人工智能技術在國際體育運動領域的聚類與演化

路來冰 李小龍

摘?要：以Web of Science數(shù)據(jù)庫1995年以來“體育人工智能”等關鍵詞為主題的549篇文獻為數(shù)據(jù)來源，利用Cite Space V軟件進行可視化處理和分析，以可視化知識圖譜的方式梳理了近25年體育人工智能研究的國家、學科分布、研究熱點以及演化趨勢，探討其研究進展和發(fā)展方向。1）體育人工智能研究地區(qū)分布較廣，其中美國、中國和德國處于領先地位。2）體育人工智能研究涉及到多個學科，主要運用和借鑒了計算機科學、工程學、體育科學等學科的研究方法和理論視角。3）關鍵詞的頻次與中心性印證了目前體育人工智能領域是以機器學習為主要方向，人工神經(jīng)網(wǎng)絡為主要算法，注重以數(shù)據(jù)挖掘為基礎的實踐與實證研究。4）研究熱點包括基于可穿戴加速度計技術的簡單活動識別與能量消耗研究;基于可穿戴式傳感器的動作分析與損傷防控研究;基于卷積神經(jīng)網(wǎng)絡算法的計算機視覺場景分類研究;基于計算機視覺的體能與技戰(zhàn)術的分析與預測;基于計算機深度學習的人體姿態(tài)識別技術。

關鍵詞：人工智能;體育;知識圖譜;機器學習;計算機視覺;神經(jīng)網(wǎng)絡

中圖分類號：G80-05?文獻標識碼：A?文章編號：1006-2076（2020）03-0021-12

Abstract：Taking 549 articles from Web of Science database since 1995 with the theme of "sportsartificial intelligence"as data sources， using Cite Space V software visualization processing and analysis，the authors sorted out the artificial intelligence research in the past 25 years in the form of visual knowledge map， including the countries that carry out the research， the subject distribution， the research hotspots and evolution trend， discussed the research progress and development direction.It is concluded that： 1） Sports artificial intelligence research is widely distributed， among which the United States， China and Germany are in the leading position;2） The research involves many disciplines， mainly using and drawing on the research methods and theoretical perspectives of computer science， engineering， and sports science;3） The frequency and?centrality of keywordsconfirm that the current field of sports artificial intelligence focuses on machine learning，artificial neural network as the main algorithm， and focuses on practical and empirical research based on data mining.4） Research focuses include research on simple activity identification and energy consumption based on wearable accelerometer technology; movement analysisand damage prevention and control research based on wearable sensors; classification of computer vision scenes based on convolutional neural network algorithm; analysis and prediction of physical ability， technique and tactics basedon computer vision; body posture recognition technology based on computer deep learning.

Key words： artificial intelligence;sports;knowledge map;machine learning;computer vision; neural network

人工智能（Artificial Intelligence，簡稱AI）是一門在計算機科學、控制論、信息論、系統(tǒng)科學、哲學等多種學科基礎上發(fā)展起來的，能夠模擬、延伸、擴展人類智能的學科[1]，是為了不斷提升生存發(fā)展的水平，人類利用知識去發(fā)現(xiàn)問題、定義問題（認識世界）和解決問題（改造世界）的能力[2]。人工智能通常用于解決計算機無法處理的問題，是人類進入信息產(chǎn)業(yè)革命時代達到的認識和改造客觀世界能力的高峰。有學者通過分析我國人工智能技術40年的發(fā)展歷程指出：“人工智能的近期主要目標在于研究用機器來模仿和執(zhí)行人腦的某些智力功能，而遠期目標是用自動機模仿人類的思維活動和智力功能[3]?！彪S著科技的發(fā)展，在國際運動訓練與體育教育領域中越來越多地運用了人工智能的輔助手段。本文運用Citespave V軟件對WOS數(shù)據(jù)庫中的相關文獻進行梳理分析，通過分析國際體育界對于人工智能的研究與應用情況，完善相關研究框架，同時取長補短，填補國內(nèi)相關研究空白，為抓住時代契機，推進我國體育運動領域的人工智能研究，早日實現(xiàn)我國由體育大國邁進體育強國的目標建言獻策。

1?數(shù)據(jù)來源與研究方法

本研究以Web of Science數(shù)據(jù)庫平臺核心集的SCIE、SSCI和A﹠HCI為來源進行檢索。本文重點探討人工智能在廣義上的具有一定規(guī)則的體育運動中的發(fā)展與應用情況，因此選擇“Sports”作為“體育”的釋義。體育領域人工智能的應用覆蓋面較廣，因此單以“Artificial Intelligence Sports”為主題檢索詞，無法全面反映此領域的研究現(xiàn)狀。通過前期文獻調研與專家咨詢，認為目前人工智能領域的應用研究方向包括機器學習、深度學習、自然語言處理、知識表示、自動推理、計算機視覺和機器人等。其中機器學習、深度學習、自然語言處理和計算機視覺都是目前研究的熱門方向，而這些熱點方向也已經(jīng)逐漸滲透到體育運動領域中，因此本文將基于這幾個熱點詞確定檢索詞（表1）。文獻格式為Article，檢索范圍為1995—2020年，檢索時間為2020年2月22日，共檢索到初始文獻549篇。

本研究選取陳超美博士研發(fā)的Cite Space V軟件（版本號為5.5R2 64bit）。此軟件能科學的繪制各學科領域的知識圖譜、分析不同特征和類型的引文網(wǎng)絡以及識別和呈現(xiàn)學科發(fā)展新趨勢和新動態(tài)[4]?？蓪嫶蟮臄?shù)據(jù)繪制為圖形或圖像直觀地呈現(xiàn)出來，進而可以了解表示對象或事件數(shù)據(jù)的多個屬性，使人們能夠在大量的數(shù)據(jù)中直接地觀察到隱含的現(xiàn)象與事物的重點，為研究決策提供依據(jù)。

2?研究結果與分析

2.1?體育人工智能研究的國家（地區(qū)）分布

通過Cite space V軟件的分析，由于相關文獻最早出現(xiàn)于1995年，故時區(qū)分割（Time Slicing）選擇1995—2020年，時間切片為1年，節(jié)點類型為“Country”，閾值項選擇“TopN=50”，其他均為默認值，得到共現(xiàn)網(wǎng)絡圖譜（圖1）。圓圈半徑的大小、節(jié)點連接線條的粗細與發(fā)文量和聯(lián)系緊密程度成正比。同時圓圈外層的紫色圓環(huán)寬度越寬，其中心性越大[5]。

從圖1數(shù)據(jù)分析，共有來自39個國家（地區(qū)）的文獻涉及體育人工智能研究，但不同國家的發(fā)文量差距很大。前10位中，美國和中國分別以94篇和75篇排在前兩位，占據(jù)了總發(fā)文量的30%，歐洲地區(qū)的德國、西班牙、英國、意大利、荷蘭發(fā)文量依次為39篇、36篇、33篇、22篇、15篇，分別位于第3、4、6、7、10位，占據(jù)總發(fā)文量的26%。澳大利亞以36篇位列第5，加拿大以17篇排名第8。除此之外在亞洲地區(qū)，韓國、印度、日本和中國臺灣地區(qū)分別以17篇、11篇、10篇位列第9、11、12、13位。從文章的中心性來看，前5位分別為美國（0.65）、德國（0.31）、西班牙（0.31）、英國（0.30）、荷蘭（0.29），中國僅排在第8位。

通過上述結果可以看出美國、歐洲與亞洲的經(jīng)濟強國在體育人工智能領域的研究開展得較為充分。我國雖然在總發(fā)文量高居世界第二，但從圖1就可以明顯看出我國的外環(huán)沒有紫色區(qū)域，而具體的數(shù)據(jù)也印證了我國相關研究文獻質量還沒有在世界范圍內(nèi)被廣泛認可。這也從另一個側面反映出我國體育人工智能技術發(fā)展水平與美國和歐洲發(fā)達國家相比還有差距。近年來，科技助力體育發(fā)展一直是我國體育領域研究的重點，要以國際先進科技加快我國人工智能相關學科的建設，加快技術轉型與硬件設備升級，以科學嚴謹?shù)膽B(tài)度提高研究質量，同時加強與國外學者的學術交流，提升我國學者的多學科研究視野，這是我國體育人工智能研究發(fā)展的有效途徑。

2.2?體育人工智能研究的學科分布

人工智能涉及到的學科非常廣泛，如哲學、認知科學、數(shù)學、神經(jīng)學、生理學、心理學、計算機科學、信息論、控制論等，而在多學科交叉的背景下對體育人工智能進行綜合研究已經(jīng)成為趨勢。在對Cite Space V的分析參數(shù)設定時，時間分割為1995—2020年，每1年一切片，節(jié)點類型為“Category”，閾值項選擇“TopN=50”，得到結果見圖2。顯示發(fā)文數(shù)量方面，前5位分別為計算機科學（219篇）、工程學（155篇）、計算機科學（人工智能）（107篇）、工程學（電子電氣）（104篇）、體育科學（100篇）。中心性方面，工程學（0.66）明顯高于其他學科排名第一，計算機科學（0.34）、社會學（0.18）、體育科學（0.16）、經(jīng)濟學（0.13）、數(shù)學（013）分列其后。

據(jù)此分析，計算機科學與工程學牢牢占據(jù)發(fā)文量與文章中心性的頭兩名，體育科學也均在前5之列，這進一步印證了人工智能技術是計算機科學中的一個分支，并且以工程學為依附載體，開發(fā)人工智能設備并運用到體育科學領域。概括地說，體育人工智能技術是從計算機科學中“來”，在工程學中“蛻變”，到體育科學中“去”。除此之外值得一提的是，歷史發(fā)文量僅10篇左右的社會學、經(jīng)濟學和數(shù)學卻在2020年引起了較大關注。其中社會學在2016年出現(xiàn)了文章中心性突增的情況，分析是由于人工智能技術引入到體育領域會帶來一些社會倫理問題，如阿爾法圍棋（AlphaGo）在2016年戰(zhàn)勝了職業(yè)九段棋手李世石，未來人類在體育領域扮演什么角色，這引起了全球范圍內(nèi)體育發(fā)展的社會學思考。數(shù)學與經(jīng)濟學均在2017年開始備受體育人工智能領域的關注，先進的數(shù)學算法提供了發(fā)展體育人工智能技術的理論基礎與保障，經(jīng)濟學則擴寬了未來體育人工智能發(fā)展的資本渠道。

3?體育人工智能研究熱點分析

關鍵詞是文章精華的提煉，其出現(xiàn)的頻次與研究主題的熱度成正比[5]。Cite Space V可以將關鍵詞或主題詞的聚類關系和頻次高低以可視化的形式直觀地表現(xiàn)出來，進而析出此研究領域的熱點問題[6]。設置選擇時間分割為1995—2020年，每1年一切片，節(jié)點類型“Keyword”，閾值項選擇“TopN=50”，其余均為默認值，最終析出了由179個節(jié)點和779條連線組成的體育人工智能研究熱點知識圖譜（圖3）。進一步合并匯總，整理出部分高頻和高中心性關鍵詞表（表2）。在圖譜中，某節(jié)點和標注詞字體越大，說明此關鍵詞出現(xiàn)得越頻繁。而節(jié)點之間的連線越粗，表明關鍵詞間的聯(lián)系越緊密，同時連線顏色的差異對應的是關鍵詞第一次出現(xiàn)的時間[7]。

3.1?體育人工智能高頻關鍵詞共現(xiàn)分析

同時從圖3和表2可以看出，在關鍵詞頻次與中心性排序中，出現(xiàn)了人工神經(jīng)網(wǎng)絡（Artificial Neural Network），它是人工智能技術受神經(jīng)網(wǎng)絡技術的啟發(fā)，從20世紀80年代開始發(fā)展出的一種機器學習的重要算法模型。通過模仿動物神經(jīng)網(wǎng)絡行為特征，進行分布式并行信息處理，用以模擬人的思維。除此之外機器學習 （Machine Learning）、表現(xiàn)（Performance）、模型（Model）、體育運動（Sports）、計算機視覺（Computer Vision）也都具有很高的頻次與中心性，特別是機器學習，分別位于第1和第3位，表明機器學習仍是目前體育人工智能研究熱點中的熱點。如Gudmundsson等[8]認為光學智能跟蹤系統(tǒng)可以通過分析球員和球的軌跡數(shù)據(jù)，計算出高效技戰(zhàn)術模型以提升比賽成績。Barros等[9]運用計算機視覺技術模型，分析了4支巴西甲級聯(lián)賽足球運動員在一場比賽中各個位置的跑動路線與距離，借此評判運動員表現(xiàn)。Memment等[10]通分析拜仁慕尼黑對巴塞羅那一場比賽中相同位置球員的跑動數(shù)據(jù)，從基于機器學習技術的動態(tài)系統(tǒng)和神經(jīng)網(wǎng)絡的角度提出了3種不同的足球戰(zhàn)術分析方法，可以為臨場戰(zhàn)術的最佳選擇提供科學評判。此外，分類（Classification）作為數(shù)據(jù)挖掘領域中的重要研究課題，也印證了目前體育人工智能領域注重以數(shù)據(jù)挖掘為基礎的實踐與實證研究。同時以世界第一大運動足球（Soccer）為聚焦熱點，開發(fā)、建立人工智能模型（Model）與系統(tǒng)（System），更加關注對運動員（Player）表現(xiàn)（Performance）的影響，同時以機器學習和人工神經(jīng)網(wǎng)絡算法為主要技術，著重對人工智能技術有效性（Validity）的評定、開發(fā)與利用。

3.2?體育人工智能突現(xiàn)關鍵詞分析

在圖3關鍵詞研究熱點共現(xiàn)圖的基礎上，運用Citespve V軟件生成了近年來6個高被引關鍵詞的時間節(jié)點激增圖（圖4），這6個突發(fā)強度最高的關鍵詞，分別為跟蹤（Tracking）（2009—2013）、體育鍛煉（Physical activity）（2011—2015）、人工神經(jīng)網(wǎng)絡（Artificial Neural Network）（2011—2013）、有效性（Validity）（2011—2015）、（人體）能量消耗（Energy Expenditure）（2011—2013）、姿態(tài)識別（Action Recognition）。除姿態(tài)識別外，其余5個詞匯在2011—2013都曾集中突現(xiàn)，這些詞之間有什么聯(lián)系？分析代表性文獻如Staudenmayer[11]開發(fā)和測試兩個人工神經(jīng)網(wǎng)絡并應用于單軸加速度計中，以收集體育活動數(shù)據(jù)，并對低強度運動、劇烈運動和家務活動進行分析，認為將神經(jīng)網(wǎng)絡應用于運動記錄儀中的加速度計中有廣泛的應用前途。Borges等[12]認為對人類行為的解釋要結合圖像和信號處理、特征提取、機器學習和3D幾何等技術。應用場景的處理范圍可從病人護理與工業(yè)安全監(jiān)視到體育運動分析，并提出了三維觀測數(shù)據(jù)集的更新?lián)Q代與重建將是未來的研究熱點。Matthews等[13]回顧了體育活動監(jiān)測儀在不同類型人群體育鍛煉中的應用情況，主要用于監(jiān)控、干預和分析人體能量消耗情況，他同時分析了如何使用體育活動監(jiān)測儀得到最佳鍛煉計劃。Freedson等[14]使用可穿戴式監(jiān)測儀對老年人和功能障礙人群進行了有效的身體活動評估，擴寬了體育運動中的客觀測量領域的研究視野。Zhang等[15]的團隊基于GENEA（正常日?；顒拥闹亓烙嬈鳎┑脑紨?shù)據(jù)，將體育活動分為步行、跑步、家居或久坐活動等方式，成功地開發(fā)了適用于腕關節(jié)加速度計模型，其性能可與傳統(tǒng)的腰臀加速度計相媲美，并最終用于體力活動評估。通過上述文獻分析，這6個關鍵詞的突現(xiàn)有著很強的關聯(lián)。從2011年左右開始，以人工神經(jīng)網(wǎng)絡技術為理論基礎，以人體能量消耗為指標，開展了一系列對身體活動的高效識別與追蹤技術研究，并最終實現(xiàn)了智能穿戴設備的終端載體?；诖?，研究者們見微知著，擴寬了技術與理論的發(fā)展方向，帶動了體育與人工智能的高效結合與深化發(fā)展。

3.3?體育人工智能關鍵詞時區(qū)圖分析

在圖4的基礎上，運用Citespve V軟件生成了關鍵詞的時間線圖（圖5）。圖中關鍵詞十字節(jié)點的位置表示其第一次出現(xiàn)的時間，節(jié)點的大小表示1995—2020年累計出現(xiàn)的次數(shù)。從圖5可以看出以Agbinya等[16]為代表作者的體育智能系統(tǒng)的研究首先起步，但之后相關研究停滯不前。從2006年Bartlett[17]第一次將人工智能概念引入到運動生物力學領域開始，一直到2012年左右達到一個研究高峰。期間，機器學習、人工神經(jīng)網(wǎng)絡、可靠度、表現(xiàn)等熱點詞相繼出現(xiàn)。而之后的4年，創(chuàng)新型研究出現(xiàn)回落。從2016年3月著名的人機圍棋大戰(zhàn)開始到如今，預測、運動員、深度學習、人體運動識別等關鍵詞相繼出現(xiàn)，說明競技體育領域的人工智能技術逐步得到重視，而以深度學習技術為基礎的動作識別將是未來研究的新領域。從關鍵詞的出現(xiàn)次數(shù)看，機器學習在2010年被Vales等[18]提出（圖6），2017年開始爆發(fā)出現(xiàn)，到2019年出現(xiàn)32次，并且預計2020年的研究會更熱。機器學習與深度學習和人體姿態(tài)識別在近年來的研究最為緊密。同時結合文獻分析，以機器深度學習為主要途徑的人體運動識別技術將是今后的研究熱點。總結體育人工智能領域歷年的發(fā)文情況以及關鍵詞出現(xiàn)的時間節(jié)點與次數(shù)，認為人工智能在體育運動領域的發(fā)展大致階段經(jīng)歷了4個階段（如表3）。

4?體育人工之智能研究的聚類與演化

運行 CiteSpace V 軟件，時間分割為1995—2020年，每1年一切片，節(jié)點類型選擇“Reference”，閾值項選擇“TopN%=50%”，得到體育人工智能研究相關文獻共被引網(wǎng)絡圖譜（圖7）和文獻的時間線圖（圖8）。高中心性節(jié)點意味著其所代表的節(jié)點文獻對于體育社會化相關研究的連接樞紐作用，這些關鍵文獻在很大程度上代表著體育人工智能研究的演化方向。圖7顯示共有375個網(wǎng)絡節(jié)點，1 234條連線，采用 LLR 算法，選取發(fā)文量大于20篇的聚類群，共有8個，并依據(jù)發(fā)文的時間、連線的緊密度以及聚類關鍵詞的屬性聯(lián)系將其劃分為5個知識群，以研究熱點出現(xiàn)的時間年份由遠及近依次標識為C1～C5。分別為C1對應#1“有效性”;C2對應#6“能量消耗”與#7“人工神經(jīng)網(wǎng)絡”;C3對應#0“技能獲取”;C4對應#4“輕度創(chuàng)傷性腦損傷”與#5“生物力學”;C5對應#2“運動識別”與#3“序列模型”。圖8的時間線圖則以時間為線索，結合相關聚類中被引文獻出現(xiàn)、關注與淡化不同年份節(jié)點時，分析出各個聚類的高被引與高中心性文獻是如何影響著該聚類的走勢。圓圈越大說明被引次數(shù)越多，圓圈外沿顏色越深說明中心性越高。最終對每個知識群中的代表性節(jié)點及其所代表的文獻信息進行重點分析，進一步探究其所在知識群的演化情況。

4.1?C1知識群：基于加速度計技術的簡單活動識別與能量消耗研究

C1知識群即#1聚類“有效性”。一項技術的運用，其技術的可靠性與有效性是基本的保證。在早期的體育人工智能領域，對人體運動狀態(tài)的簡單有效的監(jiān)控與評估是研究的熱點。從高被引文獻的時間線圖可以看出，相關的理論研究集中在2004—2012年，也正是這期間，出個了5個突現(xiàn)關鍵詞（圖4）。而自此以后相關研究逐漸淡出視野，代替的是智能傳感器在動作技術特征與動作時空參數(shù)分析等方面的深入應用。在此知識群的兩篇高中心性與高被引文獻中，Crouter等[19]的論文“A novel method for using accelerometer data to predict energy expenditure”建立了一個新的人工神經(jīng)網(wǎng)絡二元回歸模型，通過識別48名參與者久坐、輕度、中度和高強度的體育活動，印證了新算法在預測能量消耗方面比傳統(tǒng)Actigraph加速度計更精確。Staudenmayer等[11]的論文“Journal of Applied Physiology”開發(fā)并成功測試了兩種適用于可以收集的體力活動數(shù)據(jù)，應用于單軸加速度計的人工神經(jīng)網(wǎng)絡模型，并對46名受試者進行行為測試，最終通過代謝當量對人體動作的識別準確率達到了88.8%。這兩篇文獻都是創(chuàng)新性地建立了人工神經(jīng)網(wǎng)絡模型，使動作類型與能量消耗的判定與識別更加高效與實用。

除此之外，Devries等[20]分析了49名受試者的坐、站、爬樓梯、步行和騎自行車等活動方式，建立和評價了兩種基于單、雙傳感器加速度計數(shù)據(jù)的人工神經(jīng)網(wǎng)絡模型，發(fā)現(xiàn)簡單的人工神經(jīng)網(wǎng)絡模型能很好地識別成人加速度計數(shù)據(jù)的類型，但不能識別其活動速度。Trost等[21]對100名青少年受試者的右髖佩戴活動描記器，進行5種運動強度試驗同時對量最大攝氧量，認為人工神經(jīng)網(wǎng)絡可用于預測兒童和青少年體力活動類型和能量消耗。Skotte等[22]通過對17名在大腿和臀部安裝三軸加速度計的受試者進行5種運動強度測試，提出了一種基于加速度標準差閾值和導出傾角的運動模式判別方法。Montuye等[23]通過建立基于腕部加速度計數(shù)據(jù)的人工神經(jīng)網(wǎng)絡模型，證明有可能開發(fā)出一種腕部獨立的機器學習模型來高精度地預測人體能量消耗情況。綜上所述，C1知識群的研究屬于體育人工智能研究的中早期階段，技術的主要載體為智能穿戴設備，由人工神經(jīng)網(wǎng)絡技術與加速度計來實現(xiàn)，目標為簡單動作識別和能量消耗的準確預測。結合前文的關鍵詞突現(xiàn)的情況，說明此時在體育運動領域，人們已經(jīng)開始關注人工神經(jīng)網(wǎng)絡技術與體育領域的高效結合的效用，并探索了智能傳感器未來的發(fā)展空間，為以后在體育運動領域各方面的精準施用打下了良好的理論與實踐基礎。

4.2?C2知識群：基于卷積神經(jīng)網(wǎng)絡算法的計算機場景分類研究

C2知識群包括#6“人工神經(jīng)網(wǎng)絡”與#7“場景分類”，研究大多集中于研究更高效的算法。在#6聚類中，高被引作者，來自芝加哥大學的 Felzenszwalb等[24]早在2005年就提出了一個基于零件對象建模與識別的高效計算框架，解決了使用圖像結構模型來查找圖像中對象實例的問題，以及從訓練實例中學習對象模型的問題。在此基礎上，F(xiàn)elzenszwalb等[25]進一步深化了研究，得出了在此聚類中心性排在第一的論文成果“Object Detection with Discriminatively Trained Part-Based Models”，其被引頻次達到三千余次。其中詳細闡述了計算機視覺技術的重要技術——目標識別的定位問題。他提出了一種基于人工神經(jīng)網(wǎng)絡技術的多尺度可變形零件模型混合目標檢測系統(tǒng)，能準確地對困難的數(shù)據(jù)進行高效分析。

相關學者還提出了很多其他的人工神經(jīng)網(wǎng)絡實現(xiàn)方法。如運用基于Kohonen神經(jīng)網(wǎng)絡的深度圖像分割方法，可應用于游泳遠動員的選材、手球戰(zhàn)術模式選擇、游泳比賽成績預測等競技體育領域[26]。Girshick[27]將人工神經(jīng)網(wǎng)絡語法模型應用于人體檢測，可識別被遮擋或姿勢、外觀變化的人體部分，能夠有效地解決PASCAL-VOC數(shù)據(jù)集中的人體檢測這一難題。Pedro等[28]開發(fā)的可變檢測模型，也能實現(xiàn)在混亂圖像中的目標定位。

進一步從時間線圖看出，上述機器學習的人工神經(jīng)網(wǎng)絡算法研究集中在2007—2012年，往后則趨于平淡，與之接力的是在此基礎上發(fā)展而來深度學習的卷積網(wǎng)絡算法。卷積神經(jīng)網(wǎng)絡被稱為“平移不變的人工神經(jīng)網(wǎng)絡” ，具有表征學習能力，能夠按其階層結構對輸入信息進行平移不變分類，是一類包含卷積計算且具有深度結構的前饋神經(jīng)網(wǎng)絡，是深度學習的代表算法之一，能對更復雜的場景中人體姿態(tài)進行識別。在#7聚類中，代表學者，多倫多大學的Krizhevsky等[29]于2012年在國際神經(jīng)信息處理系統(tǒng)大會（NIPS）推出他的著名研究成果“ImageNet Classification with Deep Convolutional Neural Networks”，迄今為止，其被引次數(shù)達到了驚人的1.4萬余次。這篇文章中他訓練了一個大型的、深卷積的神經(jīng)網(wǎng)絡，由5個卷積層組成，可以將ImageNet LSVRC-2010圖像分類比賽中的120萬張高分辨率圖像分為1 000個不同的類別。由于影響力巨大，該文章在2017年由美國計算機學會重新整理出版。在此基礎上他還對卷積神經(jīng)網(wǎng)絡進行了模型和數(shù)據(jù)并行化，在4個GPU上實現(xiàn)了加速度的大幅提高，并驗證了8個GPU模型的應用可行性[30]。

在Krizhevsky里程碑式的研究成果指引下，有關學者繼續(xù)深化研究。Donahue等[31]證明深度卷積網(wǎng)絡具有以下特征：1）可以逐層提取圖像的特征，不需要人工的設計特征。2）泛化能力較強，可以適用于目標識別、場景識別和區(qū)域適應等。3）魯棒性強，對圖像的扭曲、偏移、縮放等完全適應。Zhou等[32]在Krizhevsky的研究基礎上對噪聲圖像進行微調，可以有效地緩解因輸入失真而產(chǎn)生的影響，比重新訓練更為實用。Angelova等[33]則對卷積神經(jīng)網(wǎng)絡進一步改進。他設計出了一種大面積偵測網(wǎng)絡（LFOV）大視場分類器，可以處理更大的圖像區(qū)域，同時對多個位置的人體目標作出識別與判斷。

綜上所述，在C2知識群的#6與#7聚類，主要是在2012—2017年期間，使圖像識別的技術理論逐步趨向成熟，由三層結構（輸入層、隱藏層和輸出層）的人工神經(jīng)網(wǎng)絡發(fā)展到五層結構（輸入層、卷積層、池化層、全連接層和輸出層）的卷積神經(jīng)網(wǎng)絡。以Krizhevsky的里程碑意義的成果為基礎，相關學者持續(xù)推進了卷積神經(jīng)網(wǎng)絡結構的發(fā)展，不斷提高其性能，保障了計算機視覺技術對的有序推進，為運動員技戰(zhàn)術分析與訓練反饋、比賽結果預測等領域的運用提供了可靠的理論與技術保障。

4.3?C3知識群：基于計算機視覺技術的體能與技戰(zhàn)術的分析與預測

C3知識群由#0“技能獲取”構成，這里的“技能”包含運動員比賽時的各種數(shù)據(jù)，如體能分配、技戰(zhàn)術規(guī)范性與合理性等。從時間線圖看出，此研究區(qū)間廣泛，時間跨度長，從2006年至今一直有新的研究成果出現(xiàn)，說明這一直是體育人工智能研究的主要方向。在C2知識群的研究基礎上，體育運功領域的基于機器學習的計算機視覺技術開始迅猛發(fā)展。此知識群開始運用計算機視覺分析技術嘗試進行體育運動，尤其是團隊運動的中各種數(shù)據(jù)分析，并取得了良好的效果。中心性排在第一位的文章作者Osgnach等[34]開創(chuàng)性地將視頻匹配分析技術用于評估職業(yè)足球運動員的身體表現(xiàn)。通過對399名“意甲”球員的場上跑動的視頻分析，評估了頂級足球運動員瞬時代謝能力，從而根據(jù)實際代謝能力而不是僅僅根據(jù)速度重新定義“高強度”的概念。他還假設了官方比賽的視頻匹配分析和訓練的GPS相結合的模型，可以對單場比賽或足球賽季中與比賽位置、排名和疲勞程度相關的差異進行更深入的研究。這為今后可穿戴傳感器的深入研究擴寬了視野。他在隨后的研究中還進一步完善了對復雜地形“加速度”數(shù)據(jù)的收集技術[35]。Prampero等[36]也證實了通過監(jiān)測跑步者的速度，可以根據(jù)在平坦地形上加速/減速跑步和在恒定速度下上坡/下坡跑步之間的生物力學相似性，估計能量消耗、代謝功率需求和實際耗氧量（VO2）。這種方法不僅可以用來估計典型的田徑短跑運動的主要特征，還可以用于足球等團體項目。Polglaze等[37]對12名優(yōu)秀男子曲棍球運動員進行一系列的速度測試和3分鐘的全面測試，計算出了臨界速度（CS）和臨界功率（CP），并結合心率（HR）、血乳酸（BLa）和自感勞累評分，以評價變速運動臨界代謝功率對團體運動強度分類的效果。認為速度不是一個適合于團隊運動活動分類的參數(shù)，但由變速活動得出的臨界代謝功率則具有較好的分類效果。

除去對運動員能量消耗的反饋與團隊表現(xiàn)研究之外，在體育運動的技戰(zhàn)術分析和成績預測中，研究者可以在計算機視覺技術基礎上建立人工神經(jīng)網(wǎng)絡分析模型進行智能化和自動化分析。例如，Iyer等[38]搜集了1985—2006年英國板球運動員的比賽錄像數(shù)據(jù)建立神經(jīng)網(wǎng)絡預測模型并對參加2007年板球世界杯運動員的賽前表現(xiàn)進行了分析預測，最終與世界杯上球員實際表現(xiàn)基本吻合，證明神經(jīng)網(wǎng)絡確實可以為隊員選擇提供決策支持。Grunz等[39]采用一種升級版人工神經(jīng)網(wǎng)絡的拱形結構對一場足球比賽中22名球員的大約135 000個數(shù)據(jù)集進行分析，計算出了高效的臨場戰(zhàn)術模式。Hassan等[40]運用卷積神經(jīng)網(wǎng)絡模型對歐洲U18手球錦標賽中723個動作進行了注釋分析，最終了實現(xiàn)了對球員跑動位置數(shù)據(jù)的準確預測，為針對性戰(zhàn)術布置提供了有效的科學依據(jù)。Kempe等[41]運用智能視頻跟蹤系統(tǒng)記錄10名籃球運動員上半場的比賽數(shù)據(jù)，并利用動態(tài)可控神經(jīng)網(wǎng)絡進行分類和評價，分析出了下半場比賽最有效的技戰(zhàn)術模式。

綜上所述，計算機視覺技術是用攝影機和電腦代替人眼對目標進行識別、跟蹤和測量，并進一步做圖形處理，可以在訓練輔助反饋中發(fā)揮重要作用。在大部分正式比賽中運動員身上不允許穿戴額外設備，因此比賽中的信息采集方式主要為基于計算機視覺的方式。這對于體育項目，尤其是足球、籃球、手球、橄欖球等團體項目中運動員的表現(xiàn)分析起到了高效的分析作用。在以勝利為終極目標的競技體育領域，在無法實現(xiàn)智能傳感器穿戴設備分析的情況下，基于人工神經(jīng)網(wǎng)絡與卷積神經(jīng)網(wǎng)絡算法的計算機視頻分析技術扮演著越來越重要的角色。將具有精細分析功能的人工智能的教練系統(tǒng)與更具備經(jīng)驗歷練的傳統(tǒng)教練團隊結合，預計將是未來體育團隊決策的發(fā)展方向。

4.4?C4知識群：基于可穿戴式傳感器的動作分析與損傷防控研究

C4知識群由#4聚類“輕度創(chuàng)傷性腦損傷”與#5聚類“生物力學”構成，

這兩個聚類由可穿戴的微型傳感器實現(xiàn)了連接與互通。在C1知識群中，可穿戴設備首先實現(xiàn)了由加速度計來識別簡單活動方式與基本消耗量，發(fā)展到了C4知識群的對精細動作特征的識別和對復雜能量消耗的量化分析。創(chuàng)傷性腦損傷也稱“腦震蕩”，是常見運動損傷形式之一。在#4聚類的高被引文獻中，Gabbett等[42]的研究總結與預測了可穿戴傳感器對復雜運動環(huán)境下精準數(shù)值量化的應用前景。認為創(chuàng)傷性腦損傷是集體對抗類項目如美式橄欖球、足球等運動中的常見損傷類別，而對碰撞中體能要求的評定是預防損傷的重要指標。但由于計算機視頻記錄碰撞的編碼沖突是勞動密集型的，而可穿戴微傳感器的制造商已經(jīng)改進了自動檢測沖突的技術，由從前的模糊預測分析到已經(jīng)可以運用微技術單元量化碰撞運動的接觸負荷。Ralston等[43]通過讓受試者在多種對抗性運動如橄欖球、足球、曲棍球、拳擊以及軍事訓練演習中使用可穿戴傳感器監(jiān)測頭部撞擊過程，認為在運動環(huán)境中，具有聲學反饋功能的碰撞傳感器能顯著降低頭部損傷的風險。而可穿戴式頭部沖擊測量系統(tǒng)的發(fā)展，使接觸運動中頭部運動學的測量成為可能。Brennan等[44]通過分析13項測量線性加速度和旋轉加速度的研究后，認為通過加速計進行頭部撞擊監(jiān)測在描述與腦震蕩有關的頭部運動載荷方面是有用的。Yeragin等[45]利用智能可穿戴的傳感設備，對34名青少年足球運動員在跑動中的線加速度和旋轉加速度進行測試，發(fā)現(xiàn)年齡大、身高、腿長但體重不重的男孩，持續(xù)受到?jīng)_撞的概率較高，而肥胖男孩受沖撞的風險與其他BMI類別的男孩相比沒有明顯統(tǒng)計學意義。概括來說，運動相關的腦損傷引起的短期和長期神經(jīng)損傷不僅是當今運動醫(yī)學研究的主要話題，如何在運動中預防腦損傷的風險，結合神經(jīng)網(wǎng)絡算法的可穿戴設備進行預防與監(jiān)控也是當下的熱點領域。

相比#4聚類以智能傳感器來評估碰撞過程中的力進而對腦震蕩等運動損傷過程進行研究，#5聚類涉及了在運動生物力學領域利用微型傳感器技術的更多應用方向，如用于檢測特定運動，人體步態(tài)識別，檢測運動類型和運動頻率、識別運動誤差等。中心性最高的綜述文章作者Ancillao等[46]的“Indirect Measurement of Ground Reaction Forces and Moments by Means of Wearable Inertial Sensors： A Systematic Review”認為，利用可穿戴傳感器估算地面反作用力已成為一個極具挑戰(zhàn)性的研究課題。可能的方法是根據(jù)受試者佩戴的慣性測量裝置（IMU）獲得的運動學數(shù)據(jù)估算地面反作用力。他認為基于人工神經(jīng)網(wǎng)絡的小型無創(chuàng)可穿戴系統(tǒng)對三維地面反作用力（GRF）的預測與估算具有廣泛的應用前景，能夠智能監(jiān)測下肢訓練疲勞程度，預防損傷。Sgrò等[47]對64名8～11歲兒童的立定跳遠成績進行測試和分析，驗證了采用可穿戴IMU對兒童不同發(fā)育水平和差異進行分析是可行的，充分說明IMU的廣泛和有效的運動分析用途。

在#5聚類中，Chambers等[48]的綜述文章“The Use of Wearable Microsensors to Quantify Sport-Specific Movements”中心性位居次席，該研究證明了微型傳感器具有評估特定運動技術的效力，包含隔網(wǎng)項目、團隊項目、水上項目、雪上項目等。Taha等[49]通過比較Kinect技術和IMU識別羽毛球腕、肩關節(jié)的運動表現(xiàn)，發(fā)現(xiàn)這兩項技術對上肢的加速運動都具有很好的監(jiān)測效果。Heike等[50]利用基于多維度卷積神經(jīng)網(wǎng)絡模型的慣性傳感器對跳臺滑雪中的失誤動作進行分類，對誤差的識別率能達到60%～75%，他認為在目前的數(shù)據(jù)體系下，該系統(tǒng)已足夠出色。

綜上所述，穿戴傳感器可以準確地監(jiān)測和評估在撞擊等易發(fā)生運動損傷的狀況下，評估人體機能的實時狀態(tài)，減少受傷風險。同時配合IMU可以實現(xiàn)對具體項目的動作識別和分類。但就理論而言，人體的運動是連續(xù)的，傳感器檢測的數(shù)據(jù)也是連續(xù)的，如何從連續(xù)的數(shù)據(jù)中分割出不同類型動作的邊界，是動作自動識別的關鍵。目前，支持向量機、K臨近算法、隨機森林等算法來發(fā)現(xiàn)傳感器數(shù)據(jù)特征與動作特征之間的對應關系是一個發(fā)展的趨勢。另外，使用可穿戴傳感器進行活動識別和檢測的一個主要障礙是：當傳感器在人體的配置發(fā)生任何變化時，識別的算法就需要重新開始構建，并且對于這些新算法的再訓練還需要大量的有標記的訓練數(shù)據(jù)集，如何解決這一問題也是相關學者今后要深入探討的話題。

4.5?C5知識群：基于計算機深度學習的人體識別技術

C5知識群是C3知識群研究的深化，包括#2“行為識別”與#3“序列模型”。計算機視覺技術已經(jīng)實現(xiàn)了對運動軌跡、運動類別的簡單識別，但如何從復雜背景從連續(xù)的數(shù)據(jù)中分割出不同類型動作的邊界，如何在更為復雜視頻背景中準確提取更為精細的動作來進行分析？針對此問題，采用機器學習、深度學習、數(shù)據(jù)挖掘等為精細的序列模型。如深度卷積神經(jīng)網(wǎng)絡、密集軌跡、SCAPE模型等，并結合3D人體估計技術，將是未來發(fā)展的趨勢，也是C5知識群的主要研究內(nèi)容。

現(xiàn)實場景大多具有復雜與混亂的背景，給人體行為的識別帶來干擾。密集軌跡對快速不規(guī)則運動的魯棒性較強，對視頻運動信息的覆蓋度較好，是目前一種有效的人體識別技術。#2聚類中心性排在第一的Wang等[51]的文章“Action Recognition with Improved Trajectories”改進了密集軌跡。即通過綜合攝像機的運動情況對密集軌跡進行修正，致力于提高的性能，同時在4種具有挑戰(zhàn)性的數(shù)據(jù)集（Hollywood2、HMDB51、Olympic Sports和UCF50）中進行了廣泛的評估，驗證了改進密集軌跡的有效性。Wang等[52]使用Kanade–Lucas–Tomasi（KLT）跟蹤器與SIFT描述格式提出了一種基于密集軌跡和運動邊界直方圖描述方法，并在9個數(shù)據(jù)集上對視頻描述進行評估，表明此技術優(yōu)于當前的水平。受到Wang的啟發(fā)，Peng[53]在密集軌跡的動作識別方法上，在運動邊界上對時空長方體進行了密集采樣，大大減少了有效軌跡的條目，提高了判別能力。Xu等[54]進一步提出了一種基于改進的密集軌跡的視頻描述方法，對一些具有Fisher向量的真實數(shù)據(jù)集的描述有了顯著的改進，并能保持計算精度和計算效率。Rohrbach等[55]認為人體識別是當前研究的熱點，但是細粒度活動識別的挑戰(zhàn)性問題卻被忽略了。他提出了一個包含65種手部精細動作的新數(shù)據(jù)庫，這些運動具有較低的類間變異性和較高的類內(nèi)變異性，認為提高視頻分辨率和姿態(tài)表現(xiàn)力，是有效的識別改進方法。細粒度檢測技術的發(fā)展，對體育運動中精細部位的識別與評判具有重要意義。

此外，隨著深度傳感設備的普及，運用3D技術對人體動作的捕獲成為可能。在過去的幾年里，學術界公開了一些RGB-D數(shù)據(jù)庫，為人體姿態(tài)估計開辟了新的道路。Ji等[56]提出了一種用于動作識別的3D卷積神經(jīng)網(wǎng)絡模型。該模型通過執(zhí)行三維卷積從空間和時間兩個維度提取特征，從而捕獲編碼在多個相鄰幀中的運動信息。Mehta等[57]用單一的RGB相機即普通智能手機分析模型完整地捕捉了人體3D骨骼姿勢，該方法的精度與最佳的離線三維單目RGB姿態(tài)估計方法相當。但這項技術更適用于室外場景，并能應用在普通商用RGB相機中。Park等[58]提出了一種基于隨機森林的人體3D模型分析法，提高了確定人體關節(jié)最終位置的聚類精度，并實現(xiàn)了在高爾夫揮桿分析系統(tǒng)中的應用，可使運動員矯正自己的錯誤姿勢。

在算法的深化方面，雖然深度卷積神經(jīng)網(wǎng)絡（DCNN）在單幅圖像的二維姿態(tài)估計任務上取得了優(yōu)異的成績，但是對3D姿勢的標注難度卻要大得多。為了解決這些問題，嘗試改進卷積網(wǎng)絡的序列模型是很有效的方法。高被引文獻Szegedy等[59]的“Going Deeper with Convolutions”提出了一種編碼代號為“Inception”的深卷積神經(jīng)網(wǎng)絡結構，其22層的深度網(wǎng)絡提高了計算深度和寬度，實現(xiàn)了分類和檢測技術的優(yōu)化。Moon[60]首次將三維手部和人體姿態(tài)估計問題從單一深度圖轉化為立體像素，他設計了一個3D 卷積網(wǎng)絡模型，可以在實時運行的同時提供精確的估計，并證實了這個系統(tǒng)優(yōu)于幾乎所有公開可用的3D手部和人體姿勢估計數(shù)據(jù)集中的方法。Dryden等[61]認為擴展卷積網(wǎng)絡可以滿足不斷增長的數(shù)據(jù)集并減少訓練時間，他開發(fā)了一個新的卷積神經(jīng)網(wǎng)絡的性能模型，并證明此模型在分析中有很好的伸縮性，同時實現(xiàn)了對以前無法訪問的數(shù)據(jù)集的訓練。Park[62]通過卷積網(wǎng)絡學習人體關節(jié)之間的相對三維位置，將二維姿態(tài)估計與圖像特征相結合，提高了卷積網(wǎng)絡的性能，并且通過聯(lián)合多個關節(jié)的位置信息，使其從圖像中估計3D姿態(tài)的結果更加準確。

綜上所述并結合時間線圖分析，從2010年起，在體育運動領域，視頻中復雜背景下人體的識別與精細動作的識別是計算機視覺技術的重要研究方向。以卷積神經(jīng)網(wǎng)絡為代表，不同算法的集合將人體識別技術向更精確、更高效、更便捷的方向推進。2018年，F(xiàn)acebook公司已建立了RGB圖像與人體表面特征之間的對應關系，其目標是在RGB圖像上，在復雜背景的情況下，對大量人體運動進行姿態(tài)估計（如足球比賽），但其有效性和精度還需進一步評估。同時基于視頻分析的3D姿態(tài)估計技術也逐步向簡便化、大眾化、便攜化邁進，以GDB相機、TOF相機、雙目視覺相機等分析終端，結合隨機森林、標記像素等深度特征的部位識別算法將在未來體育運動識別與技術分析領域發(fā)揮越來越重要的作用。

5?小結

5.1?在WOS數(shù)據(jù)庫中體育人工智能領域的發(fā)文量中，美國、中國、德國分列前3位。文章的中心性方面美國第1位，中國僅排在第8位，說明我國相關領域的研究還沒有得到國際同行的充分關注認可，研究質量需要提高。

5.2?體育人工智能技術研究主要涉及計算機科學、工程學、體育科學、數(shù)學等學科的相關理論與研究方法。概括來講，體育人工智能技術是從計算機科學中“來”，在工程學中“蛻變”，應用到體育科學中“去”。

5.3?體育人工智能研究的高頻與高中心性關鍵詞涵蓋機器學習、體育運動、人工神經(jīng)網(wǎng)絡、分類、系統(tǒng)、表現(xiàn)等，表明目前體育人工智能領域注重以數(shù)據(jù)挖掘為基礎的實踐與實證研究。同時以機器學習和人工神經(jīng)網(wǎng)絡算法為主要技術與方向，開發(fā)、建立人工智能模型與系統(tǒng)，以評價人體在運動中的表現(xiàn)。

5.4?體育人工智能的研究至今主要分為5個知識群。即1）基于可穿戴加速度計技術的簡單活動識別與能量消耗研究;2）基于可穿戴式傳感器的動作分析與損傷防控研究;3）基于卷積神經(jīng)網(wǎng)絡算法的計算機視覺場景分類研究;4）基于計算機視覺的體能與技戰(zhàn)術的分析與預測;5）基于計算機深度學習的人體姿態(tài)識別技術。

5.5?體育人工智能的研究體現(xiàn)出從宏觀研究到微觀研究、從理論研究到實證研究、從定量研究到綜合研究的發(fā)展脈絡，且不同階段的研究熱點與側重點各有不同。從研究內(nèi)容上看，主要方向分為人體可穿戴設備與計算機視覺技術分析，從早期的算法理論逐漸到與工程學結合，涉及到動作識別、訓練監(jiān)控與反饋、比賽表現(xiàn)評估、運動損傷康復等方面。從研究對象上看，理論方面注重更加高效與便捷的算法，在實踐應用中主要以競技體育為主，尤其是以足球為代表的團體運動，同時以健身行業(yè)等大眾體育為輔。

5.6?體育人工智能的未來趨勢依然呈現(xiàn)一種更加應用化、實踐化的發(fā)展策略，通過不斷完善與匹配，找到更加高效與實用的人工智能算法與模型，深入開發(fā)更加智能的可穿戴傳感器與提高視覺分析系統(tǒng)的深度學習能力是未來研究的重要方向。

參考文獻：

[1]李長青.人工智能[M].北京：中國礦業(yè)大學出版社，2006.

[2]鐘義信.高等人工智能原理：觀念·方法·模型·理論[M].北京：科學出版社，2014.

[3]蔡自興.中國人工智能40年[J].科技導報，2016，34（15）：13-32.

[4]Chen C M.Cite space II：Detecting and visualizing emerging trends and trans-ent patterns in scientifific literature[J].Journal of the American Society for Information Science and Technology，2006，57（3）：359-377.

[5]Kesslr M M.Bibliographic coupling between scientific papers[J].Journal of the American Society for Information Science and Technology，1963，14（1）：10-25.

[6]邱均平，溫芳芳.近5年來圖書情報學研究熱點與前沿的可視化分析——基于13種高影響力外文源刊的計量研究[J].中國圖書館學報，2011，192（37）：51-60.

[7]石巖，霍炫伊.體育運動風險研究的知識圖譜分析[J].體育科學，2017，37（2）：76-86.

[8]Gudmundsson J， Horton M.Spatio-Temporal Analysis of Team Sports[J].ACM Computing Surveys，2017，50（2）：1-34.

[9]Barros R M，et al.Analysis of the distances covered by first division brazilian soccer players obtained with an automatic tracking method[J].Journal of sports science & medicine，2007，6（2）：233-242.

[10]Memmert D，Lemmink M，Sampaio J.Current Approaches to Tactical Performance Analyses in Soccer Using Position Data[J].Sports Medicine，2017，47（1）：1-10.

[11]Staudenmayer J D.An artificial neural network to estimate physical activity energy expenditure and identify physical activity type from an accelerometer[J].Journal of Applied Physiology，2009，107（4）：1300-1307.

[12]Borges P， Conci N，Cavallaro A.Video-Based Human Behavior Understanding： A Survey[J].IEEE Transactions on Circuits and Systems for Video Technolo- gy，2013，23（11）：1993-2008.

[13]Matthews C E，et al.Best Practices for Using Physical Activity Monitors in Population-Based Research[J].Medicine&Science in Sports & Exercise，2012，44（1）：68-76.

[14]Freedosn P，et al.Assessment of Physical Activity Using Wearable Monitors[J].Medicine & Science in Sports&Exercise，2012，44（1）：1-4.

[15]Zhang S，et al.Physical activity classification using the GENEA wrist-worn accelerometer[J].Medicine & Science in Sports & Exercise，2012，44（4）：742-7488.

[16]Agbinya J I，Rees D.Multi-Object Tracking in Video[J].Real-Time Imaging，1999，5（5）：295-304.

[17]Bartlett R.Artificial intelligence in sports biomechanics：new dawn or false?hope？[J].Journal of sports science&medicine，2006，5（4）：474-479.

[18]Vales A，et al.Ambient Intelligence Systems for Personalized Sport Training[J].Sensors，2010，10（3）：2359-2385.

[19]Crouter S E，Clowers K G， Bassett D R.A novel method for using accelerometer data to predict energy expenditure[J].Journal of Applied Physiology， 2006，100（4）：1324-1331.

[20]Devries S I，et al.Evaluation of Neural Networks to Identify Types of Activity Using Accelerometers[J].Medicine&Science in Sports&Exercise，2011，43（1）：101-107.

[21]Trost S G，et al.Artificial Neural Networks to Predict Activity Type and Energy Expenditure in Youth[J].Medicine&Science in Sports&Exercise，2012，44（9）：1801-1809.

[22]Skotte J，et al.Detection of Physical Activity Types Using Triaxial Accelerometers[J].Journal of Physical Activity and Health，2014，11（1）：76-84.

[23]Montoye A H，et al.Wrist-independent energy expenditure prediction models from raw accelerometer data[J].Physiological Measurement，2016，37（10）：1770-1784.

[24]Felzenszwalb P F，Huttenlocher D F.Pictorial Structures for Object Recognition[J].International Journal of Computer Vision，2005，61（1）：55-79.

[25]Felzenszwalb P F.et al.Object Detection with Discriminatively Trained Part-Based Models[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32（9）：1627-1645.

[26]Pfeiffer M，Hohmann A.Applications of neural networks in training science[J].Human Movement Science，2012，31（2）：344-359.

[27]Girshick R B.Object Detection with Grammar Models[J].Proceedings of the 24th International Conference on Neural Information Processing Systems，2011：422-450.

[28]Pedro F，et al.Visual object detection with deformable part models[J].ACM，2013：97-105.

[29]Krizhevsky A，Sutskever I，Hinton G E.Image Net classification with deep convolutional neural networks[J].Proceedings of the Conference and Workshop on Neural Information Processing Systems，2012：84-90.

[30]Krizhevsky A.One weird trick for parallelizing convolutional neural networks[J].Proceedings of the Conference and Workshop on Neural Information Processing Systems，2014：32-40.

[31]Donahue J，et al.DeCAF：A deep convolutional activation feature for generic?visual recognitio[J].Proceedings of the International Conference onon Mach ine Learning，2014：1047-1055.

[32]Zhou Y，et al.On Classification of Distorted Images with Deep Convolutional Neural Networks[J].IEEE International Conference on Image Processing，2015： 621-625.

[33]Angelova A，et al.Pedestrian Detection with a Large-Field-Of-View Deep Network[J].IEEE International Conference on Image Processing，2015：1390-1398.

[34]Osgnach C，et al.Energy Cost and Metabolic Power in Elite Soccer[J].Medicine & Science in Sports & Exercise，2010，42（1）：170-178.

[35]Osgnach C，et al.Metabolic Power and Oxygen Consumption in Soccer：Facts and Theories[J].Biomechanics of Training and Testing，2018：299-314.

[36]Prampero P，Botter A，Osgnach C.The energy cost of sprint running and the role of metabolic power in setting top performances[J].European Journal of Applied Physiology，2015，115（3）：451-469.

[37]Polglaze D，et al.Classification of Intensity in Team Sport Activity.Medicine & Science in Sports & Exercise，2018，50（7）：1485-1493.

[38]Iyer S，Sharda R.Prediction of athletes performance using neural networks： An application in cricket team selection[J].Expert Systems with Applicatio-ns，2009，36：5510-5522.

[39]Grunz A，Memmert D，Perl J.Tactical pattern recognition in soccer games by means of special self-organizing maps[J].Human Movement Science，2012，31（2）：334-343.

[40]Hassan A， Schrapf N，Tilp M.The prediction of action positions in team handball by non-linear hybrid neural networks[J].International journal of Performance Analysis in Sport， 2017，17（3）：293-302.

[41]Kempe M，Grunz A，Memmert D.Detecting tactical patterns in basketball： Comparison?of merge self-organising maps and dynamic controlled neural networks[J].European Journal of Sport Science 2015，15（4）：249-255.

[42]Gabbett T J.Quantifying the Physical Demands of Collision Sports[J].Journal of Strength and Conditioning Research，2013，27（8）：2319-2322.

[43]Ralston J，Thibado J，Woodard J.Advances in wearable impact sensors for monitoring and reducing brain injury risks due to cumulative head impact trauma in athletic and military environments[J].British Journal of Sports Medicine，2017，51（11）：60-67.

[44]Brennan J，et al.Accelerometers for the Assessment of Concussion in Male Athletes：A Systematic Review and Meta-Analysis[J].Sports Medicine，2017，47（3）：469-478.

[45]Yeargin S W，et al.Anthropometrics and maturity status： A preliminary study of youth football head impact biomechanics[J].International Journal of Psych op hysiology，2018（132）：87-92.

[46]Ancillao A，et al.Indirect Measurement of Ground Reaction Forces and Moments by Means of Wearable Inertial Sensors：A Systematic Review[J].Sensors，2018，18（8）：1-34.

[47]Sgrò F，et al.Assessing Standing Long Jump Developmental Levels Using an Inertial Measurement Unit[J].Perceptual and Motor Skills，2016，124（1）：21-38.

[48]Chambers R，et al.The Use of Wearable Microsensors to Quantify Sport-Specific Movements[J].Sports Medicine，2015，45（7）：1065-1081.

[49]Taha Z，et al.Preliminary Investigation of an Innovative Digital Motion Analysis Device for Badminton Athlete Performance Evaluation[J].Procedia Engineering，2016（147）：461-465.

[50]Heike B，Ohgi Y.Assessing Motion Style Errors in Ski Jumping Using Inertial Sensor Devices[J].IEEE Sensors Journal，2017，17（12）：3794-3804.

[51]Wang H，Schmid C.Action Recognition with Improved Trajectories[J].IEEE conference on computer vision，2013：735-746.

[52]Wang H，et al.Dense Trajectories and Motion Boundary Descriptors for Acti on Recognition[J].International Journal of Computer Vision，2013，103（1）：60-79.

[53]Peng X.Motion boundary based sampling and 3D co-occurrence descriptors for action recognition[J].Image and Vision Computing，2014，32（9）：616-628.

[54]Xu H，Tian Q，Wu J.Exploring the influence of motion boundary sampling to improved dense trajectories for action recognition[J]Proceedings of the 7th International Conference on Internet Multimedia Computing and Service，2015（62）：1-5.

[55]Rohrbach M，et al.A database for fine grained activity detection of cooking activities[J].IEEE Conference on Computer Vision and Pattern Recognition，2012：1194-1201.

[56]Ji S，et al.3D Convolutional Neural Networks for Human Action Recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence2013，35（1）：221-231.

[57]Mehta D，et al.VNect： real-time 3D human pose estimation with a single RGB camera[J].ACM Transactions on Graphics，2017，36（4）：1-14.

[58]Park S，et al.Accurate and Efficient 3D Human Pose Estimation Algorithm?using Single Depth Images for Pose Analysis in Golf[J].IEEE Conference on Computer Vision，2017：1045-1056.

[59]Szegedy C，et al.Going Deeper with Convolutions.[J].IEEE Conference on Computer Vision and Pattern Recognition，2014：1-9.

[60]Moon G.V2V-PoseNet： Voxel-to-Voxel Prediction Network for Accurate 3D Hand and Human Pose Estimation from a Single Depth Map[J].IEEE/CVF Conference on Computer Vision and Pattern Recognition，2018：1-14.

[61]Dryden N，et al.Improving Strong-Scaling of CNN Training by Exploiting Finer-Grained Parallelism.IEEE International Parallel and Distributed Processing Symposium，2019：210-220.

[62]Park E，et al.Combining multiple sources of knowledge in deep CNNs for action recognition，IEEE Winter Conference on Application of Computer Vision，2016：660-668.