Оптимизация адаптивной тренировочной нагрузки для легкоатлетов: подход на основе обучения с подкреплением

Более умные тренировки для обычных бегунов

Тот, кто когда‑либо готовился к гонке, знает, что это канат между достаточным давлением для прогресса и избеганием перетренированности, ведущей к истощению или травмам. В этом исследовании показано, как идеи из области искусственного интеллекта помогают проектировать ежедневные тренировочные планы для легкоатлетов, которые реагируют на реальное состояние тела, а не только на фиксированное расписание.

Почему простые планы не справляются

Традиционные программы часто следуют жёсткой схеме с еженедельным увеличением пробега или интенсивности и лишь редкими периодами отдыха. Тренеры корректируют по опыту, но не могут точно отследить невидимую кумуляцию усталости у каждого спортсмена. Люди отличаются сном, уровнем стресса и восстановлением, поэтому два бегуна по одному плану могут реагировать по‑разному. В результате некоторые атлеты тормозят в прогрессе, другие ломаются, а плановые цели часто не достигаются в течение сезона.

Преобразование спортсмена в цифрового двойника

Исследователи собрали подробные ежедневные данные от 25 легкоатлетов в течение 24‑недельного сезона. Ежедневно фиксировали вариабельность сердечного ритма, оценку качества сна от часов и меры тренировочной нагрузки, отражающие как недавние, так и долговременные усилия. Также отслеживали ключевой показатель — недельное время на дистанции 400 метров. На основе этих записей построили компьютерный аналог спортсмена, или цифрового двойника. Этот двойник может прогнозировать, как изменятся показатели и сигналы тела, если в конкретный день сделать тренировку более тяжёлой, длинной или легче, не проверяя это на реальном человеке.

Как учится умный тренер

Поверх цифрового двойника команда обучила систему принятия решений на основе глубокого обучения с подкреплением. На каждом шаге система видит текущее состояние спортсмена как шестичастный снимок сигналов тела, сна, нагрузки и результатов. Затем она выбирает одно из трёх действий: повысить интенсивность тренировки, увеличить объём или назначить активное восстановление. После каждого выбора цифровой двойник показывает новое состояние, и система получает оценку, которая вознаграждает более быстрое время на 400 м, но штрафует признаки перегрузки — например очень высокую краткосрочную нагрузку по сравнению с долгосрочной или падение вариабельности сердечного ритма и качества сна. За тысячи симулируемых недель система учится, какие последовательности решений приводят к долгосрочным улучшениям, не заходя в рискованную зону.

Как это работает по сравнению с планированием в человеческом стиле

Авторы сравнили адаптивный планировщик с несколькими реалистичными альтернативами: фиксированным планом с еженедельным наращиванием нагрузки, вручную созданной системой правил, просто удерживающей нагрузку в безопасном диапазоне, машинным правилом, всегда преследующим наилучшую краткосрочную награду, и классическим табличным агентом обучения с подкреплением. Все подходы улучшили время на 400 м за сезон, но адаптивная глубокая система дала наибольший прирост, почти не заходя в опасную зону риска травм. В отличие от неё, статичные и жадные методы часто доводили недельную нагрузку до небезопасных уровней, а чисто ориентированная на здоровье схема сохраняла безопасность, но жертвовала значительной частью потенциального прироста скорости.

Что это значит для спортсменов и тренеров

Для неспециалиста ключевой вывод прост: тренироваться не обязательно вслепую. Внимательно отслеживая простые сигналы тела — ритм сердца, сон и недавнюю тренировочную нагрузку — и позволяя обучающейся системе прогонять множество «что‑если» в симуляции, тренеры могут генерировать ежедневные рекомендации, которые одновременно амбициозны и осторожны. Хотя это исследование — раннее доказательство концепции на небольшой группе легкоатлетов с упрощённым набором действий, оно показывает, что сбалансированный, основанный на данных подход может помочь спортсменам становиться быстрее, существенно сокращая время, проведённое в состояниях высокого риска.

Цитирование: Zhang, Q., Wang, Q. & Niu, Y. Adaptive training load optimization for track and field athletes: A reinforcement learning approach. Sci Rep 16, 14862 (2026). https://doi.org/10.1038/s41598-026-41946-w

Ключевые слова: тренировочная нагрузка, обучение с подкреплением, лёгкая атлетика, риск травмы, вариабельность сердечного ритма