| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Sirdsdarbības frekvences līknes prognozēšana skriešanas treniņos ar mašīnmācīšanās un neironu tīklu metodēm |
| Nosaukums angļu valodā |
Heart Rate Curve Forecasting in Running Trainings Using Machine Learning and Neural Network Methods |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Jevgēnijs Teličko |
| Recenzents |
Evelīna Budiloviča |
| Anotācija |
Līdz ar viedpulksteņu strauju izplatīšanos, parādās iespēja ievākt vērtīgus datus
no sportistu treniņiem un ikdienas, kurus var analizēt un pielietot dažādiem mērķiem.
Īpaši populāri viedpulksteņi ir starp skrējējiem, kuri izmanto viedpulksteni, lai sekotu
savam progresam treniņos un veiktu treniņu pierakstus. Dati no treniņiem var tikt
apvienoti ar ikdienas labsajūtas datiem, lai izstrādātu modeļus sirdsdarbības frekvences
prognozes veikšanai skriešanas laikā, kas palīdz plānot treniņu procesu. Bakalaura
darba mērķis ir izpētīt dažādu mašīnmācīšanās un mākslīgo neironu tīklu modeļu spēju
veikt sirdsdarbības frekvences prognozēšanu skriešanas treniņam, izmantojot datus
iegūtus no viedpulksteņa, un izpētīt ikdienas labsajūtas datu ietekmi uz šādu modeļu
veiktajām prognozēm. Darba gaitā tiek aprakstīta pieeja datu ievākšanai un tiek
izstrādāti modeļi sirdsdarbības frekvences prognozēšanai. Pētījuma ietvaros tiek
noskaidrots, ka piemērotākais modelis sirdsdarbības frekvences prognozēšanai ir CNN
TCN-LSTM modelis. Bakalaura darbs arī atbild uz iepriekš neizpētītu jautājumu par
ikdienas datu nozīmīgumu prognozes veidošanai, un darbā tiek noskaidrots, ka ikdienas
datu iekļaušana modeļa ieejā samazina prognozes kļūdu izvirzītajiem modeļiem.
Bakalaura darbā ir 53 lappuses, 2 tabulas, 24 attēli un 51 informācijas avots. |
| Atslēgas vārdi |
Skriešana, sirdsdarbības frekvence, mašīnmācīšanās, mākslīgie neironu tīkli, prognozēšana |
| Atslēgas vārdi angļu valodā |
Running, Heart Rate, Machine Learning, Artificial Neural Networks, Forecasting |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
23.05.2025 12:59:31 |
