人工智能技術(shù)在體育訓(xùn)練中的應(yīng)用

王詩雁 廣州市第七中學(xué)

引言

人工智能技術(shù)和方法已經(jīng)引起信息產(chǎn)業(yè)和整個社會的廣泛關(guān)注。與社會的大多數(shù)其他領(lǐng)域一樣，越來越多的數(shù)據(jù)在各種體育活動中被收集，自動化數(shù)據(jù)分析成為一個重要而快速發(fā)展的領(lǐng)域，數(shù)據(jù)科學(xué)已成為體育科學(xué)知識開發(fā)的一個戰(zhàn)略性領(lǐng)域，旨在彌補傳統(tǒng)統(tǒng)計方法存在的一些不足。仔細(xì)分析體育活動數(shù)據(jù)可以加深我們在運動科學(xué)方面的認(rèn)知，同時也可以提高體育工作人員在優(yōu)化訓(xùn)練和競爭策略方面的決策能力。本文將簡要地介紹人工智能技術(shù)在體育訓(xùn)練優(yōu)化中的一些研究新進(jìn)展。

1 用于轉(zhuǎn)彎定性建模的滑雪機(jī)器人系統(tǒng)

T.Yoneyama 等專家研究了用于模擬轉(zhuǎn)彎時人腿關(guān)節(jié)活動的機(jī)器人。這種機(jī)器人每條腿都有六個活動的關(guān)節(jié)，就像人類運動員一樣。在人工草皮上滑草時，車載計算機(jī)可以在開環(huán)模式下控制關(guān)節(jié)的角度，通過程序讓機(jī)器人做出各種運動，來研究關(guān)節(jié)之間的關(guān)系、反作用力和彎道軌跡。首先，他們研究了基本關(guān)節(jié)運動的影響，例如外展-內(nèi)收和彎曲-髖關(guān)節(jié)伸展和膝關(guān)節(jié)和踝關(guān)節(jié)。然后研究了機(jī)器人在滑雪拐彎時的影響，仔細(xì)斟酌頂級運動員的關(guān)節(jié)如何運作。該項目可以幫助滑雪運動員實現(xiàn)在平衡下更高質(zhì)量的轉(zhuǎn)彎。他們的研究還需要進(jìn)一步請滑雪運動員進(jìn)行真實的模擬實驗。

2 跆拳道廣播視頻中運動員復(fù)雜技術(shù)的自動分析

因為移動和雜亂的背景，在錄像中觀察運動員的動作是一項具有挑戰(zhàn)性的任務(wù)。Yongqiang Kong 等人提出了跆拳道視頻自動分析技術(shù)。 第一步，導(dǎo)入視頻，通過修正結(jié)構(gòu)保持目標(biāo)跟蹤器跟蹤運動員和身體圖像；第二步，深度學(xué)習(xí)網(wǎng)絡(luò)PCANet 通過學(xué)習(xí)每一幀畫面，預(yù)測下一幀畫面。由于一個動作是由多個連續(xù)動作組成的，每個動作對應(yīng)一幀；最后一步，將線性支持向量機(jī)LSVM 與預(yù)測的動作框架相結(jié)合，得到一種分類器。通過跆拳道視頻數(shù)據(jù)的實驗驗證，結(jié)果表明，跆拳道視頻自動分析技術(shù)是可行的。

3 切割動作動力學(xué)參數(shù)的智能預(yù)測

利用90°切割動作的執(zhí)行與分離過程中的動態(tài)數(shù)據(jù)，Marion Mundt 和Sina David 等研究人員利用前饋神經(jīng)網(wǎng)絡(luò)預(yù)測了髖、膝和踝關(guān)節(jié)的接合力矩以及地面反作用力。以標(biāo)記軌跡或關(guān)節(jié)角度作為輸入數(shù)據(jù)，他們對55名運動員進(jìn)行了525 次神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試。實測數(shù)據(jù)與預(yù)測數(shù)據(jù)之間的相關(guān)系數(shù)具有很強(qiáng)的相關(guān)性。以關(guān)節(jié)角作為輸入?yún)?shù)，聯(lián)合矩預(yù)測精度稍高，但不顯著。當(dāng)使用標(biāo)記軌跡時，地面反作用力的預(yù)測具有明顯的準(zhǔn)確性。他們提出的前饋神經(jīng)網(wǎng)絡(luò)方法可以對方向發(fā)生快速變化的運動動力學(xué)參數(shù)進(jìn)行預(yù)測，通過使用慣性傳感器，也可以簡化切割動作實驗裝置。

4 垂直跳躍模式分類的數(shù)據(jù)庫驅(qū)動神經(jīng)計算框架

對運動員垂直跳(VJ)測試成績進(jìn)行分類是運動員體能發(fā)展和提高成績的推薦做法。然而這種做法目前是主觀地進(jìn)行，并且主要基于標(biāo)準(zhǔn)化的VJ 測試中獲得的垂直跳躍高度(VJH)的測量數(shù)據(jù)。Umar Yahya 等人提出了一種智能綜合分類框架(IICF)，根據(jù)肢體生物力學(xué)資料，用于單腿(SL)和雙腿(DL)站立VJ 測試中運動員成績的分類。通過對13 名全國女子網(wǎng)球運動員進(jìn)行的6 次SL-左腿(SLLL)、SL-右腿(SLRL)和DL VJ 測試，獲得了從踝關(guān)節(jié)至膝關(guān)節(jié)以及8 塊LE 肌肉的生物力學(xué)數(shù)據(jù)，這些數(shù)據(jù)由三維運動學(xué)和肌電圖特征組成。每個參與測試的運動員都有先前的VJ 分類，在三次VJ 測試中的每一次都是優(yōu)秀或非常好。IICF 利用了可擴(kuò)展和可互操作的關(guān)系數(shù)據(jù)庫管理系統(tǒng)(MySQLDB)和人工神經(jīng)網(wǎng)絡(luò)(ANN)的集成。基于三種不同訓(xùn)練算法的全連通多層感知器前饋神經(jīng)網(wǎng)絡(luò)(MLP-FFNN)，將從最初的三次VJ 試驗數(shù)據(jù)中獲得的包含提取特征(EF)的集成模式集隨機(jī)劃分成設(shè)計和測試數(shù)據(jù)集。受試者先前的VJ 分類被用作MLP-FFNN 的目標(biāo)輸出。他們采用三個不同的內(nèi)核映射函數(shù)的支持向量機(jī)(SVM)得到了第二個分類器，并且對MPL-FFNN 分類器和SVM 分類器在訓(xùn)練和獨立測試模式集上的性能進(jìn)行了比較。MLP-FFNN 分類器在三次VJ 測試模式集上的平均分類精度(F-測度)為93.33%(86.67~96.77%)，SVM 分類器為82.5%(73.33~87.5%)。IICF 已經(jīng)證明了它作為訓(xùn)練者在進(jìn)行SL 和DL 垂直跳躍測試時作為一種客觀的輔助評估工具的可行性。

5 運用深度學(xué)習(xí)模型對運動場景進(jìn)行關(guān)鍵姿態(tài)識別

關(guān)鍵姿勢識別被廣泛運用在運動分析中，為教練員、運動員和其他專業(yè)人員提供有效的工具進(jìn)行運動分析和輔助訓(xùn)練。基于視頻流的KPR 可以分為面向個人的和面向群體的。早期的方法是分開每個個體來跟蹤，利用個體的特點來研究群體中的問題。后者是對群體圖像進(jìn)行處理和采樣，獲取全局信息，然后對采集到的數(shù)據(jù)進(jìn)行處理，對異常情況和正常情況進(jìn)行分類。Cao Zhi-chao 和Lingling Zhang 提出了一種基于深度學(xué)習(xí)的關(guān)鍵姿態(tài)識別方法，特別地，為了消除舉重視頻圖像中大量的背景干擾，他們首先訓(xùn)練了一個利用視頻幀圖像進(jìn)行前景提取的FCN 網(wǎng)絡(luò)。進(jìn)一步，通過對CNN 網(wǎng)絡(luò)的微調(diào)，得到了一種適用于感興趣區(qū)域加權(quán)視頻分類的網(wǎng)絡(luò)模型。最后，根據(jù)分類結(jié)果，設(shè)計了分類結(jié)果選擇策略來提取關(guān)鍵姿態(tài)。此外，我們的算法還可以選擇高質(zhì)量的關(guān)鍵姿態(tài)幀，這對于運動訓(xùn)練具有重要的意義。實驗結(jié)果表明，該方法具有很強(qiáng)的競爭力。

6 小結(jié)

體育研究專家在滑雪機(jī)器人系統(tǒng)、跆拳道視頻的自動分析、切割動作動力學(xué)參數(shù)的智能預(yù)測、垂直跳躍模式分類的神經(jīng)網(wǎng)絡(luò)計算框架、運動關(guān)鍵姿態(tài)的深度學(xué)習(xí)模型識別等方面進(jìn)行了創(chuàng)新性研究，其研究成果將有利于體育工作者在優(yōu)化訓(xùn)練和競爭策略中的科學(xué)決策。