數(shù)智賦能體育創(chuàng)新應用與發(fā)展
——第14 屆國際體育計算機科學研討會綜述

孔祥申，儲向童，高 晗，張 輝

1 國際體育計算機科學研討會簡介

國際體育計算機科學研討會是由國際體育計算機科學協(xié)會 （International Association of Computer Science in Sport, IACSS） 主辦的每兩年一次的學術大會， 旨在促進體育學科與計算機相關學科的交叉融合與發(fā)展，為相關領域的專家、學者和學生分享與展示體育領域中計算機及相關科學與技術應用的最新研究成果，提供一個高質(zhì)量的全球性平臺。

第1 屆國際體育計算機科學研討會于1997 年在德國科隆召開，其后分別在維也納（1999 年）、卡迪夫（2001 年）、巴塞羅那（2003 年）、赫瓦爾（2005 年）、卡爾加里（2007 年）、堪培拉（2009 年）、上海（2011 年）、伊斯坦布爾（2013 年）、拉夫堡（2015 年）、康斯坦茨（2017 年）、莫斯科（2019 年）、維也納（2022 年，因為疫情推遲一年）成功舉行，并出版了Advances in Intelligent Systems and Computing 系列叢書的會議論文集， 標志著全球范圍內(nèi)計算機及相關學科的理論與技術在體育領域的研究、 應用與實踐取得了長足的進步與發(fā)展。

2023 年9 月27 日—30 日，第14 屆國際體育計算機科學研討會在浙江大學教育學院舉辦。來自35 所大學和科研機構的近百名專家、 學者和學生進行學術交流與互動，通過主旨演講、專題報告和工作坊等多種形式，分享了最新研究成果、創(chuàng)新想法和實踐經(jīng)驗，為推動國際體育計算機科學領域的發(fā)展貢獻了重要的思想。

2 計算機科學與體育科學的融合和發(fā)展

本次研討會聚焦機器學習、計算機視覺、數(shù)據(jù)挖掘、虛擬現(xiàn)實（Virtual Reality, VR）、大數(shù)據(jù)等技術在體育領域應用的核心前沿議題，與會者分享在運動訓練與競賽、體育教育與健康、器材裝備與創(chuàng)新等多個領域所取得的最新成果與應用，探討目前所面臨的新的挑戰(zhàn)，提出了未來研究的方向和實際應用的建議。

2.1 機器學習在體育領域的應用與跨學科合作

機器學習技術被廣泛應用于比賽分析、 事件預測、視頻分割、運動損傷預警以及學生健康分析等領域。 李岳森和Daniel Link 討論了足球比賽階段識別問題， 提出了一個基于戰(zhàn)術意圖的知識驅(qū)動階段模型。該模型假定控球行動與3 種戰(zhàn)術意圖相關，即保持控球、侵入對手空間、得分，并進一步定義了6 種比賽階段類型，包括維護（maintenance）、建立（build up）、推進（progression）、反擊（counter attack）、持續(xù)威脅（sustained threat）和完成射門（finishing）。該研究采用機器學習模型， 利用時空特征和德甲比賽的數(shù)據(jù)更細致地識別比賽階段， 提高教練和球隊分析師的工作效率，根據(jù)戰(zhàn)術意圖來描述球隊的比賽風格。

Steffen Lang 等的工作涉及足球比賽的短期事件預測， 利用連續(xù)時空數(shù)據(jù)和各種關鍵績效指標預測比賽中的事件。 該研究采用5 種不同的機器學習模型（邏輯回歸、樸素貝葉斯、支持向量機、神經(jīng)網(wǎng)絡和K 近鄰）， 以德國足球甲級聯(lián)賽的102 場比賽作為樣本，發(fā)現(xiàn)在比賽中預測進球是困難的。馮新淇討論了運動員表現(xiàn)分析和運動表現(xiàn)預測問題， 整合了基于元宇宙的VR 和增強現(xiàn)實 （Augmented Reality,AR）技術，以收集運動員更真實的身體和心理數(shù)據(jù)，以此提出了一種具有注意機制的深度學習模型預測運動員的表現(xiàn)。

于波等設計了一種乒乓球自動分割有效回合的方法， 利用動作識別模塊和關鍵幀辨別模塊識別視頻流的特定關鍵幀?；谶@些關鍵幀，設計了自動分割模塊，將有效幀組合成比賽錄像的分段有效回合。該方法對精確度、召回率和F1 分數(shù)指標進行評估以證明有效性，并展示了其有較高的實用性。

魏夢力等介紹了基于機器學習技術的運動損傷預警模型。該模型側(cè)重于特征工程、模型構建和模型性能，包括人口統(tǒng)計信息、身體素質(zhì)、訓練負荷、傷害史、鍛煉時長、睡眠、個體遺傳信息等。模型主要采用監(jiān)督學習算法，并建立表現(xiàn)評價指標。研究強調(diào)需要統(tǒng)一評估和優(yōu)化標準， 以提高運動損傷預警模型的準確性。

宋泓霖等通過在線問卷對1 069 名接受過14 年校園足球教育的中國本科生進行調(diào)查， 采用機器學習模型評估影響。研究發(fā)現(xiàn)，校園足球?qū)W生身體健康的影響并沒有達到預期的目的， 其原因可能是校園足球?qū)嵤┎⒉豢茖W，也沒有得到社會支持。

Martin Lames 在主旨演講中深入探討了機器學習在運動表現(xiàn)分析中的關鍵作用。 體育比賽會生成海量數(shù)據(jù)，包括視頻圖像數(shù)據(jù)、動作數(shù)據(jù)和位置數(shù)據(jù)等， 機器學習在處理比賽數(shù)據(jù)和提高運動表現(xiàn)分析理論與實踐中有著巨大潛力。 機器學習在運動表現(xiàn)分析中的應用可分為3 個類別： ①機器學習作為一項工具，將已有的機器學習方法嵌入運動表現(xiàn)分析，例如，通過視頻圖像模式識別監(jiān)測球員位置，有助于提高運動表現(xiàn)分析的準確性和效率。 ②比賽數(shù)據(jù)被用作機器學習基礎研究的案例， 研究人員探索機器學習在基礎研究中的潛力，例如，有許多關于體育數(shù)據(jù)改進預測方法的機器學習研究， 巧妙利用體育比賽難以預測的特性。 ③機器學習支持下的運動表現(xiàn)分析， 機器學習可以在運動表現(xiàn)分析的日常工作中提供幫助，例如，體育比賽自動標注，創(chuàng)造新的運動表現(xiàn)分析方法等。

Martin Lames 認為， 機器學習應用類別的深入理解對于研究人員和用戶至關重要， 不能將機器學習從不相關領域或簡單應用到運動表現(xiàn)分析中。 作者強調(diào)跨學科合作的重要性， 計算機專家和體育科學專家需要相互理解彼此領域的特點， 在運動表現(xiàn)分析和機器學習領域都需要高水平的專業(yè)知識與技能，建立跨學科研究小組，融合計算機專業(yè)和體育科學專家的知識，共同應對體育運動中的挑戰(zhàn)。

2.2 計算機視覺在體育運動中的廣泛應用與技術創(chuàng)新

計算機視覺在體育運動中已經(jīng)得到了廣泛應用，通過計算機視覺，能夠更準確地追蹤運動員的動作、分析比賽錄像、評估運動技巧和提供實時反饋。 John Komar 等探討羽毛球和網(wǎng)球運動的無標記動作捕捉的準確性， 利用人體和骨骼關鍵點檢測算法，并通過動態(tài)球場校準后，收集的數(shù)據(jù)可用于比賽中的原始運動學分析和自動事件檢測。 該研究表明，計算機視覺技術可以提供相當準確的3D 坐標，在羽毛球、 網(wǎng)球比賽中自動檢測分析的球員運動學數(shù)據(jù)具有可使用的準確度。 王圣等開發(fā)了一種基于深度學習的算法跟蹤網(wǎng)球運動員的運動軌跡， 旨在視頻增強和戰(zhàn)術分析。 該算法利用卷積神經(jīng)網(wǎng)絡和動態(tài)輪廓建模，在跟蹤球員方面取得了高度準確的結果，證明其在網(wǎng)球視頻增強、 技術分析和比賽評論方面的有效性。

李青汶等主要針對以事件為中心的視頻摘要開展研究，旨在從視頻內(nèi)容中提取重要片段。其所提出的邊界感知的摘要剪輯提取框架可提高邊界檢測的精度，同時保持剪輯的完整性。引入一種新的基于距離的重要性信號， 并探索了視頻摘要的各種信息類型。 劉文明等介紹了一種可準確高效進行體育視頻分類的雙分支神經(jīng)網(wǎng)絡方法。 該方法側(cè)重于解決傳統(tǒng)手工特征和標準卷積神經(jīng)網(wǎng)絡的局限性， 其應用關鍵幀采樣、 降噪算法和雙分支神經(jīng)網(wǎng)絡提取細粒度特征， 提高了高速運動和低分辨率視頻等具有挑戰(zhàn)性的場景中的分類性能。

Seiji Hirosawa 分享了一種將人類專業(yè)知識與人工智能 （Artificial Intelligence, AI） 相結合的新穎方法， 旨在利用裁判和滑冰運動員的注視數(shù)據(jù)評估花樣滑冰跳躍的質(zhì)量。 該研究創(chuàng)建了預測模型減少歧義，并提高表現(xiàn)評估的準確性，通過觀察裁判和滑冰運動員的眼球運動和注視信息， 提高了預測花樣滑冰跳躍執(zhí)行等級分數(shù)的準確性。其研究結果表明，將不同專家的信息約簡能力集成到預測模型中的有效性。 Takashi Fukushima 等報告了計算機視覺技術（特別是OpenPose 模型） 在跆拳道表現(xiàn)分析中的應用，收集了運動學數(shù)據(jù)和視頻片段分析跆拳道選手的各個關節(jié)的角度， 驗證了該技術在評估跆拳道運動員表現(xiàn)方面的用途， 揭示了世界級和大師級運動員之間髖部角度的差異。

2.3 數(shù)字技術與VR 迎來體育教育的新變革

數(shù)字技術與VR 正在引領體育教育領域的革新，重新塑造學習和鍛煉的方式。這一變革不僅擴展了體育教育的邊界，還提供了更豐富、個性化和高度互動的體驗， 為體育教師和學生帶來了前所未有的機會和挑戰(zhàn)。Naoki Suzuki 分析了體育教育領域中技術變革的潛力，提出了重新定義體育教育的觀點，分享了實現(xiàn)高質(zhì)量體育教育的新技術整合。 他介紹了2021 年日本小學和初中推出的GIGA 學校概念，即為每個學生提供連接網(wǎng)絡的平板電腦。例如，捕獲和分析視頻、靜態(tài)圖像以及總結學習內(nèi)容，從根本上改變教育方式。他認為，目前平板電腦的使用還沒有充分發(fā)揮數(shù)字設備在教學中的潛力， 應利用平板電腦改變教師與學生之間的溝通， 為體育教育中的協(xié)作提供新的機會。

Naoki Suzuki 通過一系列案例展示了技術如何釋放數(shù)字設備的潛力， 從而引領體育教學和訓練中的創(chuàng)新學習、教學實踐和評估。凸顯了整合真實和虛擬空間以促進體育教育中進一步學習的成果與挑戰(zhàn)，培養(yǎng)超越課堂協(xié)作的多方相關參與者。 另外，還演示了如何利用可視化技術展示復雜信息， 以便學生深入學習。在這些實際案例中，強調(diào)需要以學生為中心的“新問題——解決學習”的教學方法。

Arnold Baca 等討論了排球環(huán)境中的智能教育資源 （Smart Education Resources in Volleyball Environment, SERVE）項目，通過開發(fā)數(shù)字學習材料促進排球教學。數(shù)字學習材料內(nèi)容基于多媒體和互動，對所有人免費開放。 該研究探討了歐洲學校和俱樂部體育教育和培訓中數(shù)字平臺、 工具和應用程序的整合，數(shù)字工具可以增強學習動力、傳授知識并支持技能學習。 然而，研究也發(fā)現(xiàn)，數(shù)字工具也可能與體育鍛煉產(chǎn)生沖突， 且教師和教練通常沒有接受數(shù)字工具的技術和教育使用方面的培訓。

Juliana Exel 等介紹了使用低成本的VR 解決方案， 來改善運動體驗和情緒狀態(tài)。 通過使用改進的Google Cardboard VR 解決方案， 參與者可以在360°VR 戶外模擬騎行中進行鍛煉。 研究表明，通過VR進行鍛煉可以降低感知的運動強度和產(chǎn)生更積極的情緒狀態(tài)， 展示了低成本VR 解決方案可實現(xiàn)增強鍛煉心理和促進身體活動的潛力。

張立等調(diào)查了我國為促進數(shù)字體育發(fā)展而制定的政策， 凸顯了我國對數(shù)字體育在全民健身和健康促進背景下，對技術創(chuàng)新和進步驅(qū)動力的認可。這些政策涵蓋了數(shù)字技術在體育領域的各個方面，例如，建立全民健身信息服務網(wǎng)絡、升級數(shù)字化訓練基地、建設智慧體育場館、推廣新型體育、發(fā)展體育消費和多產(chǎn)業(yè)融合。這項研究強調(diào)在政策指導下，數(shù)字技術在體育和健身方面的核心作用。

2.4 智能傳感器進一步拓寬了體育科學研究新領域

智能傳感器的廣泛應用不僅豐富了體育科學研究領域，還為運動訓練、康復醫(yī)療等研究提供了新的機遇和前景。王健翔等為了探索人體下肢在各種環(huán)境下的運動策略，集成了慣性傳感器、飛行時間傳感器與深度相機，采用雙倒立擺模型和誤差狀態(tài)卡爾曼濾波算法將運動學參數(shù)與外界環(huán)境信息融合，通過點云配準算法將運動學信息配準到外界環(huán)境中。實驗結果表明該研究能夠在空間中映射下肢運動學參數(shù)，為人體姿勢控制研究提供了全新的工具。Ben Lane 等使用有限元建模預測跑鞋在腳著地時的中底剪切變形問題，發(fā)現(xiàn)跑步時的有限元模型可以確定不同鞋底的剪切變形，表明該模型具有優(yōu)化工具的潛力。

Patrick Blauberger 和Martin Lames 圍繞直道跑和彎道跑的地面接觸時間（Ground Contact Time,GCT），使用慣性測量單元進行數(shù)據(jù)采集與處理，監(jiān)測GCT的實時變化。 研究結果顯示，在400 m 比賽中，內(nèi)腳的GCT 比外腳長，且內(nèi)、外腳的差異為1.3%。 盡管彎道跑GCT 的絕對值沒有增加，但兩只腳之間的差異增加了，彎道跑期間的差異總高于直道跑。這項研究為田徑訓練貢獻了新的觀點， 而新型傳感技術和特定檢測算法的應用使得連續(xù)評估GCT 成為可能。Thibault Delumeau 等使用裝有傳感器的乒乓球拍研究運動員的握拍特征， 發(fā)現(xiàn)加速度測量對球員和擊球的識別起著關鍵作用， 而壓力測量有助于識別個體球員的技術特征。

手部運動學信息的獲取對康復、 生物力學和人機交互領域至關重要， 主要涉及指尖壓力和手指手勢。仲亮和彭玉鑫設計了一種柔性的雙模感應系統(tǒng)，包括一個壓力傳感器陣列和兩個慣性測量單元，分別用于感測指尖壓力和手指手勢。 雙模感應系統(tǒng)以97%的高準確率分類識別10 種手勢，具有廣泛的應用潛力。

2.5 運動中的數(shù)據(jù)挖掘和模式識別應用

通過數(shù)據(jù)挖掘和模式識別技術， 揭示隱藏在數(shù)據(jù)中的關聯(lián)和規(guī)律，為運動員提供個性化的建議，協(xié)助教練制定更有效的訓練計劃。 吳江等認為多元事件序列是乒、羽、網(wǎng)等運動項目中常見的數(shù)據(jù)結構，大量現(xiàn)有算法致力于從海量序列中找到頻繁出現(xiàn)的子序列，即特征模式，并以此描繪運動員的技戰(zhàn)術特點。 但此類算法難以整合專家豐富的領域知識與分析經(jīng)驗，導致挖掘結果常常缺少實際分析價值。該研究提出了一種新穎的交互式挖掘流程， 允許專家用自然語言表達分析需求， 驅(qū)動算法挖掘快速找到更具有分析價值的技戰(zhàn)術特征模式。

王星等使用大語言模型預測籃球比賽中進攻球員和球的軌跡。 使用預先訓練的多智能體Transformer 模型捕獲籃球比賽期間球員之間復雜的交互模式， 預測球員和球的軌跡。 該模型在2015—2016賽季NBA 比賽的大型數(shù)據(jù)集上進行了訓練，成功識別了金州勇士隊使用的重復進攻戰(zhàn)術，例如“電梯”和“旋風”。 該研究在識別進攻性比賽模式方面表現(xiàn)出了良好的前景， 展示了模式識別在理解運動動態(tài)方面的價值。

Manuel Bassek 等利用球員位置數(shù)據(jù)自動檢測手球的防守隊形， 該研究使用手球比賽的位置數(shù)據(jù)和模板匹配算法對隊形進行分類， 通過比較隊形模式和理想隊形模式，自動檢測手球比賽防守隊形。

Hayri Ertan 發(fā)現(xiàn)高水平、 中級和初學的射箭手在靶上的命中分布模式不同。 高水平射箭手具有高準確度和高一致性， 中級射箭手具有低準確度和高一致性，初學者是低準確度和低一致性。趙養(yǎng)清和張輝分析了2012 年倫敦、2016 年里約、2020 東京奧運會的射箭比賽以及2021 年Yankton 世界射箭錦標賽和2021 年Antalya 歐洲大獎賽超過一萬次的射箭數(shù)據(jù)， 發(fā)現(xiàn)優(yōu)秀反曲弓運動員射箭比賽中存在著動量“Momentum”或“熱手”現(xiàn)象，揭示了“成功孕育成功”機制的有力證據(jù)，強調(diào)了心理和表現(xiàn)因素對射箭成績的影響。該研究還探討了運動員性別、比賽狀態(tài)和比賽類型對射箭表現(xiàn)的影響。

2.6 數(shù)據(jù)管理、大數(shù)據(jù)分析和健康領域的交叉研究

數(shù)據(jù)管理和大數(shù)據(jù)分析在體育運動和體育健康中發(fā)揮關鍵作用，對運動隊、學校以及體育鍛煉人群相關決策或政策的制定提供有力支持。 Robert Rein認為傳統(tǒng)的統(tǒng)計推斷方法很難應對現(xiàn)代數(shù)據(jù)集規(guī)模所帶來的挑戰(zhàn)， 體育科學中不斷擴大的數(shù)據(jù)集需要更先進的分析方法。 討論了經(jīng)典假設檢驗和P 值解釋的局限性，建議采用預測推演方法，強調(diào)使用統(tǒng)計技術和算法分析大量數(shù)據(jù)以做出預測， 更符合從業(yè)者的需求和實際應用。此外，還探討了模型擬合和驗證的重要性，這是體育科學研究中經(jīng)常被忽視的方面，這種方法強調(diào)實際意義而不是統(tǒng)計意義，為體育科研人員和從業(yè)者提供了進一步調(diào)查和決策的寶貴見解。

隨著體能測試在中國的普及， 保持數(shù)據(jù)質(zhì)量和可用性至關重要。 高峰和董東探討了審核國家學生體質(zhì)標準（National Students Physical Fitness Standard,NSPFS）測試數(shù)據(jù)的獨特性，開發(fā)了NSPFS 測試數(shù)據(jù)的數(shù)據(jù)審核工具箱，構建了注重完整性、一致性、有效性和合理性的審計指標體系， 通過基于相對比例的擴展隔離算法的異常值檢測算法， 準確檢測異常值。 此外還解釋了DataAudit@NSPFS 的軟件架構，檢測異常值和增強NSPFS 測試管理數(shù)據(jù)可信度。

甘曉梅和于可紅探討了30 年來區(qū)域經(jīng)濟發(fā)展與中國青少年心肺健康之間的聯(lián)系， 確定了經(jīng)濟增長與中國青少年心肺健康之間關系的地理模式。 研究顯示區(qū)域經(jīng)濟發(fā)展與中國青少年心肺健康之間的關系存在不同模式，如“U”形關系和負線性關系，這些發(fā)現(xiàn)凸顯了區(qū)域經(jīng)濟增長與青少年身體健康之間的復雜關系，強調(diào)了區(qū)域經(jīng)濟對青少年健康的影響。

Aleksandr Samoylov 等分享了醫(yī)療保健和運動醫(yī)學領域的數(shù)字孿生概念。 重點關注運動員數(shù)字檔案的開發(fā)，強調(diào)了對運動員數(shù)字檔案的需求，即職業(yè)運動員的健康參數(shù)、心理生理數(shù)據(jù)、運動成績、病史的全面數(shù)字表示。它可以用于預測疾病發(fā)展、監(jiān)測心理和生理狀態(tài)以及識別過度訓練風險。

2.7 體育視頻分析中的交互式可視化創(chuàng)新

在體育視頻分析領域，交互式可視化創(chuàng)新提供了更深入、個性化和互動性強的方式，幫助教練員和研究人員更好地理解比賽和運動員表現(xiàn)。 同時還可以根據(jù)需求深入研究比賽錄像、診斷技術和分析戰(zhàn)術，實時與數(shù)據(jù)互動，更好地觀察比賽的動態(tài)和關鍵時刻。

謝瀟認為比賽視頻提供了運動員表現(xiàn)和球隊策略的豐富信息， 體育數(shù)據(jù)分析在很大程度上依賴于對體育視頻的處理和分析。 雖然機器學習技術能夠用于提取視頻中的技術屬性和構建統(tǒng)計模型， 但由于比賽視頻的復雜性和動態(tài)性， 完全自動化的分析仍存在局限性。分析人員通常需要與模型進行交互，以確保數(shù)據(jù)的準確性，并獲得有意義的結果。

在計算機輔助設計與圖形學全國重點實驗室，謝瀟介紹了如何整合AI、 數(shù)據(jù)挖掘和可視化技術，以實現(xiàn)對復雜體育視頻的交互式分析， 并通過大屏幕展示了乒乓球、足球、籃球和羽毛球等多個研究案例， 以證明人類知識和機器智能的結合可以有效促進體育比賽數(shù)據(jù)收集、數(shù)據(jù)分析、模擬推演等任務。

3 科學技術促進運動表現(xiàn)分析的快速發(fā)展與挑戰(zhàn)

在過去的十年里， 運動表現(xiàn)分析是體育科學發(fā)展最快的領域之一， 這主要歸因于計算機及相關技術的飛速進步， 為運動表現(xiàn)分析提供了前所未有的機會和工具。

3.1 運動科學中的建模與預測分析

建模與預測分析往往有助于提高運動員的表現(xiàn)、改進訓練方法、優(yōu)化戰(zhàn)術策略，以及作出更明智的決策。 Donal Kelly 和Colm O′Riordan 研究了進化計算（特別是遺傳算法）在團隊追逐自行車賽中的應用， 該項工作圍繞團隊追逐自行車比賽策略的制定展開。 該研究包括了空氣動力學阻力、領先換位、功率應用、疲勞和恢復的模型，并利用遺傳算法尋找最佳策略。 該研究的結果展示了針對不同騎手安排的各種有效策略。

有2 篇利用廣義線性混合模型的研究， 分別討論了FIFA 世界杯比賽表現(xiàn)的宏觀影響因素和NBA球員選秀的影響因素。 其中， 樊牧等通過分析1994—2022 年參加FIFA 世界杯的68 個國家和地區(qū)相關數(shù)據(jù)，發(fā)現(xiàn)：①國家的經(jīng)濟水平顯著影響世界杯表現(xiàn)，而人類發(fā)展指數(shù)對其產(chǎn)生負面影響。②世界杯表現(xiàn)受足球傳統(tǒng)的“特征價值”（例如舉辦世界杯、舉辦世界杯經(jīng)驗和世界杯獲勝）強烈影響。 相反，參與足球的歷史 （包括FIFA 和洲際足球協(xié)會的會員年限、職業(yè)聯(lián)賽、國家隊和協(xié)會的歷史）不會顯著影響世界杯表現(xiàn)。 ③國家的綜合體育實力極大地影響國家隊的世界杯表現(xiàn)。 孔祥申和張輝收集了2000—2022 年的23 個NBA 選秀年度數(shù)據(jù)，包括球員的位置、年齡、國籍、教育水平、身體特征（身高、體重、臂展等）、動態(tài)體能（速度、敏捷性和力量）和大學比賽統(tǒng)計數(shù)據(jù)（平均得分、平均上場時間、首發(fā)率和效率值）等。該項研究表明，球員的體能特征、大學表現(xiàn)以及成長潛力都是NBA 選秀的重要因素。

陳出琦等運用WNBA2016—2017 賽季204 場常規(guī)賽中12 支球隊的143 名球員的人體測量數(shù)據(jù)和比賽統(tǒng)計數(shù)據(jù)， 采用多元線性回歸模型闡明球員特征、表現(xiàn)指標和上場時間的關系。柳瑞芝和Martin 以2020東京奧運會的105 場男子乒乓球單打比賽和106 場女子乒乓球單打比賽為樣本，采用雙重移動平均線模型，通過比較雙重移動平均線的實際觀察值和預期值的分布差異，以及二者的峰度差異，評估比賽中瞬時實力的波動情況。 該研究表明，乒乓球比賽中瞬時實力表現(xiàn)存在大幅度的隨機波動，因此在評估運動員的比賽表現(xiàn)時，需要考慮這種隨機波動的特性。 同時，作者還認為該現(xiàn)象也存在于其他比賽項目中，應成為今后理論和實際比賽表現(xiàn)分析的常規(guī)工作部分。

儲向童和張輝采用博弈論的方法分析優(yōu)秀女子乒乓球運動員的戰(zhàn)術決策， 將運動員在單個回合中的戰(zhàn)術行為視為序貫博弈并進行建模。 該研究對2019 年的57 場重要比賽進行了分析， 并采用了極小化極大值算法，以找到乒乓球項目中發(fā)球、接發(fā)球和相持3 個階段運動員直接得分率最高的戰(zhàn)術。 研究結果顯示， 這些戰(zhàn)術與優(yōu)秀女子運動員的常用戰(zhàn)術具有一致性， 這表明博弈現(xiàn)象的存在以及最優(yōu)策略求解的有效性。

3.2 足球比賽數(shù)據(jù)分析

足球比賽數(shù)據(jù)分析一直是運動表現(xiàn)分析領域的熱點之一。馬潤青等在基于期望進球模型的基礎上，提出了衡量球員組織和參與進攻程度的指標（xGChain 和xGBuildup）， 并分析了2022 年卡塔爾世界杯球隊的進攻表現(xiàn)。研究發(fā)現(xiàn)，梅西是最有威脅的球員，他不僅具有出色的終結比賽的能力，而且為球隊發(fā)起進攻做出了貢獻。 吉魯和姆巴佩是法國隊進攻成功的關鍵，而楚阿梅尼、格里茲曼和齊耶赫等人在組織進攻中發(fā)揮了重要作用。

楊辰毓妍和Otto Kolbinger 使用2017—2018 英超聯(lián)賽所有的380 場比賽數(shù)據(jù)， 比較了排名較高和排名較低的球隊在傳球網(wǎng)絡的傳遞性和密度方面的差異。該項研究表明，排名較高的球隊比排名較低的球隊有更多連接緊密的傳球網(wǎng)絡， 但主客場比賽的傳球網(wǎng)絡差異較小。

李希澳和韓博將新的FIFA 技術和戰(zhàn)術指標與標準指標相結合，以確定2022 年卡塔爾世界杯的關鍵成功因素。揭示在平衡比賽中，防守行為對于獲勝概率的貢獻大于進攻和組織行為。 接球動作減少代表球隊較少將接球作為主要策略， 而是通過反擊表現(xiàn)出球隊的直接進攻，這被證明比控球進攻更有效。馬榕和崔一雄使用OPTA Sports 提供的2022 年卡塔爾世界杯所有32 支球隊的比賽數(shù)據(jù)， 共提取了69 820 次傳球（55 888 次成功和13 932次失?。?。 發(fā)現(xiàn)在中場傳球時，漸進傳球的準確率最高。通常容易被攔截的是在防守區(qū)域進行的漸進傳球。 成功的漸進傳球在進攻區(qū)域具有最高的預期威脅值， 在防守區(qū)域最低。

除此之外，本次會議上有許多中國學者關注中國足協(xié)超級聯(lián)賽（以下簡稱“中超聯(lián)賽”）。 例如，蔣進穎等指出，中超聯(lián)賽球員的最大速度、可達區(qū)域半徑和來自對手的空間壓力的差異會在不同的比賽狀態(tài)下顯著影響空間質(zhì)量， 更高的空間質(zhì)量有助于射正，從而提高球隊的獲勝概率。 胡建楊和張紹良以2021 年中超聯(lián)賽的數(shù)據(jù)為例，將時空信息與時空動作矩陣和卷積神經(jīng)網(wǎng)絡模型相結合，引入新穎的足球比賽結果預測方法，在量化、評估球隊和球員表現(xiàn)方面取得了令人鼓舞的結果。成芮弘等認為跑動是球員在比賽中最主要的外部負荷體能表現(xiàn)之一，相關的研究還僅停留在不同位置球員的跑動差異，但即使同一位置球員也有不同的比賽風格類型。跑動需求還會受到球員比賽風格的影響， 跑動特點與球員的職責屬性密切相關。這一研究將會給主教練和體能教練提供綜合而多元的方法評價球隊球員的體能表現(xiàn)。

伍珈樂和崔一雄探討進攻控球中與射門相關的關鍵因素。該研究選用中超聯(lián)賽2016—2019 賽季22支球隊960 場比賽中的45 454 個進攻控球（被定義為從球隊自己的防守三區(qū)開始，并在進攻三區(qū)結束）片段作為樣本，分析了6 個表現(xiàn)因素（事件數(shù)量、持續(xù)時間、球員數(shù)量、起止動作間距離、球的橫向移動距離、是否結束于禁區(qū)）在進攻控球中對射門機會的影響。結果發(fā)現(xiàn)除持續(xù)時間外其他因素均有影響，其中是否結束于禁區(qū)的影響最大。

3.3 拍類運動數(shù)據(jù)分析

拍類運動數(shù)據(jù)分析可以幫助運動員改進技術、優(yōu)化戰(zhàn)術，提高比賽表現(xiàn)，并提供個性化的指導和建議，是現(xiàn)代拍類運動訓練領域不可或缺的有效工具。宋泓霖等嘗試探索一種新的方式理解和分析乒乓球比賽。 該研究將雙三段法和四段法相融合， 采用SHAP 與LSTM-BPNN 算法對2019—2022 年100 場男子單打乒乓球比賽進行了診斷和分析。 研究結果表明，LSTM-BPNN 在模型性能上優(yōu)于極端梯度提升算法和反向神經(jīng)網(wǎng)絡模型。 通過SHAP 來解釋模型的重要特征發(fā)現(xiàn)，比賽結束階段的接搶段和發(fā)搶段效果對比賽獲勝概率有重要影響。

楊青等選取了2019—2021 年世界前50 名選手的258 場比賽作為樣本， 采用多元回歸分析獲取標準回歸系數(shù)和比賽模擬， 使用總決定系數(shù)評估擊球效果（Stoke Effectiveness, SE）對比賽結果的重要程度。發(fā)現(xiàn)男、女運動員每種擊球效果的重要程度差異較??；第一、第三拍（SE1），第二、第四拍（SE2），第五拍及之后（SE3），第六拍及之后擊球（SE4）的重要程度分別約占25%、35%、22%和16%（誤差為2%）。

陳志灝等運用辛普森均勻性指數(shù)，探討了中國乒超聯(lián)賽的競爭平衡問題。 研究發(fā)現(xiàn)，在2012—2013 賽季比賽系統(tǒng)改革后，男、女運動員的競爭平衡顯著下降。 對于男子運動員，中等水平球隊的競爭平衡顯著高于強隊和弱隊，強隊的競爭平衡高于弱隊。 對于女子運動員，中等水平球隊的競爭平衡顯著高于強隊。

劉靜等探討優(yōu)秀網(wǎng)球運動員比賽制勝分的擊球模式。該項研究基于2022 年澳大利亞網(wǎng)球公開賽的數(shù)據(jù)，發(fā)現(xiàn)運動員傾向于在底線附近獲得制勝分，當擊球靠近雙打邊線時，更傾向于使用直線擊球，尤其是反手直線擊球表現(xiàn)出色。 另外，通過K 均值聚類分為深區(qū)和非深區(qū)的制勝分的擊球技巧展現(xiàn)出兩種不同的分布。葉柔利和劉文明的研究發(fā)現(xiàn)，在網(wǎng)球比賽中， 采用兩個純策略納什均衡的發(fā)球比采用一個或零個更有益， 強調(diào)了采用兩個純策略納什均衡發(fā)球?qū)Ρ荣惤Y果的影響， 以及在實際比賽中使用多種發(fā)球戰(zhàn)術組合的重要性。

羅婭和沈樂君引入全新的分析視角， 首先通過三維球軌跡重建方法獲得了比賽中運動員擊打羽毛球的三維時空信息。其次，通過數(shù)學和統(tǒng)計方法分析男子單打運動員擊球點與網(wǎng)的距離和擊球點高度與網(wǎng)之間的關系對擊球結果的影響。

沈樂君等還驗證了“羽毛球雙打與單打的殺球在戰(zhàn)術上是不相同的”與“攻封配合是雙打比賽最強力的得分手段”兩個假設。并提出了4 個評價指標（直接得分率、創(chuàng)造得分率、封網(wǎng)機會、收益）和5 個殺球變量（擊球點高度、出手速度、擊球點到底線距離、球體飛行時間和軌跡終點高度）。 另外，對46 場女雙比賽的統(tǒng)計分析發(fā)現(xiàn)，球體飛行時間是最重要的參數(shù)。

3.4 其他項目的比賽數(shù)據(jù)分析

李木子等為了探索CBA 不同節(jié)奏比賽的關鍵表 現(xiàn) 指 標 （Key Performance Indicators, KPI）， 以2021—2022 賽季CBA 聯(lián)賽的814 場比賽為樣本，采用K 均值聚類算法將比賽分為了快節(jié)奏組、慢節(jié)奏組和混合組。 在此基礎上，引入C5.0 決策樹構建不同組別的決策樹模型。結果發(fā)現(xiàn)，所構建的決策樹模型的預測準確率較高， 混合組為93%， 快節(jié)奏組為91.43%，慢節(jié)奏組為94.38%。 3 個組別的KPI 有所不同， 其中2 分命中率和防守籃板是不同組別共同的KPI。與世界高水平聯(lián)賽相比，2 分球?qū)BA 聯(lián)賽的重要性要高于NBA，但失誤、助攻與罰球等指標對獲勝結果的影響并不明顯。

Soongyu Kwon 等收集了韓國職業(yè)棒球官方網(wǎng)站和統(tǒng)計網(wǎng)站Statiz 的2020—2022 賽季的賽伯統(tǒng)計擊打指標、投球指標和球隊表現(xiàn)數(shù)據(jù)，使用SPSS 22.0進行相關性分析， 通過R 編程語言進行數(shù)據(jù)可視化。 發(fā)現(xiàn)擊打指標中的整體攻擊指數(shù)和加權上壘率與球隊排名之間存在相關性， 而進場內(nèi)安打率和純長打率對球隊表現(xiàn)的影響較小。在投球指標中，每局被上壘數(shù)與球隊排名之間的相關性最大， 而獨立投球效力指標、 三振/ 四壞和相對聯(lián)盟平均成績與球隊表現(xiàn)關系不大。

李尚濱等研究了排球“短、平、慢”的發(fā)球戰(zhàn)術，這種戰(zhàn)術與現(xiàn)代排球主流的高速扁平發(fā)球不同，常常讓對手難以預料。該研究建立了數(shù)字仿真模型（包括排球彈道模型和球員模型），采用蒙特卡洛模擬方法生成了在典型情況下接發(fā)球過程的模擬數(shù)據(jù)集，研究運動員個體差異對戰(zhàn)術有效性的影響， 分析發(fā)球技術參數(shù)與戰(zhàn)術有效性之間的耦合關系， 探討發(fā)球策略與戰(zhàn)術之間的關系和規(guī)律，預測不同情況下不同戰(zhàn)術的效果。

3.5 競技體育中的科技與AI 關鍵問題

Sam Robertson 分析了競技體育中科技和AI 關鍵問題，認為競技體育是科技和AI 應用發(fā)展最快的領域之一， 強調(diào)科技和AI 在競技體育中的動態(tài)性，對體育組織和俱樂部提出了具有啟發(fā)性的問題，即面對這一不斷演化的背景，需要認真思考科技和AI在競技體育中帶來的挑戰(zhàn)和機會， 以確保其能在不斷變化的環(huán)境中獲得成功并持續(xù)保持競爭優(yōu)勢。

競技體育中的科技與AI 關鍵問題涵蓋了多個領域， 包括如何制定體育組織和俱樂部的科技以及AI 戰(zhàn)略，以確保科學技術的有效利用，使運動員的表現(xiàn)達到最佳水平。另外，要考慮如何確保相關人員具備相應能力應對技術發(fā)展所帶來的挑戰(zhàn)。此外，還討論了科技和AI 在競技體育應用中存在著潛在的倫理和數(shù)據(jù)隱私風險等。

4 結束語

第14 屆國際體育計算機科學研討會圓滿結束，與會者在體育運動領域中廣泛應用機器學習、 計算機視覺、數(shù)據(jù)挖掘、模式識別、數(shù)據(jù)庫、大數(shù)據(jù)、可視化、傳感器、AR、模型與預測和運動表現(xiàn)分析等理論與技術，取得了豐碩的研究成果，并將在未來幾年內(nèi)產(chǎn)生深遠的影響。