and environmental factors and post-exercise hydration status. Statistical significance was accepted at the 0.05 level. 2.3. Data Preprocessing The composite data set (n=237) consisting of both euhydrated and dehydrated participants, was used to design, train, validate and test various classification models. Only the data from euhydrated participants (n=116) were then retained from the complete data set and used to design, validate and test various prediction models used to estimate the drinking rates of this subset of athletes. 010     Navin R. Singh and Edith M. Peters /  AASRI Procedia  8 ( 2014 )  9 – 1401. 简介0在耐力运动期间保持适当的水合状态至关重要。过度脱水已与运动表现受损有关，而运动相关的过度水合和低钠血症可能导致意识丧失并危及生命（Sawka等，2007年；Noakes等，2005年）。影响运动员水合需求的因素包括身高、体重、体成分、遗传倾向和代谢率、锻炼强度和持续时间、环境条件、穿着的衣物和热适应（Sawka等，1996年）。在运动期间，它们的综合效应决定了个体的出汗率和尿量，这些是他们液体需求的主要贡献者。美国运动医学学院（ACSM）最新的立场强调了为运动员制定个性化的液体和电解质补充时间表的重要性（Sawka等，2007年）。这需要对他们的需求进行仔细定制，考虑到众多上述混淆因素，这是困难的。因此，有必要建立能够基于一些生理和环境因素对运动员的每小时液体需求进行静态、赛前预测的模型（Hew-Butler等，2006年；美国医学研究所，2005年）。由于定义和确定运动员的液体需求的复杂性，我们着手调查人工神经网络（ANN）是否能够用作捕捉和代表液体需求决定因素与维持良好水合所需的每小时液体摄入量之间复杂关系的强大数据建模工具。11 Navin R. Singh and Edith M. Peters / AASRI Procedia 8 ( 2014 ) 9 – 14 2.4. Model Design and performance assessment Randomisation of the classification and prediction model datasets as well as the designing, validation and testing of the ANN models were achieved using MATLAB (R2011b, The Mathworks, Natick, Massachusetts). All possible combinations of the input variables were used to create classification and prediction models using feed forward multilayer perceptron (MLP) and radial basis function (RBF) ANNs with single hidden layers. The classification and prediction test data sets were used to assess the performance of the classification and prediction ANN models, respectively. 3. Results Table 1: Environmental factors and physical characteristics of the participants comprising the total data set (n=237) and subset relying on ad libitum fluid replacement ( n=183). Total data set (n = 237) Ad libitum subset (n=183) Mean (±SD)MinMaxMean (±SD)Min Max Age, y 34 ± 10 18 56 37 ± 8 18 56 Body fat, % 19.6 ± 4.0 8.2 30.618.8 ± 4.3 8.2 30.6 Mass, Kg 74.9 ± 12.9 49.1109.872.6 ± 11.9 49.1 103.2 BMI 24.4 ± 3.2 18.735.423.7 ± 2.5 18.7 30.9 BSA*, m2 1.9 ± 0.2 1.5 2.4 1.9 ± 0.2 1.5 2.3 Distance, km 45 ±25 17 90 53.2 ± 23.4 21.1 90 Exercise intensity, km.h-1 7.9 ± 2.8 4.3 16.08.6 ± 2.8 4.3 16 Duration, h 4.3 ± 2.2 1.5 12.84.5 ± 2.4 1.5 12.8 Temperature, °C 23.9 ± 13.0 12.350 17.2 ± 3.5 12.3 29.7 Humidity, % 62 ± 25 20 96 74.5 ± 10.8 44.4 95.8 Solar radiation, W.m-2 834 ± 132 0 467 108.4 ± 141.40.0 467.2 Environmental stress index 19.4 ± 8.3 9.4 35.615.4 ± 3.6 9.4 27.2 Drinking rate, L.h-1 0.404 ± 0.4000.0002.0000.523 ± 0.3810.874 2.000 Sweat rate, L.h-1 0.912 ± 0.433 0.1853.0670.877 ± 0.4580.185 3.067 Ratio of Drinking / Sweat rate, % 47 ± 36 0 200 62 ± 38 10 327 Pre-race Posm, mOsm.kg-1 291 ± 6 276 316 291 ± 6 276 316 Post-race Posm, mOsm.kg-1 295 ± 8 273 316 293 ± 7 275 310 The composite data base consisted of 237 individual data sets which were obtained from six smaller data bases derived from 148 participants (106 males ; 42 females) ranging in age from 18 to 56 years (Table 1). In 77% of the cases (n=183), the athletes were allowed ad libitum drinking, with fluid restriction employed in the remaining cases. Of the composite data set, 85% (n=201) of the subjects started the event with a plasma osmolality (Posm) within the normal reference range for euhydration (275- 295 mmol.kg-1), 49% (n=116) completed the events with Posm in this reference range, while the remaining 51% (n=121) completed the events dehydrated (Posm � 296 mmol.kg-1). None of the subjects completed their event both overhydrated (Posm <275 mmol.kg-1) and hyponatraemic (plasma sodium < 134 mmol.L-1). The athletes displayed a wide variability in drinking and sweat rate with mean (±SD) drinking (L.h-1) and sweat rates (L.h-1) of 0.404 (±0.400) and 0.912 (±0.433), respectively. In the group of athletes completing the race with Posm in the euhdrated range (n=116), the mean (±SD) drinking rate (L.h-1), sweat rate (L.h-1) and drinking/sweat rate ratios (%) were 0.582 (±0.438), 0.944 (±0.518) and 66 (±44), respectively. Of the athletes that were allowed ad libitum fluid intake (n=183), 63% (n=116) of them finished the event euhydrated, with the remaining 37% (n=67) falling into the dehydrated category of which 94% (n=63) of them had taken part in either the multiday cycle or trail runs. 05001000150020001357911131517192123252729313335 012     Navin R. Singh 和 Edith M. Peters /  AASRI Procedia  8 ( 2014 )  9 – 140在87%的分类模型中（n=13），MLP网络优于RBF网络，产生了更低的均方误差（MSEval）和更高的相关性（r），灵敏度，特异性和AUC。表现最佳的模型是一个MLP网络，输入层有5个神经元，隐藏层有19个tansig神经元，输出层有1个线性神经元。以液体摄入（FI），环境压力指数（ESI），运动强度（EI），性别（G）和体重（BM）作为输入，该模型的MSEval最低（0.09），并且在测试数据集中运动员的实际水合状态和该模型生成的估计水合状态之间的AUC（0.89）和相关性（r=0.78）最高。 MLP估计模型在80%的情况下（n=12）比RBF网络表现更好，产生了更低的MSEval，变异系数（CV RMSE）和更大的决定系数（R2）。表现最佳模型的输入变量是ESI，EI，G和BM。这是一个MLP网络，输入层有4个神经元，隐藏层有10个tansig神经元，输出层有1个线性神经元。与测试数据集中运动员的液体摄入相比，该模型产生的液体估计具有最高的R 2（0.80），最低的RMSE（0.24 L.h -1）和CV RMSE（42.20%）。0模型P150参与者编号0液体摄入量（mL.h-1）0实际的MLPRBF0图1：最佳MLP和RBF预测模型的结果04. 讨论0当运动员随意饮水时，他们被证明只能补充总水量的75%（Cheuvront和Haymes，2001）。由于目前为运动员设计的现有水合模型是基于完全替换出汗量，而总水量主要由在炎热环境中运动时的汗液组成，因此这些现有模型提供了对运动员液体摄入的夸大估计。我们使用了完整的身体、表现、训练和环境变量集来分类运动员的水合状态，并使用人工神经网络来预测他们的液体摄入，而不是仅估计出汗率。尽管除了人工神经网络之外，还有几种其他技术可以在这个应用中使用，包括但不限于标准统计方法，如回归分析和专家系统，但只有当已经存在模型并且需要进行最佳拟合时，标准统计方法才是可行的。另一方面，专家系统需要预先存在一组明确的标准。013  Navin R. Singh 和 Edith M. Peters /  AASRI Procedia  8 ( 2014 )  9 – 140用于对运动员的水合状态进行分类和预测液体需求的首次使用人工神经网络建模的报告。这一系列分类人工神经网络模型的最重要发现是，高准确性的最佳输入变量集包括BM、EI、ESI、G和FI，而具有高预测精度的液体摄入的最佳输入变量集包括BM、EI、ESI和G。这在最佳分类模型中得到了确认，该模型在能够正确识别随意饮水的运动员的运动后水合状态方面的准确性达到了89%，以及预测模型P15，该模型在实际和预测的运动员饮水速率之间产生了90%的相关性（图1）。这项研究支持了先前研究确定的运动期间液体丢失的三个主要因素中的3个，即体重、运动强度和环境温度（Cheuvront等，2002）。然而，应用于输入数据集的过滤算法以及人工神经网络建模技术的结果确定了性别作为耐力运动员液体摄入需求的第四个主要决定因素。从生理上讲，这可能归因于女性通常具有较低的出汗率和电解质丢失，因为她们的身材较小，在执行与男性相同的任务时代谢率较低。0数据集还证实，这些运动员的天气条件、形状、大小和表现的差异导致了他们的出汗率和液体摄入量的广泛变异。临床水合亚组的参与者平均补充了他们由出汗损失的液体的66（±44）%，这证实了先前关于自由饮水者（Cheuvront和Haymes，2001）的发现。尽管出汗率和液体丢失与代谢率有关，但液体摄入速率由下丘脑中渗透驱动的口渴中枢调节。然而，参与者允许自由饮水摄入量替换运动期间出汗损失的程度的大变异，指出了在个体之间对渗透压变化的生理反应存在显着差异（Noakes，2012），这种差异可能不仅仅限于年龄、怀孕或糖尿病的存在。05. 结论0由于可能存在这样的可能性，即自由饮水补充可能会根据运动员先前获得的信念和误解而产生偏见，因此，这项初步研究的发现表明，静态人工神经网络建模技术可能有助于提供准确的液体摄入量估计，这将使血浆渗透压保持在275-295 mmol.kg-1的范围内。这些可能作为运动员的赛前指南，运动员不希望仅依赖于他们动态的口渴诱导的生物神经网络，并且在对抗耐力赛事中过度水化的可能性方面发挥重要作用。因此，可以得出结论，可以使用与自由饮水补充结合使用的人工神经网络建模，并且可以使用不同的模型架构以及输入变量跨越更广范围的数据集进一步完善。0参考文献0[1] Cheuvront, S. N., Ely, B. R., Kenefick, R. W. & Sawka, M. N. (2010).脱水评估标志的生物变异和诊断准确性。Am J Clin Nutr, 92, 565-73.014     Navin R. Singh and Edith M. Peters /  AASRI Procedia  8 ( 2014 )  9 – 140[2] Cheuvront, S. N. & Haymes, E. M. (2001).女性长跑运动员在三种环境中的自由饮水摄入量和体温调节反应。J Sports Sci, 19, 845-854. [3] Cheuvront,S. N., Haymes, E. M. & Sawka, M. N. (2002). 比较女性长时间高强度跑步中的出汗量估计。Med Sci SportsExerc, 34, 1344-50. [4] Cheuvront SN, Kenefick RW, SollanekK等人。水分赤字方程：系统分析和改进。Am J Clin Nutr 2013; 97:79-85. [5] Hew-Butler, T., Verbalis, J. G.& Noakes, T. D. (2006). 更新的液体建议：国际马拉松医学总监协会（IMMDA）的立场声明。Clin J SportMed, 16, 283-291. [6] Institute of Medicine (2005).水。在：膳食参考摄入量：水、钠、氯化物、钾和硫酸盐。华盛顿特区：国家科学院出版社。[7] Noakes, T. D.(2012). 水中毒-耐力运动中的过度水化严重问题。人类运动学。[8] Pillai, P. (2009).凉爽环境条件下耐力自行车运动中的非渗透调节水平。南非纽卡斯尔大学。[9] Rose, S. & Peters, E. (2010).在凉爽环境条件下自由调整液体摄入量可维持三天的山地自行车比赛中的水合状态。Br J Sports Med, 44,430-436. [10] Sawka, M. N., Burke, L. M., Eichner, E. R., Maughan, R. J., Montain, S. J. & Stachenfeld, N.S. (2007). 美国运动医学学院立场声明。运动和液体补充。Med Sci Sports Exerc, 39, 377-90. [11] Sawka, M.N., Wenger, C. B. & Pandolf, K. B. (1996). 急性运动-热应激和热适应的体温调节反应。在：Society, O. U. P.f. t. A. P.（ed.）环境生理学。纽约。[12] Singh, N. & Peters, E. (2013).三天越野跑步比赛中水合状态的标志。Clin J Sport Med, 23, 354-364. [13] Tam, N., Hew-Butler, T.,Papadopoulou, E., Nolte, H. & Noakes, T. D. (2009).80公里山地越野赛中的液体摄入和血液化学、跑步速度和体重变化。Medicina Sportiva, 13, 108-115. [14]Tam, N., Nolte, H. & Noakes, T. D. (2011).自由饮水的运动员在21.1公里和56公里跑步比赛中的总体水含量变化。Clin J Sport Med, 21, 218-225.