足球研究的标题前进领域是使用统计建模和机器学习算法来预先匹配结果(1、2、3、4)。这些技术为脚步练习者提供了更深入分析的机会,以识别训练和匹配期间的关键变量,以准备不同的竞争情况。统计建模技术利用历史性能数据来识别模式和趋势以预测未来的结果。多种统计建模方法已用于预测匹配结果,例如; Mann-Whitney U非参数测试(5),t检验和判别分析(6、7)和单向方差分析(1、7、8、9)。最近,由于大数据的可用性,与统计建模技术相比,机器学习算法的灵活性和识别更复杂模式的能力变得越来越流行。这些包括;线性回归(10),日志线性建模(11),多元素逻辑回归(12),逻辑回归(13,14),贝叶斯网络(15)和决策树(1,9)。最流行的分类算法之一是决策树(16),旨在通过最小化分类错误来创建输出。该算法代表了通过决策节点的过程中从单数分区(根节点)中的基于结果的决策(叶子节点)。因此,在本研究中使用了决策树算法来表示所选性能变量和匹配结果之间的关系。因此,在这项研究中,分析中首先包括反对派和评分质量。专注于成功的决定因素时,考虑可能也会影响足球表现的外部参数至关重要。结果,“情境变量”的概念已成为绩效研究的重要方面(17)。重大搜索的两个突出变量是匹配状态,对“获胜”,“绘画或输掉”(18、19、20)和反对派的效果的影响,在对抗“强”“平衡”或“弱”对手时对性能的效果(11、12、12、12、21、21、21、22)。有效评估足球运动中的运动表现,对上述情况变量的了解进行了上述研究,以表明在分析性能时需要包含。确定反对水平的传统方法是基于目前的地位(23),赛季结束(11)或由于对方队伍之间海上排名末期的差异而定义的(24)。这些方法提出了批评,因为使用季节结束和赛车排名在季节动量和人性变化中都无法随着时间的流逝而认识到。因此,为了改善方法论严格,作者现在利用基于距离的机器学习算法,例如K-均值聚类(1,25,26)。上面的研究提供了对第一个团队级别的成功终端的详尽看法,使用方法来预测结合机器学习的匹配结果
正念冥想是一种流行的冥想形式,已在教育、临床环境、商业行业和军队等各个领域显示出广泛的益处(Goldberg 等人,2020 年;Duff,2022 年)。身心联系是正念冥想的核心,最近的研究表明,冥想可以调节大脑网络组织和默认模式网络内心脏活动的神经表征(Jiang 等人,2020 年;Lurz 和 Ladwig,2022 年;Wong 等人,2022 年)。然而,与对正念其他机制的大量研究相比,关于脑心联系的潜在神经机制的研究仍然相对稀缺(Ng 等人,2005 年;Minhas 等人,2022 年)。我们之前的研究证明了正念冥想练习者的脑心同步,然而,它只在群体层面检查了数据(Gao 等人,2016 年)。为了更好地理解大脑和身体在冥想过程中如何相互作用,本研究重点关注个体正念冥想练习中瞬间的大脑-心脏同步,这将支持在正念练习中的更广泛应用。自然地,个体在对重大事件或强烈情绪的反应中可以感受到即时的身心联系,而心脏尤其敏感。这是因为中枢神经系统通过自主神经系统调节内脏器官活动,大多数内脏器官自主运作,但表现出明显的昼夜节律(Tran 等人,2021 年;Chambers 等人,2022 年)。保持一致的身心活动和昼夜节律对我们的健康至关重要,扰乱可能会导致内脏器官功能障碍甚至心脏骤停(Tran 等人,2021 年)。认识到身心一致性的重要性,生物医学社会模型已被提出用于促进健康( Heidger,2011 )。为了简化身心联系的研究,本研究探讨了大脑和心脏活动之间的关系,因为心脏是对外界刺激最敏感的器官( Lutwak and Dill,2012 )。脑电图(EEG)和心电图(ECG)可以分别轻松测量大脑和心脏活动。不同的 EEG 频带,如 delta、theta、alpha、beta 和 gamma,反映了不同的心理状态。其中,alpha 波是人类的主要大脑振荡,alpha 波活动的变化是 EEG 冥想研究中最可靠的结果( Lomas et al.,2015 )。不同的冥想形式会引起不同脑波段的变化;例如,传统的藏传佛教冥想与伽马波段变化有关(Lutz 等人,2004 年;Ferrarelli 等人,2013 年;Jiang 等人,2020 年)。研究还表明,前扣带皮层与自主神经系统相连(Devinsky 等人,1995 年),和额叶中线 θ 节律与冥想期间的心率变异性相关(Kubota 等人,2001 年)。尽管如此,在各种冥想过程中,普遍观察到 α 波活动增加,特别是在枕叶和额叶区域(Cahn 和 Polich,2006 年)。在本研究中,我们专注于 α 波分析,因为它在闭眼放松期间的大脑节律和主导地位中具有重要意义,闭眼放松被认为是一种“皮质