基于大数据分析的运动损伤估计模型设计
赵丹
摘 要： 为了预防运动损伤，保证运动员的身体安全，提出一种基于大数据分析的运动损伤估计模型。介绍了大数据分析技术，将引发运动损伤的原因划分成A内部致伤因子、B外部致伤因子、C刺激诱发因子。在大数据分析技术的基础上，通过RBF神经网络构建运动损伤估计模型。分析了基本RBF神经网络，将高斯函数看作隐含层单元的激活函数，通过一种简单的方式设计隐含层，令所有风险等级和一个高斯函数相对应。对径向基函数中心、权值和宽度进行更新，通过梯度下降法对径向基函数中心和其余参数进行学习。依据运动损伤风险样本库对RBF神经网络进行训练，将运动损伤数据输入到RBF神经网络中，当传输数据和某运动损伤风险等级相对应时，RBF神经网络将输出相应值，从而实现运动损伤估计。实验结果表明所设计模型精度和效率都高。
关键词： 大数据分析； 运动损伤； 估计模型； RBF神经网络
中图分类号： TN911.1?34； G804.53 文献标识码： A 文章编号： 1004?373X（2017）17?0101?04
Design of sports injury estimation model based on big data analysis
ZHAO Dan
（School of Physical Education， Zhengzhou Institute of Technology， Zhengzhou 450044， China）
Abstract： In order to prevent sports injury and ensure the physical safety of athletes， a sports injury estimation model based on big data analysis is proposed. The big data analysis technology is introduced. The reasons for sports injury are divided into A internal injury factor， B external injury factor and C stimulation inducing factor. On the basis of big data analysis technology， a sports injury model was constructed by means of RBF neural network. The basic RBF neural network is analyzed. The Gaussian function is regarded as the activation function of the hidden layer unit. The hidden layer was designed in a simple way to let all risk levels correspond to a Gaussian function. The center， weight and width of the radial basis function are updated. The gradient descent method is used to learn center and other parameters of radial basis function. On the basis of risk sample database of sports injury， the RBF neural network is trained， and the sports injury data is input into the RBF neural network. While the transmission data corresponds to the risk level of sports injury， RBF neural network will output the corresponding value to estimate sports injury. Experimental results show that the model has high accuracy and high efficiency.
Keywords： big data analysis； sports injury； estimation model； RBF neural network
運动损伤是运动员训练时常见的问题。近年来，随着体育领域的逐渐发展，运动员间的竞争越来越激烈，运动员因训练时间长导致机体负荷大，使运动损伤发病率越来越高，严重影响了运动员保持及提高成绩，甚至会造成运动员过早离开赛场[1?2]。所以运动损伤的治疗与估计成为体育领域研究的重点课题。为了改善运动损伤估计结果，提出一种基于大数据分析的运动损伤估计模型，通过构建的运动损伤模型为预防运动损伤，保护运动员安全提供重要依据。
1 大数据分析介绍
大数据分析技术因具有数据量大、结构复杂、数据形成效率高等特点被广泛应用，大数据分析技术的好坏将直接对分析结果的可靠性产生影响。不一样的数据需通过不一样的大数据分析技术进行分析，运动损伤数据和传统文本关系数据有很大的差异，本文采用神经网络对运动损伤数据实现大数据分析。
2 基于大数据分析的运动损伤估计模型
2.1 致伤因子分析
经大量研究表明，运动员在运动过程中出现的运动损伤不是一个简单的原因造成的，通常是由若干个因素共同影响导致的后果[3]。引发运动损伤的危险因素通常被划分成内部因素与外部因素两类，然而只从内部因素与外部因素的角度对引起运动损伤的致伤因子进行分析是不充分的，需构建一个完整的运动损伤估计模型，与此同时，还需分析不同因素间的相互作用和引发损伤事件的作用。
在分析国内外学者对运动损伤致伤因子研究的基础上[4]，将引发运动损伤的原因划分成三种：A内部致伤因子，B外部致伤因子，C刺激诱发因子。依据相关资料与运动员实际出现运动损伤的情况，对不同致伤因子进行风险评估，为运动损伤的预防提供重要依据。在运动损伤估计模型中，当A类因子出现时，将运动员看作“有损伤倾向人群”；当前，如果有不同B类因子出现，则可将运动员看作 “损伤易发人群”，当前不同项目运动员出现某类特异性损伤的风险逐渐增加[5]。若运动员已属“损伤易发人群”，则C类因子的出现会大大增加运动损伤的概率。下面对三种不同类型致伤因子进行详细分析，表1描述的是内部致伤因子风险评估表。表2描述的是外部致伤因子风险评估表，表3描述的是刺激诱发因子风险评估表。
2.2 运动损伤估计模型设计
在大数据分析技术的基础上，通过RBF神经网络构建运动损伤估计模型，下面进行详细的分析。
2.2.1 RBF神经网络
RBF神经网络主要包括输入层、隐含层以及输出层[6]，其详细结构图如图1所示。
RBF神经网络的输出可描述成：
（1）
式中：描述隐层神经元数量；描述输入向量；描述第个隐层神经元和输出层神经元的联结权重；描述第个隐层神经元的输出，即：
（2）
式中：描述中心矢量；描述方差。
通过RBF神经网络，依据输入信息对运动员损伤风险等级进行评估，详细情况如表4所示。也就是利用RBF神经网络建立一个估计模型，主要包含基函数选取、隐含层设计以及径向基函数中心、权值和宽度的变更[7]。
2.2.2 基函数选择
将高斯函数看作隐含层单元的激活函数：
（3）
式中：描述第个隐层节点的输出；描述网络的维输入向量；描述第個隐层节点的核函数中心矢量。网络输出可描述成：
（4）
式中：描述第个输出层节点是输出；描述第个隐层节点到第个输出层节点的连接权值。
2.2.3 隐含层设计
采用RBF神经网络构建运动损伤估计模型时，输出是运动损伤风险评估等级[8]，所以令所有风险等级和一个高斯函数相对应，将三类样本和中心点距离的均值看作高斯函数的宽度参数，依次将三类样本的均值看作高斯函数的中心。
2.2.4 参数更新及网络学习
径向基函数中心和其余参数均需进行学习，一般选用误差修正学习过程，通过梯度下降法实现[9]。假设共有个运动损伤样本输入，针对全部样本，其误差函数可通过下式求出：
（5）
式中描述误差，其计算公式如下：
（6）
式中描述运动损伤样本所需类型的取值。
不同参数的迭代过程如下：
（1） 输出单元权值的迭代公式为：
（7）
（8）
式中：描述此刻变量取值；描述迭代后的修正取值。
（2） 隐单元中心的迭代公式如下：
（9）
（10）
（3） 函数宽度的迭代公式如下：
（11）
（12）
式中：描述学习效率，通常是常数。
RBF神经网络的学习过程如下：
（1） 依据已知的运动损伤类别数量确定隐层节点数量，计算出该类别中全部输入向量的均值，将其看作该类中心初始值将所有类的全部输入向量和中心间隔的均值看作该类宽度初始值所有类别均输入一个样本，计算初始设置允许误差将学习效率取为其中代表迭代循环变量。假设循环变量的初值是1，最高值是Max；
（2） 输入第个训练样本，获取RBF神经网络实际输出
（3） 求出实际输出和期望输出间的误差，若则该样本无需调整网络参数，直接进行步骤（6）；反之，继续进行下一步；
（4） 计算式（7）～式（12）；
（5） 对网络参数进行更新，若则不收敛，直接进入步骤（6）；反之，重新进行步骤（2）；
（6） 完成学习，对此刻网络参数进行储存。
2.3 RBF神经网络训练
依据运动损伤风险样本库对RBF神经网络进行训练，训练过程如图2所示。完成RBF神经网络的训练后，将运动损伤数据输入到RBF神经网络中，当传输数据和某运动损伤风险等级相对应时，RBF神经网络将输出相应值，从而实现运动损伤估计。
3 实例分析
为了验证基于大数据分析的运动损伤估计模型的有效性，通过实验进行分析，并将贝叶斯模型和拉格朗日模型作为运动损伤估计的对比模型，选择估计准确率和估计效率作为衡量指标，图3为三种模型针对运动损伤估计精度的比较结果。图4为三种模型评估时间比较结果。综合分析图3和图4可知，本文模型评估精度曲线一直高于拉格朗日模型和贝叶斯模型，且所需的评估时间明显低于其他两种模型，说明本文模型估计精度和效率高。
4 结 语
为了提高运动损伤估计准确性，本文提出基于大数据分析的运动损伤估计模型，在大数据分析技术的基础上，通过RBF神经网络构建运动损伤估计模型，经实验验证所设计模型的精度和效率较高。
参考文献
[1] 侯云飞，吕扬，周方，等.急性创伤性颈髓损伤患者气管切开预测模型[J].中国脊柱脊髓杂志，2015，25（2）：148?157.
[2] 彭发胜.篮球运动员过度训练对肘膝关节损伤建模仿真[J].计算机仿真，2015，32（12）：382?385.
[3] 郭晓辉，王晶，杨扬，等.基于虚拟现实的下肢主被动康复训练系统研究[J].西安交通大学学报，2016，50（2）：124?131.
[4] 张美珍，刘卉，刘万将，等.随机生物力学模型分析篮球运动员和普通大学生ACL损伤危险因素的差异[J].体育科学，2016，36（10）：40?47.
[5] 张凯.大数据网络入侵过程的痕迹数据监测方法研究[J].科学技术与工程，2016，16（14）：254?258.
[6] 何玉新.增广链修复下大数据并行搜索聚类算法[J].科技通报，2016，32（3）：109?113.
[7] 刘述芝，胡志刚，张健.冲击载荷作用下运动员下肢动态响应的逆向动力学仿真[J].医用生物力学，2015，30（1）：30?37.
[8] 李亚如，刘建华.大数据环境下MapReduce准入控制的设计与实现[J].计算机测量与控制，2016，24（2）：114?117.
[9] 张翔，柴志铭，赵丽.延迟性肌肉酸痛与骨骼肌卫星细胞：骨骼肌损伤的修复[J].中国组织工程研究，2015，19（37）：6031?6036.
摘 要： 为了预防运动损伤，保证运动员的身体安全，提出一种基于大数据分析的运动损伤估计模型。介绍了大数据分析技术，将引发运动损伤的原因划分成A内部致伤因子、B外部致伤因子、C刺激诱发因子。在大数据分析技术的基础上，通过RBF神经网络构建运动损伤估计模型。分析了基本RBF神经网络，将高斯函数看作隐含层单元的激活函数，通过一种简单的方式设计隐含层，令所有风险等级和一个高斯函数相对应。对径向基函数中心、权值和宽度进行更新，通过梯度下降法对径向基函数中心和其余参数进行学习。依据运动损伤风险样本库对RBF神经网络进行训练，将运动损伤数据输入到RBF神经网络中，当传输数据和某运动损伤风险等级相对应时，RBF神经网络将输出相应值，从而实现运动损伤估计。实验结果表明所设计模型精度和效率都高。
关键词： 大数据分析； 运动损伤； 估计模型； RBF神经网络
中图分类号： TN911.1?34； G804.53 文献标识码： A 文章编号： 1004?373X（2017）17?0101?04
Design of sports injury estimation model based on big data analysis
ZHAO Dan
（School of Physical Education， Zhengzhou Institute of Technology， Zhengzhou 450044， China）
Abstract： In order to prevent sports injury and ensure the physical safety of athletes， a sports injury estimation model based on big data analysis is proposed. The big data analysis technology is introduced. The reasons for sports injury are divided into A internal injury factor， B external injury factor and C stimulation inducing factor. On the basis of big data analysis technology， a sports injury model was constructed by means of RBF neural network. The basic RBF neural network is analyzed. The Gaussian function is regarded as the activation function of the hidden layer unit. The hidden layer was designed in a simple way to let all risk levels correspond to a Gaussian function. The center， weight and width of the radial basis function are updated. The gradient descent method is used to learn center and other parameters of radial basis function. On the basis of risk sample database of sports injury， the RBF neural network is trained， and the sports injury data is input into the RBF neural network. While the transmission data corresponds to the risk level of sports injury， RBF neural network will output the corresponding value to estimate sports injury. Experimental results show that the model has high accuracy and high efficiency.
Keywords： big data analysis； sports injury； estimation model； RBF neural network
運动损伤是运动员训练时常见的问题。近年来，随着体育领域的逐渐发展，运动员间的竞争越来越激烈，运动员因训练时间长导致机体负荷大，使运动损伤发病率越来越高，严重影响了运动员保持及提高成绩，甚至会造成运动员过早离开赛场[1?2]。所以运动损伤的治疗与估计成为体育领域研究的重点课题。为了改善运动损伤估计结果，提出一种基于大数据分析的运动损伤估计模型，通过构建的运动损伤模型为预防运动损伤，保护运动员安全提供重要依据。
1 大数据分析介绍
大数据分析技术因具有数据量大、结构复杂、数据形成效率高等特点被广泛应用，大数据分析技术的好坏将直接对分析结果的可靠性产生影响。不一样的数据需通过不一样的大数据分析技术进行分析，运动损伤数据和传统文本关系数据有很大的差异，本文采用神经网络对运动损伤数据实现大数据分析。
2 基于大数据分析的运动损伤估计模型
2.1 致伤因子分析
经大量研究表明，运动员在运动过程中出现的运动损伤不是一个简单的原因造成的，通常是由若干个因素共同影响导致的后果[3]。引发运动损伤的危险因素通常被划分成内部因素与外部因素两类，然而只从内部因素与外部因素的角度对引起运动损伤的致伤因子进行分析是不充分的，需构建一个完整的运动损伤估计模型，与此同时，还需分析不同因素间的相互作用和引发损伤事件的作用。
在分析国内外学者对运动损伤致伤因子研究的基础上[4]，将引发运动损伤的原因划分成三种：A内部致伤因子，B外部致伤因子，C刺激诱发因子。依据相关资料与运动员实际出现运动损伤的情况，对不同致伤因子进行风险评估，为运动损伤的预防提供重要依据。在运动损伤估计模型中，当A类因子出现时，将运动员看作“有损伤倾向人群”；当前，如果有不同B类因子出现，则可将运动员看作 “损伤易发人群”，当前不同项目运动员出现某类特异性损伤的风险逐渐增加[5]。若运动员已属“损伤易发人群”，则C类因子的出现会大大增加运动损伤的概率。下面对三种不同类型致伤因子进行详细分析，表1描述的是内部致伤因子风险评估表。表2描述的是外部致伤因子风险评估表，表3描述的是刺激诱发因子风险评估表。
2.2 运动损伤估计模型设计
在大数据分析技术的基础上，通过RBF神经网络构建运动损伤估计模型，下面进行详细的分析。
2.2.1 RBF神经网络
RBF神经网络主要包括输入层、隐含层以及输出层[6]，其详细结构图如图1所示。
RBF神经网络的输出可描述成：
（1）
式中：描述隐层神经元数量；描述输入向量；描述第个隐层神经元和输出层神经元的联结权重；描述第个隐层神经元的输出，即：
（2）
式中：描述中心矢量；描述方差。
通过RBF神经网络，依据输入信息对运动员损伤风险等级进行评估，详细情况如表4所示。也就是利用RBF神经网络建立一个估计模型，主要包含基函数选取、隐含层设计以及径向基函数中心、权值和宽度的变更[7]。
2.2.2 基函数选择
将高斯函数看作隐含层单元的激活函数：
（3）
式中：描述第个隐层节点的输出；描述网络的维输入向量；描述第個隐层节点的核函数中心矢量。网络输出可描述成：
（4）
式中：描述第个输出层节点是输出；描述第个隐层节点到第个输出层节点的连接权值。
2.2.3 隐含层设计
采用RBF神经网络构建运动损伤估计模型时，输出是运动损伤风险评估等级[8]，所以令所有风险等级和一个高斯函数相对应，将三类样本和中心点距离的均值看作高斯函数的宽度参数，依次将三类样本的均值看作高斯函数的中心。
2.2.4 参数更新及网络学习
径向基函数中心和其余参数均需进行学习，一般选用误差修正学习过程，通过梯度下降法实现[9]。假设共有个运动损伤样本输入，针对全部样本，其误差函数可通过下式求出：
（5）
式中描述误差，其计算公式如下：
（6）
式中描述运动损伤样本所需类型的取值。
不同参数的迭代过程如下：
（1） 输出单元权值的迭代公式为：
（7）
（8）
式中：描述此刻变量取值；描述迭代后的修正取值。
（2） 隐单元中心的迭代公式如下：
（9）
（10）
（3） 函数宽度的迭代公式如下：
（11）
（12）
式中：描述学习效率，通常是常数。
RBF神经网络的学习过程如下：
（1） 依据已知的运动损伤类别数量确定隐层节点数量，计算出该类别中全部输入向量的均值，将其看作该类中心初始值将所有类的全部输入向量和中心间隔的均值看作该类宽度初始值所有类别均输入一个样本，计算初始设置允许误差将学习效率取为其中代表迭代循环变量。假设循环变量的初值是1，最高值是Max；
（2） 输入第个训练样本，获取RBF神经网络实际输出
（3） 求出实际输出和期望输出间的误差，若则该样本无需调整网络参数，直接进行步骤（6）；反之，继续进行下一步；
（4） 计算式（7）～式（12）；
（5） 对网络参数进行更新，若则不收敛，直接进入步骤（6）；反之，重新进行步骤（2）；
（6） 完成学习，对此刻网络参数进行储存。
2.3 RBF神经网络训练
依据运动损伤风险样本库对RBF神经网络进行训练，训练过程如图2所示。完成RBF神经网络的训练后，将运动损伤数据输入到RBF神经网络中，当传输数据和某运动损伤风险等级相对应时，RBF神经网络将输出相应值，从而实现运动损伤估计。
3 实例分析
为了验证基于大数据分析的运动损伤估计模型的有效性，通过实验进行分析，并将贝叶斯模型和拉格朗日模型作为运动损伤估计的对比模型，选择估计准确率和估计效率作为衡量指标，图3为三种模型针对运动损伤估计精度的比较结果。图4为三种模型评估时间比较结果。综合分析图3和图4可知，本文模型评估精度曲线一直高于拉格朗日模型和贝叶斯模型，且所需的评估时间明显低于其他两种模型，说明本文模型估计精度和效率高。
4 结 语
为了提高运动损伤估计准确性，本文提出基于大数据分析的运动损伤估计模型，在大数据分析技术的基础上，通过RBF神经网络构建运动损伤估计模型，经实验验证所设计模型的精度和效率较高。
参考文献
[1] 侯云飞，吕扬，周方，等.急性创伤性颈髓损伤患者气管切开预测模型[J].中国脊柱脊髓杂志，2015，25（2）：148?157.
[2] 彭发胜.篮球运动员过度训练对肘膝关节损伤建模仿真[J].计算机仿真，2015，32（12）：382?385.
[3] 郭晓辉，王晶，杨扬，等.基于虚拟现实的下肢主被动康复训练系统研究[J].西安交通大学学报，2016，50（2）：124?131.
[4] 张美珍，刘卉，刘万将，等.随机生物力学模型分析篮球运动员和普通大学生ACL损伤危险因素的差异[J].体育科学，2016，36（10）：40?47.
[5] 张凯.大数据网络入侵过程的痕迹数据监测方法研究[J].科学技术与工程，2016，16（14）：254?258.
[6] 何玉新.增广链修复下大数据并行搜索聚类算法[J].科技通报，2016，32（3）：109?113.
[7] 刘述芝，胡志刚，张健.冲击载荷作用下运动员下肢动态响应的逆向动力学仿真[J].医用生物力学，2015，30（1）：30?37.
[8] 李亚如，刘建华.大数据环境下MapReduce准入控制的设计与实现[J].计算机测量与控制，2016，24（2）：114?117.
[9] 张翔，柴志铭，赵丽.延迟性肌肉酸痛与骨骼肌卫星细胞：骨骼肌损伤的修复[J].中国组织工程研究，2015，19（37）：6031?6036.
