基于復雜網絡模型的運動損傷程度評估模型

介博

摘 要： 現有的運動損傷程度評估模型不能有效地描述運動強度與損傷程度之間的關系。為了解決此問題，通過對致傷因子的研究、對損傷基函數的選取，達到了評估運動損傷程度的目的。通過研究RBF神經復雜網絡、設計復雜網絡下運動損傷隱含層，建立RBF運動損傷評估模型。模擬應用環境設計仿真實驗，結果表明，應用RBF運動損傷評估模型，解決運動損傷與運動強度之間關聯度問題，避免運動強度過大造成運動損傷；在一定環境下，能有效描述運動強度與損傷程度之間的關系。

關鍵詞： 復雜網絡模型； 運動損傷； 程度評估； RBF； 致傷因子； 外部因素

中圖分類號： TN711?34； TP3 文獻標識碼： A 文章編號： 1004?373X（2018）06?0165?04

Abstract： The existing sports injury degree evaluation model cannot effectively describe the relationship between exercise intensity and injury degree. To resolve the above problem， the injury factors are studied and the injury basis functions are selected to achieve the sports injury degree evaluation purpose. The RBF sports injury evaluation model is established by means of studying RBF neural complex network and designing the sports injury hidden layer in complex network. The application environment was simulated to design the simulation experiment. The results show that the RBF sports injury evaluation model can resolve the problem of correlation between sports injury and exercise intensity to avoid sports injury caused by high exercise intensity， and effectively describe the relationship between exercise intensity and injury degree in certain circumstances.

Keywords： complex network model； sports injury； degree evaluation； RBF； injury factor； external factor

0 引 言

現有的運動損傷程度評估模型，主要依靠蟻群算法對運動強度與運動損傷之間的關系進行描述，通過對灰色神經網絡算法進行改革，建立無跡卡爾曼濾波算法的損傷關系模型，并通過該模型確定運動強度對運動損傷的影響。但該模型在實際操作過程中需要對大量的數據進行測量計算，不僅在時間上造成了極大的浪費，也因多次計算，對結果的真實性造成了很大影響。為了減少運算步驟，增加運動損傷評估模型的真實性[1]。通過對致傷因子的研究以及對損傷函數的選取，完成對運動損傷程度的評估。通過尋找各隱節點的中心、寬度以及與之相對應的連接權值，并對該網絡中運動損傷隱含層進行設計，幫助損傷評估模型的實現。實驗結果表明，應用RBF運動損傷評估模型，解決運動損傷與運動強度之間關聯度問題，避免運動強度過大造成運動損傷；在一定環境下，能有效描述運動強度與損傷程度之間關系。

1 運動損傷程度評估

1.1 致傷因子研究

致傷因子是誘發運動損傷現象的一大因素，通常情況下，可將其劃分為內部因素及外部因素兩種。如果單純從內因或外因的角度對運動損傷現象進行解釋[2]，遠遠不能達到預期效果。平衡內、外因之間的相互作用關系，成為了研究損傷程度的首要任務[3]。為了清楚地表達致傷因子內、外部因素之間的相互作用關系，以5名長跑運動員為例，分析致傷因子內、外因之間的作用關系，具體分析結果如表1所示。

表1中DCD為損傷恢復狀況，JSB為關節穩定性，JFB為關節柔韌性，PTM為保護措施，WTR為天氣原因。其中前3項為致傷因子的內部因素，后2項為致傷因子的外部因素。為了方便對相互作用關系進行表達，規定表中數值表示該項目對損傷風險的貢獻度，最小值為1，最大值為3，且數值越大代表該項目對損傷的貢獻程度越高。

1.2 損傷基函數的選取

通過觀察表1可以發現，與外部因素相比，內部因素對致傷因子的影響程度更大[4]。因此，為了更加完善對致傷因子的評估，可根據內部因素的貢獻度，對損傷基函數進行選取[5]。根據高斯函數，可確定隱含的激活函數，其中，[Ru（x）]為第[u]個隱節點的穩定輸出，[x]為該函數在網絡中的輸出向量，[cu]為第[u]個隱節點的中心矢量核函數，故損傷基礎函數定義為：

[Rux=e-x-e22c2uyv=u=1nsvuRux， v=1，2，…，n] （1）

式中：[yv]為第[v]個輸出層節點輸出；[svu]為第[u]個隱含層節點到第[v]個輸出層節點間連接權值，則根據式（1）即可完成對損傷基函數的選取與確定。endprint

2 基于復雜網絡的運動損傷評估模型的建立

2.1 RBF神經復雜網絡

當各個隱節點的連接權值不再發生變化，且寬度和位置中心也都趨于穩定時，則RBF神經復雜網絡就可以進入工作狀態。FBF網絡主要對測量和觀察得來的數據進行標準化及過量化處理[6]。對于已經完成訓練神經網絡隱節點中心來說，其函數寬度以及連接權值的變化過程，記錄運動損傷程度的評估特征；而當傳輸過來的數據[7]與已存儲的某個損傷評估等級相對應時，RBF網絡將根據對應等級輸出相應數值。

2.2 基于復雜網絡的運動損傷隱含層設計

通過RBF復雜神經網絡，可以得到一個與運動損傷等級相對應的數值，為了達到對該數值引起的運動損傷程度進行評估的目的[8]，設某次輸入RBF復雜神經網絡的樣本共有T個，則可根據式（2）設計相應的運動損傷隱含層。

[ev=bv-y（xv）=bv-v=1TsvRvxvφ=12v=1Te2v] （2）

式中：[ev]為輸入T個樣本時的定義誤差；[bv]為與樣本[xv]相對應的既定取值；[φ]即為基于復雜網絡的運動損傷隱含層。

2.3 損傷評估模型的實現

通過RBF神經復雜網絡對損傷等級數值的確定[9]，以及對損傷隱含層搭建，可以初步完成對損傷評估模型的建立。為了確保RBF運動損傷評估模型的正常使用[10]，還需對運算過程中產生的自由參數進行迭代，具體公式如下：

[?（n）?svu（n）=u=1nsv（n）Ru（x）svu（n+1）=svu（n）-η?（n）?svu] （3）

式中：[?（n）?svu（n）]為自由參數的迭代；[n]為輸入的當前變量的取值，[n+1]為完成迭代后，對當前變量進行修正的取值；[η]為在該模型的總體學習效率，即為常數可變量。

3 實驗結果與分析

為了驗證RBF運動損傷評估模型的實用性，選擇高校中10名男性學生作為實驗目標。隨機挑選5名作為實驗組，另5名作為對照組。實驗開始之前，首先對10名男性學生進行編號，并對他們相關關節及肌肉數據進行測量。

3.1 實驗參數設置

實驗參數設置如表2所示。

表中：JST為關節強度；JSS為肌肉強度，且該項數值與10-5成正比；STG為力量強度；DMD為現有運動損傷程度。因前3項數值均處于有效范圍內，為公平起見，設所有人損傷程度均為1。

3.2 運動損傷與運動強度之間關聯度對比

在完成關節及肌肉數據采集之后，讓10名男性高校學生同時進行5 km長跑，并對他們進行長跑運動過程中的相關數據以及完成時間進行記錄，運用RBF運動損傷評估模型對實驗組5名學生數據進行分析，運用普通模型對對照組5名學生的數據進行分析，具體分析結果如圖1所示。

根據圖1可以發現，應用RBF運動損傷評估模型，對長跑數據進行分析，所有分析結果均位于標準曲線之上，而應用普通模型對長跑數據進行分析，所有分析結果均位于標準曲線之下。可證明RBF運動損傷評估模型比普通模型的分析準確性更高。從運動損傷與運動強度之間關聯度的角度進行分析，可以發現，應用RBF運動損傷評估模型，代表5名男性高校生的點均位于曲線之上，而應用普通模型，代表5名男性高校生的點，在曲線上下分布，且并無規律。證明了RBF運動損傷評估模型比普通模型更能建立運動損傷與運動強度之間的關聯度。

3.3 運動強度與損傷程度之間關系描述對比

在完成運動損傷與運動強度之間關聯度對比之后，將上述數據分別進行無誤差擬合，再應用RBF運動損傷評估模型對實驗組的擬合結果進行分析，應用普通模型對對照組的擬合結果進行分析，分析結果如圖2所示。根據圖2可以發現，應用RBF運動損傷評估模型，對長跑數據無誤差擬合結果進行分析，所有分析結果均位于標準曲線之上，而應用普通模型對長跑數據進行分析，所有分析結果在標準曲線上下分布，且分布并不均勻。可證明RBF運動損傷評估模型，比普通模型的對無誤差擬合結果的敏感性更高。從描述運動損傷與運動強度之間關系的角度分析，應用RBF運動損傷評估模型，代表5名男性高校生點均位于曲線之上，而應用普通模型，代表5名男性高校生的點在曲線上下分布，且并無規律。證明RBF運動損傷評估模型，比普通模型更能準確描述運動損傷與運動強度間的關系。

4 結 語

通過對致傷因子的研究與對損傷基函數的選取，評估運動損傷程度；通過RBF神經復雜網絡、基于復雜網絡的運動損傷隱含層設計，建立RBF運動損傷程度評估模型。實驗結果證明，該模型與普通模型相比，可解決運動損傷與運動強度之間關聯度問題，避免運動強度過大造成運動損傷。

參考文獻

[1] 蔣樂，劉俊勇，魏震波，等.基于Bayesian網絡與復雜網絡理論的特/超高壓輸電線路狀態評估模型[J].高電壓技術，2015，41（4）：1278?1284.

JIANG Le， LIU Junyong， WEI Zhenbo， et al. A condition assessment model of EHV/UHV transmission line based on Bayesian network and complex network theory [J]. High voltage engineering， 2015， 41（4）： 1278?1284.

[2] 張樹奎，肖英杰，尤曉靜.基于復雜網絡的交叉航道內船舶匯聚度模型[J].重慶交通大學學報（自然科學版），2017，36（2）：95?100.endprint

ZHANG Shukui， XIAO Yingjie， YOU Xiaojing. Model of ships aggregation at fairway crossing based on complex network [J]. Journal of Chongqing Jiaotong University （Natural sciences）， 2017， 36（2）： 95?100.

[3] 徐敬友，陳沖，羅純堅，等.基于改進復雜網絡模型的電網關鍵環節辨識[J].電力系統自動化，2016，40（10）：53?61.

XU Jingyou， CHEN Chong， LUO Chunjian， et al. Identification of power grid key parts based on improved complex network model [J]. Automation of electric power systems， 2016， 40（10）： 53?61.

[4] 韓忠明，陳炎，李夢琪，等.一種有效的基于三角結構的復雜網絡節點影響力度量模型[J].物理學報，2016，65（16）：285?296.HAN Zhongming， CHEN Yan， LI Mengqi， et al. An efficient node influence metric based on triangle in complex networks [J]. Acta physica sinica， 2016， 65（16）： 285?296.

[5] 熊云艷，肖文俊，毛宜軍，等.基于度序列的復雜網絡模型及其路由策略分析[J].華南理工大學學報 （自然科學版），2015，43（11）：30?34.

XIONG Yunyan， XIAO Wenjun， MAO Yijun， et al. A degree sequence?based complex network model and its routing strategy analysis [J]. Journal of South China University of Technology （natural science edition）， 2015， 43（11）： 30?34.

[6] 馬文韜，吉斌，敖興勇.近30年國外排球運動研究熱點的文獻計量學分析[J].山東體育科技，2016，38（1）：33?39.

MA Wentao， JI Bin， AO Xingyong. Bibliometric analysis of volleyball research highlights abroad in the last 30 years [J]. Shandong sports science & technology， 2016， 38（1）： 33?39.

[7] 韓永良，李詠梅，羅琦，等.視神經脊髓炎患者默認網絡及額頂網絡功能連接的研究[J].磁共振成像，2017，8（2）：105?109.

HAN Yongliang， LI Yongmei， LUO Qi， et al. Study of functional connectivity of default mode network and frontoparietal network in neuromyelitis optica [J]. Chinese journal of magnetic resonance imaging， 2017， 8（2）： 105?109.

[8] 沈誠，吳殷，張蘭蘭，等.不同本體感覺輸入對復雜運動動作表象的影響：fMRI研究[J].天津體育學院學報，2016，31（3）：227?232.

SHEN Cheng， WU Yin， ZHANG Lanlan， et al. The effect of different proprioception inputs on motor imagery of complex movement： an fMRI study [J]. Journal of Tianjin University of Sport， 2016， 31（3）： 227?232.

[9] 何有世，李金海，馬云蕾，等.基于復雜網絡構建面向主題的在線評論挖掘模型[J].軟科學，2015（10）：115?119.

HE Youshi， LI Jinhai， MA Yunlei， et al. Construction of mining model of subject?oriented online reviews based on complex network [J]. Soft science， 2015（10）： 115?119.

[10] 王靖飛.基于復雜網絡的風電消納能力評估模型改進[J].中國電力，2017，50（1）：136?139.

WANG Jingfei. Wind power accommodation capacity evaluation model based on complex network [J]. Electric power， 2017， 50（1）： 136?139.endprint