RESUMO Introdução O recente desenvolvimento do algoritmo de aprendizado profundo como um novo algoritmo de aprendizado de máquina de rede multicamadas reduziu o problema dos algoritmos de treinamento tradicionais, que facilmente caiam em locais mínimos, tornando-se uma direção recente no campo do aprendizado. Objetivo Desenvolver e validar um modelo de inteligência artificial para aprendizado profundo dos impactos resultantes dos treinos semanais de carga sobre o sistema biológico dos estudantes. Métodos De acordo com os índices fisiológicos e bioquímicos dos atletas no processo de treinamento, este artigo analisa os dados reais da carga de treinamento dos atletas no período anual de preparação. As características da carga de treinamento dos atletas no período de preparação foram discutidas. O valor, significância, fatores de composição, princípio de arranjo e método de cálculo e determinação da densidade de carga semanal usando o algoritmo de aprendizado profundo são discutidos. Resultados Os resultados mostraram que a carga diária de 24 horas de amostragem aleatória foi de intensidade moderada, treinamento de baixa densidade e alta intensidade, e o sistema físico-motor e a reatividade neural foram aprimorados. Conclusão A pesquisa mostra que pode haver duas atividades de “ensino” e “treinamento” na área de educação física e no treinamento esportivo. A pesquisa de monitoramento da biologia esportiva revela-se um ponto de crescimento da pesquisa de treinamento esportivo com grande potencial de expansão para pesquisas futuras. Nível de evidência II; Estudos terapêuticos - investigação dos resultados do tratamento.
ABSTRACT Introduction The recent development of the deep learning algorithm as a new multilayer network machine learning algorithm has reduced the problem of traditional training algorithms easily falling into minimal places, becoming a recent direction in the learning field. Objective Design and validate an artificial intelligence model for deep learning of the resulting impacts of weekly load training on students’ biological system. Methods According to the physiological and biochemical indices of athletes in the training process, this paper analyzes the actual data of athletes’ training load in the annual preparation period. The characteristics of athletes’ training load in the preparation period were discussed. The value, significance, composition factors, arrangement principle and method of calculation, and determination of weekly load density using the deep learning algorithm are discussed. Results The results showed that the daily 24-hour random sampling load was moderate intensity, low and high-intensity training, and enhanced the physical-motor system and neural reactivity. Conclusion The research shows that there can be two activities of “teaching” and “training” in physical education and sports training. The sports biology monitoring research proves to be a growth point of sports training research with great potential for expansion for future research. Level of evidence II; Therapeutic studies - investigation of treatment outcomes.
RESUMEN Introducción El reciente desarrollo del algoritmo de aprendizaje profundo como un nuevo algoritmo de aprendizaje automático de red multicapa ha reducido el problema de los algoritmos de entrenamiento tradicionales, que caen fácilmente en lugares mínimos, convirtiéndose en una dirección reciente en el campo del aprendizaje. Objetivo Desarrollar y validar un modelo de inteligencia artificial para el aprendizaje profundo de los impactos resultantes del entrenamiento de la carga semanal en el sistema biológico de los estudiantes. Métodos De acuerdo con los índices fisiológicos y bioquímicos de los atletas en el proceso de entrenamiento, este artículo analiza los datos reales de la carga de entrenamiento de los atletas en el período de preparación anual. Se analizaron las características de la carga de entrenamiento de los atletas en el periodo de preparación. Se analizan el valor, el significado, los factores de composición, el principio de disposición y el método de cálculo y determinación de la densidad de carga semanal mediante el algoritmo de aprendizaje profundo. Resultados Los resultados mostraron que la carga diaria de 24 horas de muestreo aleatorio era de intensidad moderada, de baja densidad y de alta intensidad de entrenamiento, y que el sistema físico-motor y la reactividad neural mejoraban. Conclusión La investigación muestra que puede haber dos actividades de “enseñanza” y “formación” en la educación física y el entrenamiento deportivo. La investigación sobre el seguimiento de la biología del deporte demuestra ser un punto de crecimiento de la investigación sobre el entrenamiento deportivo con un gran potencial de expansión para futuras investigaciones. Nivel de evidencia II; Estudios terapéuticos - investigación de los resultados del tratamiento.
