長期超負(fù)荷運(yùn)動下人體特征部位損傷概率實(shí)驗(yàn)分析預(yù)測

范曉峰

(德州學(xué)院 體育學(xué)院，山東 德州 253000)

在體育運(yùn)動訓(xùn)練中，人體的損傷是關(guān)系到運(yùn)動員健康和身體機(jī)能的重要因素，需要對長期超負(fù)荷運(yùn)動下人體特征部位損傷概率進(jìn)行有效預(yù)測，結(jié)合預(yù)測結(jié)果進(jìn)行體育訓(xùn)練中的易損傷部位定位檢測.根據(jù)損傷部位檢測和損傷概率預(yù)測結(jié)果實(shí)現(xiàn)長期超負(fù)荷運(yùn)動下人體特征部位損傷概率分析，提高運(yùn)動訓(xùn)練過程中的損傷診斷和預(yù)防能力，從而避免體育訓(xùn)練中的損傷，為體育訓(xùn)練中的損傷預(yù)防和救治提供理論基礎(chǔ).研究長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測方法在體育運(yùn)動和體育醫(yī)學(xué)中具有很好的應(yīng)用價值[1].

對長期超負(fù)荷運(yùn)動下的人體特征部位損傷概率進(jìn)行預(yù)測，能有效反映運(yùn)動員的生理狀態(tài)特征，從而制訂科學(xué)的訓(xùn)練計(jì)劃，促進(jìn)更加合理化的運(yùn)動方式的形成.傳統(tǒng)的人體特征部位損傷概率預(yù)測，主要利用專家系統(tǒng)進(jìn)行預(yù)測，采用以人工神經(jīng)元網(wǎng)絡(luò)預(yù)測體系為主、貝葉斯動態(tài)預(yù)測體系為輔的雙重預(yù)測方法進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測[2-3]，對長期超負(fù)荷運(yùn)動下人體特征部位損傷的整體運(yùn)行狀態(tài)和變化趨勢作出判斷和預(yù)警，結(jié)合總體狀態(tài)描述指標(biāo)進(jìn)行運(yùn)動損傷預(yù)測，提高預(yù)測效果，但上述傳統(tǒng)方法在進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測時，存在精度較低和置信度不好的問題.

對此，本文提出一種基于隨機(jī)概率分布模型的長期超負(fù)荷運(yùn)動下人體特征部位損傷概率實(shí)驗(yàn)分析預(yù)測方法.首先對長期超負(fù)荷運(yùn)動下人體特征部位損傷概率先驗(yàn)信息進(jìn)行回歸分析模型構(gòu)建，采用描述性統(tǒng)計(jì)分析方法進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷概率的樣本分析，然后在回歸分析模型中對長期超負(fù)荷運(yùn)動下人體特征部位損傷概率樣本序列進(jìn)行關(guān)聯(lián)特征分解. 結(jié)合隨機(jī)概率分布模型進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷的自動預(yù)測，采用支持向量機(jī)預(yù)測模型進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷概率的特征信息聚類和穩(wěn)健性檢驗(yàn)處理，實(shí)現(xiàn)長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測模型優(yōu)化.最后進(jìn)行仿真實(shí)驗(yàn)分析，展示了該方法在提高長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測能力方面的優(yōu)越性.

1 長期超負(fù)荷運(yùn)動下人體特征部位損傷概率分析及關(guān)聯(lián)特征分解

1.1 長期超負(fù)荷運(yùn)動下人體特征部位損傷概率分析

長期超負(fù)荷運(yùn)動下人體特征部位損傷概率數(shù)據(jù)可以看作是一組概率分析樣本序列，采用概率分析樣本序列分析方法分析長期超負(fù)荷運(yùn)動下人體特征部位損傷概率分布，進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷概率的分析[4]，采用特征方程描述長期超負(fù)荷運(yùn)動下人體特征部位損傷概率的擬合狀態(tài)模型為：

(1)

(3) 令xn+1=μxn(1-xn)是一個長期超負(fù)荷運(yùn)動下人體特征部位損傷概率樣本序列模型的共軛解，滿足初始值特征分解條件

U={u(t)|u(t)∈X,‖u‖d,t∈I}，

其中(Ii)i∈N={x1,x2,…,xm}.對于一組多元變量的長期超負(fù)荷運(yùn)動下人體特征部位損傷概率序列x(n)，采用廣義積分-微分方程描述長期超負(fù)荷運(yùn)動下人體特征部位損傷概率的特征量為：

(2)

當(dāng)q=2，長期超負(fù)荷運(yùn)動下人體特征部位損傷概率信息分布滿足Bernoulli空間的(2+1)維連續(xù)特征分布，其中在持續(xù)時間內(nèi)運(yùn)動損傷預(yù)測的約束條件為：

(3)

通過全局漸進(jìn)穩(wěn)定性特征分解，對長期超負(fù)荷運(yùn)動下人體特征部位損傷概率進(jìn)行分析[5]，得到長期超負(fù)荷運(yùn)動下人體特征部位損傷概率樣本序列的因子主成分概率密度置信域?yàn)椋?/p>

(4)

上式中，αk為長期超負(fù)荷運(yùn)動下人體特征部位損傷概率樣本序列在全局漸進(jìn)穩(wěn)定狀態(tài)下的矢量場，μk為非線性成分的統(tǒng)計(jì)量，運(yùn)動損傷預(yù)測的約束變量為：

(5)

對統(tǒng)計(jì)的長期超負(fù)荷運(yùn)動下人體特征部位損傷概率先驗(yàn)信息進(jìn)行回歸模型構(gòu)建，采用描述性統(tǒng)計(jì)分析方法進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷概率的樣本分析，進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷概率分析[6].

1.2 損傷概率樣本序列關(guān)聯(lián)特征分解

為了保持原始損傷概率樣本序列數(shù)據(jù)的關(guān)聯(lián)維分布特征，進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷概率樣本序列模型構(gòu)建，描述為：

(6)

其中，A代表損傷概率樣本序列模型，u(x)是長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測值，k為樣本有效數(shù)據(jù)量.

在損傷概率樣本序列模型基礎(chǔ)上，采用支持向量機(jī)訓(xùn)練方法進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷概率的約束變量分類，長期超負(fù)荷運(yùn)動下人體特征部位損傷概率的支持向量機(jī)訓(xùn)練模型為：

(7)

其中，λ表示分類系數(shù).

對得到的人體特征部位損傷概率的約束變量分類結(jié)果進(jìn)一步深化處理，以判斷損傷概率樣本序列是否具有可預(yù)測性. 將長期超負(fù)荷運(yùn)動下人體特征部位損傷概率序列特征值分解為多個數(shù)值[7]，得到損傷概率樣本序列滿足：

(8)

當(dāng)sc=1時，可得到長期超負(fù)荷運(yùn)動下人體特征部位損傷概率序列特征值，表明長期超負(fù)荷運(yùn)動下人體特征部位損傷概率樣本序列具有可預(yù)測性，得到人體特征部位損傷概率的分布特征信息集為：

H(X)=

(9)

綜上，可以得到長期超負(fù)荷運(yùn)動下人體特征部位損傷概率樣本序列關(guān)聯(lián)特征，可描述為：

(10)

2 預(yù)測模型優(yōu)化

2.1 人體特征部位損傷的自動預(yù)測

在對長期超負(fù)荷運(yùn)動下人體特征部位損傷概率先驗(yàn)信息進(jìn)行回歸分析模型構(gòu)建的基礎(chǔ)上，進(jìn)行人體特征部位損傷的自動預(yù)測模型的優(yōu)化設(shè)計(jì). 本文提出一種基于隨機(jī)概率分布模型的長期超負(fù)荷運(yùn)動下人體特征部位損傷概率實(shí)驗(yàn)分析預(yù)測方法，在Sobolev空間中構(gòu)建長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測的回歸分析模型[8]，長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測的控制目標(biāo)函數(shù)為：

(11)

(12)

在Banach空間中，長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測模型的連續(xù)函數(shù)為u:I×IRd→IR，長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測準(zhǔn)確性的置信度為：c1eλ1t+c2eλ2t(λ1≠λ2)或(c1+c2t)eλt(λ1=λ2=λ)，在回歸分析模型中對長期超負(fù)荷運(yùn)動下人體特征部位損傷概率樣本序列進(jìn)行關(guān)聯(lián)特征分解，回歸分析模型的特征分解值滿足：

(13)

其中，?x1,x2,y1,y2∈R，設(shè)x*是長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測模型的向量解集{xk}中的一個權(quán)重貢獻(xiàn)點(diǎn)，損傷概率訓(xùn)練向量模式：

x(t)=(x0(t),x1(t),…,xk-1(t))T

(14)

(15)

Md(Ci)=Mn(Ci)+Mo(Ci)

(16)

式中，Mo(Ci)為BP算法結(jié)構(gòu)的長期超負(fù)荷運(yùn)動下人體特征部位損傷概率穩(wěn)態(tài)向量模型，Ci(i=1,2,…,n)為預(yù)測信息的加載數(shù).當(dāng)長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測模型的融合尺度滿足Duhamel公式：

u(t)=w(t)(u0,u1)+

(17)

其中, 長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測的尺度變換性表示為F(u)= |u|4u，采用邊界條件約束方法，進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷概率實(shí)驗(yàn)分析.

2.2 損傷概率預(yù)測模型優(yōu)化

根據(jù)Lyapunov-Krasovskii泛函理論，對于一個連續(xù)的長期超負(fù)荷運(yùn)動下人體特征部位損傷概率樣本序列，經(jīng)驗(yàn)?zāi)B(tài)分解的遞歸計(jì)算表達(dá)式為：

(18)

在長期超負(fù)荷運(yùn)動下人體特征部位損傷概率數(shù)據(jù)的采樣間隔滿足灰色條件，長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測特征點(diǎn)的高階矩滿足X=XT≥0，Y=YT≥0，那么有下列等式成立：

(19)

(20)

長期超負(fù)荷運(yùn)動下人體特征部位損傷概率樣本序列的主成分因子為：

(21)

(22)

(23)

統(tǒng)計(jì)得到長期超負(fù)荷運(yùn)動下人體特征部位損傷概率數(shù)據(jù)信息流的單變量時間序列表示{xn}，其中長期超負(fù)荷運(yùn)動下人體特征部位損傷概率數(shù)據(jù)采樣樣本長度為N，得到長期超負(fù)荷運(yùn)動下人體特征部位損傷概率樣本時間序列組合排序的重構(gòu)軌跡為：

X=[s1,s2,…,sK]n=(xn,xn-τ,…,xn-(m-1)τ)

(24)

其中K=N-(m-1)τ，表示長期超負(fù)荷運(yùn)動下人體特征部位損傷概率數(shù)據(jù)的嵌入維，對于長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測的判別統(tǒng)計(jì)量X*∈S，當(dāng)且僅當(dāng)存在一個弱非線性可行解X∈S，使得所有不等式fi(X*)fi(X)成立，當(dāng)預(yù)測問題X*為多目標(biāo)優(yōu)化問題，采用支持向量機(jī)學(xué)習(xí)，得到長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測的最優(yōu)值表述：

(25)

根據(jù)上述描述，實(shí)現(xiàn)基于隨機(jī)概率分布模型的長期超負(fù)荷運(yùn)動下人體特征部位損傷概率實(shí)驗(yàn)分析預(yù)測.

3 仿真實(shí)驗(yàn)分析

為了測試本文方法在實(shí)現(xiàn)長期超負(fù)荷運(yùn)動下人體特征部位損傷概率實(shí)驗(yàn)分析預(yù)測能力方面的性能，進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)采用Matlab 設(shè)計(jì)，長期超負(fù)荷運(yùn)動下人體特征損傷檢測學(xué)習(xí)訓(xùn)練參數(shù)為NEj*(t)=1+9e-t/1 024=12，數(shù)據(jù)采樣的時間間隔為3 d，迭代次數(shù)為100次. 根據(jù)上述仿真設(shè)定，進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測模型設(shè)計(jì)，得到樣本數(shù)據(jù)時域波形描述如圖1所示.

以上述采集的長期超負(fù)荷運(yùn)動下人體特征部位損傷概率統(tǒng)計(jì)樣本為測試集，進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測模型仿真分析，得到不同方法的預(yù)測誤差對比結(jié)果如圖2所示.

圖1 長期超負(fù)荷運(yùn)動下人體特征部位損傷概率統(tǒng)計(jì)的時域波形

圖2 預(yù)測誤差分析

測試不同方法進(jìn)行預(yù)測的置信度，得到對比結(jié)果見表1.

表1 置信度水平對比

分析上述仿真結(jié)果得知，采用該模型進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測的精度較高，收斂性較好，提高了對長期超負(fù)荷運(yùn)動下人體特征部位損傷概率的預(yù)測和決策能力.

4 結(jié)語

本文提出一種基于隨機(jī)概率分布模型的長期超負(fù)荷運(yùn)動下人體特征部位損傷概率實(shí)驗(yàn)分析預(yù)測方法.對統(tǒng)計(jì)的長期超負(fù)荷運(yùn)動下人體特征部位損傷概率先驗(yàn)信息進(jìn)行回歸分析模型構(gòu)建，采用描述性統(tǒng)計(jì)分析方法進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷概率的樣本分析. 在回歸分析模型中對長期超負(fù)荷運(yùn)動下人體特征部位損傷概率樣本序列進(jìn)行關(guān)聯(lián)特征分解，結(jié)合隨機(jī)概率分布模型進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷的自動預(yù)測. 采用支持向量機(jī)預(yù)測模型進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷概率的特征信息聚類和穩(wěn)健性檢驗(yàn)處理，實(shí)現(xiàn)長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測模型優(yōu)化.研究得知，采用該模型進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測的精度較高，收斂性較好，提高了對長期超負(fù)荷運(yùn)動下人體特征部位損傷概率的預(yù)測能力.