| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Mākslīgā intelekta balstīta pieeja sportistu veselības kontrolei un prognozēšanai |
| Nosaukums angļu valodā |
Artificial Intelligence Based Approach to Monitor and Forecast Athlete Health |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Andrejs Romānovs |
| Recenzents |
Darja Plinere |
| Anotācija |
Mūsdienās, pieaugot sporta popularitātei un intensitātei, jāizprot indivīda slodzes atbilstību veselības stāvoklim un fiziskajai sagatavotībai. Neievērojot to, palielinās dažādu veselības problēmu un traumu risku pieaugums. Ar mākslīgā intelekta un lietu interneta tehnoloģijām ir iespējams efektīvāk apstrādāt un analizēt lielu datu apjomus šāda veida uzdevumu izpildei. Darba mērķis ir izstrādāt un novērtēt mākslīgā intelekta balstītu pieeju sportistu veselības kontrolei un potenciālo problēmu prognozēšanai, koncentrējoties uz dažādiem fizioloģiskajiem rādītājiem. Eksperimentālajā daļā ir veikta datu simulācija, apstrāde, sagatavojot tos mašīnmācīšanās algoritmu apmācībai. Savā starpā salīdzināti četri klasifikācijas algoritmi, proti, nejaušo mežu klasifikators, atbalsta vektoru mašīna, loģistiskā regresija un mākslīgo neironu tīkla algoritmi. Tajos izmantotas klasifikācijas metrikas, lai noteiktu to spēju atšķirt dažādus veselības stāvokļus un prognozēt potenciālās izmaiņas. Pētījuma rezultāti liecina, ka mašīnmācīšanās modeļi spēj efektīvi atpazīt nelineāras atkarības datos ar augstu precizitāti. Tādējādi mākslīgā intelekta pieeja apliecina potenciālu sportista noguruma stāvokļa klasifikācijai un proaktīvai veselības uzraudzībai.
Maģistra darba apjomu sastāda 75 lapaspuses, 15 attēlus, 19 tabulas, 89 informācijas avotus un 1 pielikumu. |
| Atslēgas vārdi |
mākslīgais intelekts, lietu internets, mašīnmācīšanās, proaktīva veselības uzraudzība, datu analīze |
| Atslēgas vārdi angļu valodā |
artificial intelligence, internet of things, machine learning, proactive health monitoring, data analysis |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
19.05.2025 18:37:57 |
