сотрудник
Россия
УДК 796.012.2 Координационные (психофизические) способности. Координация движений
В статье обоснован педагогико-управленческий потенциал нейросетевых технологий распознавания движений для совершенствования техники пловцов в ластах на этапе совершенствования спортивного мастерства. Цель исследования заключается в теоретическом обосновании и экспериментальной проверке эффективности применения цифрового контура на основе нейросетевых технологий распознавания движений для оперативной коррекции и совершенствования технического мастерства пловцов в ластах на этапе спортивного совершенствования. Методы и организация исследования. Апробация выполнена на базе ГУ ДО ТО «Областная комплексная спортивная школа олимпийского резерва» (г. Тула) в 2025 г. с участием спортсменов, имеющих спортивный стаж более 6 лет и спортивные разряды – 1 и КМС. В течение 8-недельного мезоцикла применяли нейросетевую обратную связь для оперативной корректировки технических заданий. Оценивали время проплывания 100 м в ластах по поверхности, финишный сегмент 25 м, вариативность частоты волнообразных движений, стабильность угла атаки ласты и продольную устойчивость корпуса. Результаты исследования и выводы. Выявлены значимые улучшения результата и технических показателей, отражающие повышение устойчивости техники на фоне утомления. Показано, что алгоритмическая объективизация ошибок сокращает педагогическое запаздывание, повышает адресность вмешательств и поддерживает закрепление рационального двигательного стереотипа при соревновательной скорости в реальном времени.
плавание в ластах, распознавание движений, нейросетевые технологии, компьютерное зрение, биомеханика спорта, биомеханический анализ, цифровая обратная связь
1. Сомова А. Е. Цифровизация физической культуры и спорта // Актуальные проблемы педагогики и психологии. 2022. Том 3, № 3. С. 30–35. EDN: https://elibrary.ru/VMKIJG.
2. Пригода Г. С., Сидоренко А. С. Анализ перспективности научно-управленческих подходов в совершенствовании тренировочного процесса квалифицированных пловцов. DOIhttps://doi.org/10.24412/2305-8404-2025-10-150-156 // Известия Тульского государственного университета. Физическая культура. Спорт. 2025. № 10. С. 150–156. EDN: https://elibrary.ru/JNROZR.
3. Дудченко П. П. Контрастная стимуляция в тренировочном процессе пловцов в ластах: влияние на адаптацию к высокоинтенсивной работе. DOIhttps://doi.org/10.24412/2305-8404-2025-9-91-98 // Известия Тульского государственного университета. Физическая культура. Спорт. 2025. № 9. С. 91–98. EDN: https://elibrary.ru/DVHMUF.
4. Chen L., Hu D. An effective swimming stroke recognition system utilizing deep learning based on inertial measurement units. DOIhttps://doi.org/10.1080/01691864.2022.2160274 // Advanced Robotics. 2023. Vol. 37, No. 7. P. 467–479. EDN: https://elibrary.ru/TVKXVI.
5. Automatic Swimming Activity Recognition and Lap Time Assessment Based on a Single IMU: A Deep Learning Approach / Delhaye E., Bouvet A., Nicolas G., Vilas-Boas J. P., Bideau B., Bideau N. DOIhttps://doi.org/10.3390/s22155786 // Sensors. 2022. Vol. 22, No. 15. Art. 5786. EDN: https://elibrary.ru/KAOHHT.
6. Изаак С. И. Цифровизация и интеллектуализация стратегического управления в спорте // Ученые записки университета им. П.Ф. Лесгафта. 2021. № 5 (195). С. 153–156. EDN: https://elibrary.ru/MVCQAL.
7. Continuous Video to Simple Signals for Swimming Stroke Detection with Convolutional Neural Networks / Victor B., He Z., Morgan S., Miniutti D. DOIhttps://doi.org/10.1109/CVPRW.2017.21 // 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Honolulu, HI, USA, 2017. P. 122–131.
8. Егорова Н. М. Цифровизация российского спорта: проблемы и перспективы // Известия Санкт-Петербургского государственного экономического университета. 2022. № 4 (136). С. 102–106. EDN: https://elibrary.ru/KLXWZQ.
9. Swimming Style Recognition and Lap Counting Using a Smartwatch and Deep Learning / Brunner G., Melnyk D., Sigfússon B., Wattenhofer R. DOIhttps://doi.org/10.1145/3341163.3347719 // Proceedings of the 2019 ACM International Symposium on Wearable Computers (ISWC ’19). London, United Kingdom, 9–13 Sept. 2019. New York : ACM, 2019. P. 23–31.
10. SwimmerNET: Underwater 2D Swimmer Pose Estimation Exploiting Fully Convolutional Neural Networks / Giulietti N., Caputo A., Chiariotti P., Castellini P. DOIhttps://doi.org/10.3390/s23042364 // Sensors. 2023. Vol. 23, No. 4. Art. 2364. EDN: https://elibrary.ru/BPPTVJ.
