2020-02-26:Resting Heart Rate Va

2020-03-01 本文已影响0人 If_54ea

文章信息

文献标题：Resting Heart Rate Variability Can Predict Track and Field Sprint Performance
期刊名称： OA Journal - Sports (2019) Volume 1
所属级别：
影响因子：
发表时间： 2018
作者机构：Sports Science, University of Iowa, Iowa City, IA, USA
作者姓名：Kyle D Peterson

内容提要

主要内容：本研究的目的是训练众多预测模型，以研究静息心率变异性(HRV)是否可以预测优秀田径运动员的短跑成绩。构建模型使用了集成机器学习方法，包括Bagging random forest ，stochastic gradient boosting，stacking meta-classifier，模型效果逐次递增
（对比阅读：2020-02-15:Recurrent Neural Network to Forecast Sprint Performance，相同作者，同组数据，不同方法）
实验方法：
技术指标：
创新之处：

知识概念：

bagging，该方法通常考虑的是同质弱学习器，相互独立地并行学习这些弱学习器，并按照某种确定性的平均过程将它们组合起来。
boosting，该方法通常考虑的也是同质弱学习器。它以一种高度自适应的方法顺序地学习这些弱学习器（每个基础模型都依赖于前面的模型），并按照某种确定性的策略将它们组合起来。
stacking，该方法通常考虑的是异质弱学习器，并行地学习它们，并通过训练一个「元模型」将它们组合起来，根据不同弱模型的预测结果输出一个最终的预测结果
参考：常用的模型集成方法介绍:bagging、boosting、stacking

方法介绍

在比赛的前24小时测量静息心率
15个样本 X 每个样本记录12场比赛 ≈ 累计182个样本数据
每个学生运动员在个人赛季中的前两名(最快)成绩被编码为1，否则编码为0
使用stacking方法时，用到的异质若学习器有：DT = decision tree C4.5; PDA = penalised discriminant analysis; ANN = artificial neural network (single-hidden-layer); SVM = support vector machine (radial basis function kernel); PLR = penalised logistic regression.

Stacking

对结果进行交叉验证

结果讨论

原始基线准确性阈值为76%
bagging random forest ：准确度75.0 ± 8.0% (κ = 0.48 ± 0.04)
Stochastic gradient boosting：平均准确度 81.2 ± 6.8% (κ = 0.53 ± 0.03)
stacking base classifiers：决策树C5.0 71.1 ± 8.4% (κ = 0.33 ± 0.03)，惩罚判别分析71.0 ± 9.0% (κ = 0.38 ± 0.03)，单层人工神经网络77.2 ± 8.5% (κ = 0.42 ± 0.02)，支持向量机 79.3 ± 6.1% (κ = 0.52 ± 0.03)，基于弱学习器构建惩罚逻辑回归最终模型85.6 ± 4.8% (κ = 0.57 ± 0.02)
（网络层数，节点数量，随机森林分支数目等详细内容查阅原文 Resuls 部分）

当运动员在比赛前24小时内的记录值低于10 mV，而最佳值在25-35 mV之间时，DC电位会对短跑成绩产生负面影响

有待研究

随机梯度增强算法可计算相对变量重要性----该方法可否用于数据预处理降维？
增大实验样本量进行实验
增加时间维度进行实验

值得学习

作图风格：

image.png

英文表达

equivalent caliber：同等水准