XiaoMi-AI文件搜索系统
World File Search Systemocce
Robocup Junior Soccer 2024奖励标准（Rubrics）
有五个标准将用于评估整体团队评级，以便获得这些奖项的资格：设计文档，海报演示，小组访谈，体育精神和领导力。使用以下每个标准所述的期望，将为团队提供熟练，令人满意或发展的总体评级，然后将其用于奖励奖杯的团队。一支超出任何标准期望的团队可以考虑获得认证奖励。奖杯与比赛中的表演，一支球队在比赛中的排名有关，所有奖杯将被授予。证书被认为是更高的荣誉，因为只有在团队资格时才获得奖励。
揭示足球守门员隐蔽注意力的脑电图相关性：迈向创新运动训练程序
体育科学和神经科学的进步为设计高效且激励人心的运动训练工具提供了新的机会。例如，使用神经反馈 (NF)，运动员可以学会自我调节特定的大脑节律，从而提高他们的表现。在这里，我们专注于足球守门员的隐性视觉空间注意 (CVSA) 能力，这对于这些运动员取得优异成绩至关重要。我们寻找可用于基于虚拟现实的 NF 训练程序的 CVSA 脑电图 (EEG) 标记，即符合以下标准的标记：(1) 特定于 CVSA，(2) 可实时检测，(3) 与守门员的表现/专业知识相关。我们的结果表明，CVSA 最著名的 EEG 标记——被关注半视野同侧 α 功率增加——由于不符合标准 2 和 3 而无法使用。尽管如此，我们还是强调了运动员 CVSA 能力的提高与静息时 α 功率增加之间存在显著的正相关性。虽然该标记的特异性仍有待证实，但它符合标准 2 和 3。这一结果表明，可以为守门员设计创新的生态训练程序，例如结合使用 NF 和在虚拟现实中执行的认知任务。
足球运动员的心率变异性和无监督的机器学习的应用
目的：本研究旨在研究足球运动员中心率变异性（HRV）参数（HRV）参数之间的关系。方法：本研究使用横截面设计来评估18至20岁的29名男运动员的HRV参数，从亚马逊地区的Macapá体育俱乐部团队随机选择。在保持正常呼吸的同时保持正常呼吸的同时保持正常呼吸，并以1,000 Hz的采样率进行了记录，以kubios hrv软件来提取时间域：正常窦间隔的平均值（MRR），正常窦（NN）间隔的标准偏差（sdnn）的标准偏差（sdnn）的平均值，均值（sdnn）的标准偏差（sdnn）的标准偏差（sdnn），均值（sdnn）的平均值（sdnn nnnnnn）。连续正常鼻窦间隔的变化超过50 ms（PNN50），频域：低频（LF），高频（HF）和LF/HF比率参数。然后，使用主成分（PC）提取和Varimax旋转对因子分析进行分析。应用对数转换[通过对数转换（LF/HF Normlog）的归一化LF/HF]，用于在因子分析之前解决此非正常性。结果：前两辆PC显示，总方差的87.4％是由原始变量解释的。LF（–0.93），HF（0.93）和LF/HF Normlog（–0.92）参数对PC1有显着贡献，也称为频域分量。相比之下，MRR（0.60），SDNN（0.91），RMSSD（0.89）和PNN50（0.79）参数对PC2有效，也称为时域分量。结论：本研究提供了影响足球运动员HRV参数的自主因素之间复杂关系的宝贵证据。识别与交感神经和副交感活动有关的两台不同的PC突出了监测HRV以优化性能和恢复的重要性。机器学习对于监测控制足球运动HRV的可能分子机制的这些变化很重要。
拟议的开发 - 基尔博特公园的跑步轨道和足球场的泛光灯
3.1上下文：该网站位于Kilbogget Park，这是Dun Laoghaire Rathdown的地区公园。它的尺寸约为41.5公顷，包括一个游乐场，12场比赛（GAA，足球和橄榄球），All Weather设施，8 Lane World World Athletics Standard跑步轨道，Boules Area，Walking and Walking and Cycling trage and Cycling Trails，River and River and Wetland and Wetland and Sports Buildings。3.2分区：该站点分区是客观的F - 保存并提供辅助主动娱乐设施的开放空间。在此分区下，原则上允许运动设施。拟议的作品与分区目标F. 3.3政策完全一致。
参与体操和足球的青春期前儿童的认知功能
背景：一些发现强调了与运动相关的认知益处。但是，到目前为止尚未评估足球和体操运动员认知功能的差异。关于童年后期儿童仍然存在科学研究的稀缺性。这项研究旨在测试这些群体的认知，包括记忆，注意力和注意力控制，前阶段的执行功能。方法：我们招募了176名参与者（88名男孩和88岁的10-12岁女孩）。根据年龄和参与特定类型的练习选择参与者：第1组，参与封闭技能练习的体操运动员（n = 59），第2组，足球运动员（n = 59）进行开放式练习以及比较小组（n = 58）（n = 58），不涉及这些运动的儿童。结果：练习足球的儿童表现出更好的认知功能，尤其是在关注和认知灵活性有关的领域。相比之下，体操运动员表现出较低的选择性注意力，并且具有更好的口头工作记忆。与对照组相比，两个运动员组在语音循环中均表现出更高的性能，并立即免费回忆视觉材料。在任何一组中都没有观察到认知抑制，推理，言语流利性，计划，theta/ beta比或theta/ smr比的变化。结论：该研究提供了对受儿童各种体育活动影响的特定认知领域的有价值见解，强调了对教育和运动干预措施的潜在影响，并强调了与儿童参与体育的认知优势。
比赛期间足球裁判的心率
精英足球运动员的身体需求会影响裁判的活动。在竞争性比赛中，精英足球裁判以心率（HR）的85–90％覆盖9-13公里。这项系统评价旨在仔细检查有关比赛期间足球裁判中有关人力资源价值的科学文献。搜索包含的PubMed，Web of Science，Medline和Google Scholar数据库截至2023年4月24日，还使用特定关键字的手动搜索。合格的研究包括涉及各个级别的足球裁判的对照观察试验。15篇文章符合标准，重点关注比赛期间的平均心率（HRAVG）和最大心率（HRMAX）。采样裁判中的平均HRAVG为163.13±8.89 bpm，HRMAX平均为191.2±7.01 bpm。hravg的范围从137.76到184.9 bpm，而HRMAX的范围为169.1至222 bpm。尽管足球竞争水平有所不同，但受监测的变量在整个研究中表现出相似的值。这些发现强调了人力资源监测对裁判培训和编程的重要性，以确保它们可以有效地管理各个竞争级别的比赛的身体需求。
为客观足球运动员估值开发可靠的混合机器学习模型
摘要 - Football既是流行的运动，又是一项大型业务。经理们担心团队经理在转移，球员估值问题，尤其是市场价值和转移费用时做出的重要决策。市场价值很重要，因为可以将其视为转移费用转移费用的估计值，这些费用或价格可以为转移市场上的玩家支付。足球专家历史上估计了市场。但是，专家意见是不准确的。因此，数据分析可能会为基于专家的市场价值估计提供可靠的替代品或补充。本文提出了一种定量，客观的方法来评估市场上足球运动员。该技术基于将机器学习算法应用于足球运动员性能数据。为了实现这一目标，采用了决策树回归（DTR）来预测足球运动员的市场价值。此外，还利用了两种新型的元启发式算法，蜂蜜badger算法（HBA）和水母搜索优化器（JSO）来增强DTR模型的性能。实验利用了从sofifa.com收集的FIFA 20游戏数据。此外，它旨在检查信息并查明影响市场价值评估的关键要素。试验结果表明，与其他算法相比，DTJ混合模型在预测参与者的市场定价方面的性能更好。与基线相比，R 2值为0.984，误差比最低，它获得了最高的精度得分。最后，人们认为这些发现对于足球队和球员在球员之间的讨论中可能至关重要。该策略可以用作加快谈判过程并提供对玩家市场价值的可量化，客观评估的跳板。
用于有限通信的部分可观察和动态的机器人足球环境的多代理协调
Abstract Robocup代表了一个国际测试床，用于推进AI和机器人技术的研究，重点是一个确定的目标：开发一个机器人团队，该机器人可以在2050年之前与人类世界足球冠军团队赢得胜利。为了实现这一目标，自动型人形机器人的协调至关重要。本文探讨了Robocup Standard Platform League（SPL）中的新颖解决方案，其中wifi通信的降低至关重要，导致新的协调范式的发展。SPL的网络数据包率大大降低，迫使对高级协调体系结构的需求以维持动态环境中的最佳团队功能。受到基于市场的任务分配的启发，我们引入了一种新颖的分布式协调系统，以在低沟通方面有效地协调自动机器人的动作。在官方的Robocup比赛和Simrobot模拟器中，已对NAO机器人进行了测试，证明了在有限的通信设置中的任务重叠显着降低。
一种多季度的机器学习方法，用于检查专业足球中的训练负荷和伤害关系
摘要。目标：本研究的目的是利用机器学习来检查训练负荷与足球伤害之间的关系，并通过一个英国英超俱乐部的多赛季数据集。方法：参与者是35名男性职业足球运动员（年龄25.79±3。75年，范围18-37岁；高度1.80±0.07 m，范围1.63–1.95 m；重量80.70±6.78 kg，范围为66.03-93.70 kg），范围为66.03–93.70 kg），与2014 – 2014 – 2014 – 2014 – 2014 – 2014年一起收集到2014年季度。对133例非接触式伤害进行了检查，总共检查了106个培训负载变量（40个GPS数据，6个个人信息，14个物理数据，4个心理数据，14个ACWR，14 MSWR和14个EWMA数据），高失衡率为0.013。结果：实施了XGBoost和人工神经网络，以使用四个半季节的数据来训练机器学习模型，随后开发的模型随后对下半年的数据进行了测试。在第一个半赛季中，有341次受伤；在接下来的半赛季中，有37次受伤。要解释和可视化每个模型的输出以及每个功能（即训练负载）对模型的贡献，我们使用了Shapley添加说明（SHAP）方法。37次伤害，XGBOOST正确预测了26次伤害，召回和精度分别为73％和10％。 人工神经网络正确预测了28次伤害，召回和精度分别为77％和13％。 在模型中使用人工神经网络（相对精确的模型），最后的伤害区域和重量似乎是导致损伤预测的最重要特征。37次伤害，XGBOOST正确预测了26次伤害，召回和精度分别为73％和10％。人工神经网络正确预测了28次伤害，召回和精度分别为77％和13％。在模型中使用人工神经网络（相对精确的模型），最后的伤害区域和重量似乎是导致损伤预测的最重要特征。结论：这是使用人工神经网络和多季节数据集进行伤害预测的第一项研究。我们的结果表明，有可能预测高召回率的伤害，从而确定大多数受伤病例，尽管由于高阶层失衡，精度受到了损害。这种使用机器学习的方法为足球组织和从业人员监测负荷伤害提供了潜在的有价值的见解。