訓練場地環境下杰出運動員中樞疲勞ANN預測模型的構建

周文婷++孟琪

摘要：目的：構建可預測訓練場地環境綜合因素影響下的杰出單板U型場地滑雪運動員中樞疲勞情況的人工神經網絡模型（ANN）。方法：分3次對單板U行場地滑雪國家隊在哈爾濱體育學院帽兒山滑雪場的訓練場地環境指標進行測試，并對運動員的聲喜好等情況進行問卷調查和訪談，測試及調查指標包括聲學指標和環境指標。以閃光融合頻率評價運動員的中樞疲勞情況。將上述指標納入ANN模型的構建，包括訓練次數、隱藏層設計、函數的選擇和模型的檢驗等。結果：14個主、客觀指標變量與單板U型場地滑雪運動員的中樞疲勞顯著相關，2個不相關。在3層結構（1個隱藏層）的ANN模型中，隱藏節點數、訓練次數和訓練函數分別在25、800和TRAINOSS時效果最優。分別構建了可預測運動員中樞疲勞的ANN通用模型和分組模型，并獲得了上述模型的最優網絡參數及預測結果。結論：成功構建了可預測訓練場地環境綜合因素下杰出單板U型場地滑雪運動員中樞疲勞情況的ANN模型。

關鍵詞：訓練場地環境；綜合因素；單板U型場地滑雪；中樞疲勞；預測；人工神經網絡

中圖分類號：G804 文獻標識碼：A

文章編號：1008-2808（2015）06-0008-07

作為技巧類難美項群雪上運動項目，單板U型場地滑雪因其運動員需要在3-4min內完成6-8個高難度空中翻轉動作，故在訓練和比賽中易因精神高度緊張，注意力集中而產生中樞疲勞。中樞疲勞是中樞為防止機體發生過度機能衰竭而出現的保護性抑制，可受多種因素影響并存在顯著的個體差異，環境可能是其中一個重要因素。眾多研究發現，環境聲音對環境中個體的心理疲勞影響顯著，其他環境因素則可能與環境聲音協同發揮作用。

當前，主流的預測方法分為基于人工智能的預測方法和基于統計學的算法，前者包括支持向量機、貝葉斯網絡和人工神經網絡（artificial neuralnetwork，ANN）等，后者如序列邏輯回歸模型。不同于以往的理論推導公式，ANN可通過分析和學習大量已有的評價數據，總結出研究對象與影響因素之間的關系，并由這些“關系”預測未知結果，在60余年的發展中，不斷完善和加人多種算法，從而在工業、醫學、商業等眾多領域廣泛用于識別和預測，多項采用該技術建立的預測模型，其準確率都達到了70%以上。根據學習策略和互聯模式連接方式的不同，ANN分為多種類型，而BP（Back Propogation）神經網絡因較其它神經網絡具有普遍性強和運算過程清晰等優勢，特別適于求解內部機制復雜的問題，應用最為廣泛。

提高訓練效果，延緩運動疲勞出現和快速從疲勞中恢復是當前運動訓練亟待解決的問題，而通過訓練場地的環境指標預測運動員的中樞疲勞情況，進而調整相關環境指標以延緩運動員中樞疲勞的出現或使其迅速得以恢復，將可能是提高訓練效果的新手段。為此，本研究首次通過BP網絡技術構建訓練場地綜合因素影響下單板U型場地滑雪項目杰出運動員的中樞疲勞預測模型，旨在為其將來的應用提供參考。

1 實驗對象和方法

1.1 實驗對象

國家單板U型場地滑雪隊41名（女17/男24）杰出運動員參與研究。所有運動員均為國家一級以上運動員，平均年齡和平均訓練年限分別為20.3±5.2yrs和12.6±5.7yrs。

1.2 實驗方法

1.2.1 輸入數據的采集

（1）選址。所有評價數據進行采集時，需要選擇具有典型性的調查地點。雖然調研得知國家單板U型場地滑雪隊有多處訓練場地，但日常訓練主要集中于哈爾濱體育學院帽兒山滑雪場。為此，本研究選取該滑雪場作為測試地點。

（2）主觀調查。采用調查問卷研究影響因素與運動員在訓練場地環境下主觀感受間的關系，其中聲環境主觀感受包括聲舒適度、主觀響度、聲喜好等指標，其他環境主觀感受包括溫度感受、濕度感受、亮度感受和風速感受。具體過程包括：

A.問卷設計：首先提出研究假設，對研究對象進行界定；其次采用結構訪談和無結構訪談相結合的形式對主觀響度、聲舒適度和聲喜好的研究內容進行補充，提出問卷題目的設計方案；最后完成主觀響度、聲舒適度和聲喜好的量表、使用者特征量表和環境調查量表。

B.信度與效度分析：通過5位專家對問卷的效度進行檢驗，評價結果良好。采用Cronbachα信度進行問卷的信度檢驗，結果，環境因子信度αl=0.713，聲音因子信度α2=0.821，信度滿足調查的要求。

C.正式調查：調查以實地發放問卷結合訪談的形式進行，分別于2014年11月、2015年1月和3月對在帽兒山滑雪場訓練的杰出單板U型場地滑雪運動員發放121份問卷，回收有效問卷115份，回收率95.0%。調查結果通過SPSS14.0軟件錄入和進行分類研究。

（3）客觀測量。除主觀感受外，可能影響中樞疲勞評價結果的一些客觀物理指標也被測試，包括聲壓級、混響時間、溫度、濕度、照度及風速。聲壓級測量使用聲級計記錄A聲級數據，并保證測量位置離U型槽壁面和其它主要反射面不小于Im，距地面1.2m-1.5m，每3-5s記錄一次，每個地點記錄100個數據，取平均值為測量點的A聲級?；祉憰r間使用無指向聲源作為聲源點，在一定的距離上設置若干個測量點，在聲源停止發聲時，用高保真錄音機記錄聲壓級衰減的過程，并用OldB的軟件進行分析。由于測試時滑雪場內的溫濕度變化緩慢，因此在調查問卷結束之后，只對每一個點使用溫濕度計記錄1組溫濕度的數據。測量的照度值一般指水平工作面照度。對滑雪場而言，統一選取運動員在U型槽上躍起的平均高度，即男子3.0m，女子2.0m作為水平工作面標準高度，每記錄一份問卷之后，對測量點水平工作面照度計量一次。風速測量使用手持式風速儀，測試過程中持續記錄，取平均值為測試點的風速。為驗證模型準確度，分別對運動員的中樞疲勞情況進行了測試，方法采用閃光融合頻率測試，測試時間分別為訓練前30min、訓練30min、訓練60min、訓練90min、訓練后即刻及訓練后30min。

（4）數據分析。采用Matlab7平臺進行ANN預測模型的構建。問卷調查及測試獲得的主、客觀指標的描述采用以平均值±標準差（x±s）；主、客觀指標與運動員中樞疲勞的相關性檢驗采用Pear-son/Spearman相關分析（雙尾），各指標在訓練及檢驗組間的差異則采用配對t檢驗（雙尾）。SPSS 14.0軟件包統計分析，非常顯著性水平與顯著性水平分別定為0.01和0.05。

1.2.2 單板U型場地滑雪運動員中樞疲勞ANN模型的構建 以上述與運動員中樞疲勞相關的變量作為輸入變量，個體中樞疲勞為輸出變量。因樣本量有限，在模型分析過程中，80%的數據用于訓練而20%數據用于檢驗；在模型評價過程中，70%的數據用于訓練，10%為無效數據，20%的數據用于檢驗。

（1）隱藏層及節點設計。參考相關文獻，ANN模型采用3層結構（1個隱藏層），隱藏節點數范圍從5-35，網絡的訓練次數設定為100-3000次，分別計算訓練及檢驗組的誤差與相關系數。

（2）函數選擇。ANN的函數主要包括傳遞函數、訓練函數和學習函數。因學習函數對運算的結果影響較小，故僅調整傳遞函數和訓練函數。本研究以純線性函數PURELIN作為傳遞函數，訓練函數為TRAINLM、TRAINOSS和TRAINCGB這3種經典的Matlab訓練函數。隱藏節點數及網絡訓練次數參照上述：隱藏層及節點設計的結果，分別計算訓練及檢驗組的誤差與相關系數。

（3）模型的檢驗。數據被分為10組，其中8組用于輸入數據，1組作為檢驗數據，1組作為預測數據，以進行模型的過擬合檢驗。隱藏節點數及網絡訓練次數參照上述：（1）隱藏層及節點設計的結果，訓練模型參照；（2）函數選擇的結果，分別計算有/無檢驗測試下訓練及檢驗組的誤差與相關系數。

2 結果與分析

2.1 影響單板U型場地滑雪運動員中樞疲勞的因素

鑒于與ANN模型無關的輸人數據會影響預測結果，故輸入網絡前，需要分析整理出聲音、使用者、空間和環境等影響因素與中樞疲勞的關系，如表1所示，16個指標被選為運動員中樞疲勞預測模型的輸入變量，輸出變量為個體的中樞疲勞。相關檢驗發現，上述變量中，14個變量與單板U型場地滑雪運動員的中樞疲勞顯著相關，故2個與中樞疲勞不相關的要素，A1及A6，在接下來的模型構建中不納入網絡計算。

2.2 單板U型場地滑雪運動員中樞疲勞ANN模型的構建

業已證實，BP神經網絡中隱藏層的數量為1層或2層時就可以解決現有的各種分類問題，故本研究選擇1個隱藏層的3層結構ANN模型。此外，關于隱藏層的節點數，若數量較少，則網絡不能進行訓練或降低網絡訓練的性能；若節點數較多，雖然可能降低網絡的訓練誤差，但訓練中也容易出現“過擬合”或導致網絡訓練時間的提高。

根據隱藏層節點數確定的最基本原則，本研究選擇5-35的隱藏節點數范圍，ANN模型中訓練及檢驗組的誤差與相關系數見圖2。由圖2（b）可見，當隱藏節點數的變化范圍為5-35時，檢驗組相關系數的變化范圍為0.54-0.68，當隱藏節點數從30變為35時，檢驗組的相關系數由0.64降為0.61，表明隱藏節點數為25是ANN模型在3層結構下的最優節點數。

迭代次數是BP人工神經網絡的運算次數，增加網絡的迭代次數可減少網絡的訓練誤差，但會增加網絡的訓練時間。為確定合適的迭代次數對網絡預測效果的影響，本研究分別訓練了100次、200次、300次、400次、500次、600次、700次、800次、900次、1000次、2000次和3000次，不同訓練次數下ANN模型中訓練及檢驗組的誤差及相關系數見圖3。由圖3（b）可見，檢驗組的相關系數在訓練次數為100時最低，僅為0.39，隨著訓練次數的增加，檢驗組的相關系數逐漸好轉，并在訓練次數增至400-800時達到0.67-0.69的較好水平。然而，當訓練次數繼續由900增加至3000的過程中，檢驗組的相關系數不再增加，而是從0.67逐漸降至0.58，其原因可能是因為網絡的迭代次數過多，導致網絡的“過擬合”，使其泛化能力降低，即網絡從“靈活理解”變為“簡單記憶”，使預測的準確率下降，故800次被作為ANN模型的最優訓練次數用于模型構建。

根據前面結果，不同訓練函數下ANN模型中的隱藏節點數及訓練次數均設定為25和800，該模型中訓練及檢驗組的誤差與相關系數見圖4。

由圖可見，TRAINOSS訓練函數下ANN模型的訓練效果較其他訓練函數更好，其檢驗組的相關系數為0.72，說明選用該訓練函數時，網絡的收斂速度較慢，訓練誤差最?。欢x用訓練函數TRAINM時，網絡的收斂速度快，但誤差較大，因此在三種訓練函數中最不利于ANN模型的訓練效果。

根據前面結果，有/無驗證測試條件下ANN模型中的隱藏節點數及訓練次數均設定為25和800，訓練函數采用TRAINOSS，該模型中訓練及檢驗組的標準差與相關系數見表2。由表可見，有驗證測試條件下ANN模型的檢驗組標準差較無驗證測試條件下檢驗組的誤差小，表明所有ANN模型在此步均需進行驗證測試。

2.3 單板U型場地滑雪運動員中樞疲勞的ANN模型

根據影響運動員中樞疲勞的各變量權重，本研究分別構建了可預測單板U型場地滑雪運動員中樞疲勞的ANN通用模型（General 1和General 2，即G1和G2）和分組模型。ANN通用模型分別選取不同數量的變量，所有可能會影響單板U型場地滑雪運動員中樞疲勞的16個主、客觀指標均被選為預測模型G1的輸入變量，而G2中的輸入變量為14個與運動員中樞疲勞相關的主、客觀指標。

此外，由于運動員中樞疲勞受年齡、運動等級和訓練年限影響較大，本研究還據此構建了相應的ANN分組模型，即ANN年齡模型（Agel-3，即A1、A2和A3）、ANN運動等級模型（Sport Gradel-3，即SGI、SG2和SG3）及ANN訓練年限模型（Training Lengthl-3，即TLI、TL2和TL3）。上述模型的樣本分別分為低齡組（<18yrs組）、適齡組（18-22yrs組）和熟齡組（>23yrs組）；國家一級、健將組和國際健將組；以及低年限組（<7yrs組）、中年限組（8-13yrs組）和高年限組（>14yrs組），ANN模型則分別命名為A1、A2、A3；SGI、SG2、SG3；和TLI、TL2、TL3，各模型參數見表3。

在對上述ANN模型進行數輪測試后，獲得的最優網絡及其預測結果見表4。從中可見，在兩種通用ANN模型中，G1模型的預測結果與實際測試結果的相關系數僅為0.44，預測準確度并不理想，而G2模型的預測結果較C1明顯好轉，其相關系數為0.68，準確度較好，可作為單板U型場地滑雪運動員中樞疲勞的ANN通用預測模型。此外，研究還發現，當將樣本按相應標準分組后，ANN年齡模型、ANN運動等級模型和ANN訓練年限模型的各組模型預測結果均較好，相關系數均達到0.70以上，預測效果好于通用模型，故可用于單板U型場地滑雪運動員中樞疲勞的分組預測。

3 結論

14個主、客觀指標變量與單板U型場地滑雪運動員的中樞疲勞顯著相關，2個不相關。在3層結構（1個隱藏層）的ANN模型中，隱藏節點數、訓練次數和訓練函數分別在25、800和TRAINOSS時效果最優。分別成功構建了可預測訓練場地環境綜合因素下運動員中樞疲勞情況的ANN通用模型G2和分組模型A1、A2、A3；SG1、SG2、SG3；及TL1、TL2、TL3，并獲得了上述模型的最優網絡參數及預測結果。