田径运动员的适应性训练负荷优化：一种强化学习方法

《Scientific Reports》：Adaptive training load optimization for track and field athletes: A reinforcement learning approach

　　

摘要

在运动科学中，如何优化运动员的训练计划是一个难题。这需要在提升运动表现与确保充分恢复以避免受伤之间找到恰当的平衡。本文详细介绍了利用DQN架构对训练负荷进行离线优化的方法。该框架通过应用数据驱动的过渡模型作为数字孪生体，弥补了模拟实验的不足，从而能够在不涉及对运动员进行实时实验所带来的伦理或安全问题的情况下，找到最优的训练方案。这一智能模型基于从25名运动员整个训练赛季中收集的全面生理和运动表现数据，能够动态提供理想的训练建议，比如提高训练强度、增加训练量或安排主动恢复。所考虑的数据包括心率变异性、睡眠质量、训练负荷、急性与慢性负荷比以及每周运动表现等参数。所提出的架构使用前馈神经网络来估算Q值函数。通过优化自适应的\(\epsilon\)-贪婪策略和经验回放缓冲区，可确保学习过程的稳定性和效率。此外，还设计了包含运动表现奖励和生理状态奖励的双重奖励函数，该函数引导算法制定出既能提升短期运动表现又能维护运动员长期健康的训练方案。实验结果表明，该模型成功降低了误差率，损失函数值趋于接近零。同时，该方法在管理训练负荷和控制受伤风险方面表现出色，能够以高度的适应性动态降低风险，始终将运动员的运动表现维持在最佳范围之内。