基于大數據分析的運動風險評估方法研究

王賀 任玉梅 王華

摘 ?要： 傳統運動風險評估方法能夠對運動中存在的風險進行評估，但存在評估過程耗時長、精準度差，不能進行大規模運動評估的問題。提出基于大數據分析的運動風險評估方法。通過對風險因子進行分析構建大運動風險評估模型，引入多層次疊加運算以及多因素調解方差法，對運動風險數據進行處理，基于大數據分析法，實現運動風險評估。實驗結果表明，提出的基于大數據分析的運動風險評估方法，相比傳統風險評估方法，能夠進行高效率精準的運動風險評估，并能夠適用于大規模的風險評估。

關鍵詞： 大數據分析; 運動風險評估; 風險因子; 多層次疊加運算; 多因素調解方差; 運動場地

中圖分類號： TN913?34 ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2018）10?0140?03

Abstract： The traditional exercise risk assessment method can assess the risks existing in exercise， but has the problems of time?consuming assessment process and poor assessment accuracy， and cannot be used for large?scale exercise assessment. Therefore， an exercise risk assessment method based on big data analysis is proposed. The big exercise risk assessment model is built by analyzing risk factors. The multilevel overlay operation and multifactor mediation variance method are introduced to deal with the exercise risk data， and the exercise risk assessment is realized based on the big data analysis method. The experimental results show that in comparison with the traditional risk assessment method， the proposed exercise risk assessment method based on big data analysis can perform high efficient and accurate exercise risk assessment， and can be applied to large?scale risk assessment.

Keywords： big data analysis; exercise risk assessment; risk factor; multilevel overlay operation; multifactor mediation variance; sports field

0 ?引 ?言

研究表明，運動愛好者以及專業運動員在運動過程中，產生的運動風險不僅是由單一原因造成的，通常是由多個因素疊加影響造成的。傳統運動風險評估方法以運動方式為重心，風險計算范圍有限。同時存在評估效率低、準確性差、不適合進行大規模評估的問題。根據上述問題，本文提出基于大數據分析的運動風險評估方法。對風險因子重新分析，利用風險因子特征構建評估框架，采用多層次疊加運算，以多因素調解方差法采集風險數據[1]。通過得到的風險因子，依托計算機技術，引入大數據評估方法，對風險因子進行大數據分析，調整計算方式，得到基礎風險關聯數據，從而實現對運動風險的評估。通過仿真實驗，進行評估效率、評估準確性、評估能力三方面實驗。實驗結果表明，本文設計的運動風險評估方法，適用于大、中、小不同規模的運動風險評估，且具有高準確性和高評估效率。

1 ?大數據運動風險評估模型的建立

本文對風險因子進行重新分析，改進傳統單重心的分析方式，采用多層次分析的方式，通過風險因子框架疊加運算，加上多因素調解方差法對風險數據進行基本采集[2]。

2 ?實現大數據分析的運動風險評估

本文設計的運動風險評估方法主要分為三個階段：風險識別階段、風險計算階段和風險評估階段。

風險識別階段：首先利用風險因子預計算，判斷是否納入識別范圍。其風險預計算不考慮意外風險值f（c），不存在風險間接判斷，對可能存在風險值以參數的形式進行計算[9]。

風險計算階段：利用風險識別階段的數據，對來源數據進行大數據風險因子的過程量計算。其計算縝密度分為嚴謹、適中、寬松三個等級，對應評估系數分別是[0.75～1.0]，[0.5～0.75），[0～0.5）。評估系數越高，對系統配置要求越高，風險評估綜合性能越好[10]。

風險評估階段：對風險計算結果分析，出具合理評估風險報告，其各主要評估階段評估內容如表1所示。

運動分析評估流程圖如圖1所示，對評估對象進行逐步分析，計算過程中選用計算偏離模塊，驗證計算數據是否偏離[11]。

通過對風險因子進行大飽和計算，對風險數據進行辨別。依據風險識別數據進行風險計算，引入大數據評估方法，實現基于大數據分析的運動風險評估。

3 ?仿真實驗與測試

3.1 ?實驗目的與參數設置

為了驗證基于大數據分析的運動風險評估方法的有效性，進行評估效率、評估準確性、評估能力的三次實驗。實驗系統運行環境為Windows 7/Windows XP，最低配置要求4 GHz 64?bit 雙核處理器，8 GB系統內存， 500 GB 硬盤分區，GeForce GTX 1050Ti顯卡 4 GB顯存，DVD?R/W 光驅。完成實驗準備，通過對大數據風險評估方法與傳統風險評估方法進行評估效率、評估準確性兩方面進行實驗分析，并將數據進行統計，其具體實驗如下。

3.2 ?評估效率實驗

評估效率實驗（Assessment Efficiency Experiment）是對運動風險評估方法進行效率測試。其測試流程是，在1 s時間內，統計風險評估所完成的運算次數，用EEE表示。其中，EEE（750～1 000）代表高效運行，系統運轉速度快，達到高效處理;EEE（500～700）代表中效運行，系統運行較慢，不適合進行增加運算量;EEE（0～500）代表低效運行，系統運行緩慢，效率低下。

通過對傳統評估方法和大數據評估方法，進行50萬條數據量試驗，其運動風險EEE曲線如圖2所示。

根據運動風險EEE曲線得出：傳統評估方法在數據量達到10萬條時開始快速下降，當數據量達到22萬時達到第一次谷值EEE（580），隨后小幅上升，當數據量達到30萬～35萬時，出現EEE（600）平臺。系統處于中靈敏度。數據量超過35萬時，EEE曲線呈現陡崖式下降，達到EEE（375），系統運行效率低下。而大數據評估方法保證平穩的EEE曲線，從測試數據5萬～50萬，保證大于EEE（750）高速運行。

3.3 ?評估準確性實驗

評估精確性實驗（Evaluate the Accuracy Experiment）是對運動風險評估方法進行準確性測試。其測試流程是，觀察實際發生風險與評估結果風險的比值，用EAE表示。其中，EAE（85%～100%）代表高準確性運行，系統評估結果可靠;EAE（50%～85%）代表中準確性運行，系統評估存在偶然性;EAE（0～50%）代表低準確性運行，系統評估不可信。通過對傳統評估方法和大數據評估方法進行80萬條數據量試驗，其運動風險EAE圖如圖3所示。

根據運動風險EAE圖得出，傳統評估方法數據量在10萬～70萬時其EAE（45%～60%），其中數據量為40萬時出現第一次谷值EAE（45%），總體進行中準確性運行，系統評估存在偶然性，當數據量超過70萬時， 達到EAE（30%），其系統評估不可信。而大數據評估方法EAE曲線保證平穩，在EAE（80%～90%）之間運行，系統評估結果可靠。

4 ?結 ?語

通過分析風險因子以及大數據計算技術，實現基于大數據分析的運動風險評估。對評估效率、評估準確性、評估能力的三個層次實驗，結果表明，大數據分析的運動風險評估方法具有高評估效率、高準確性和強評估能力。

參考文獻

[1] 劉白，廖秀健.基于大數據的重大行政決策社會穩定風險評估機制構建研究[J].情報雜志，2016，35（9）：43?47.

LIU Bai， LIAO Xiujian. A study based on the big data of the construction of social stability risk assessment mechanism in major administrative policy decision [J]. Journal of intelligence， 2016， 35（9）： 43?47.

[2] 趙丹.基于大數據分析的運動損傷估計模型設計[J].現代電子技術，2017，40（17）：101?104.

ZHAO Dan. Design of sports injury estimation model based on big data analysis [J]. Modern electronics technique， 2017， 40（17）： 101?104.

[3] 龔偉志，劉增良，王燁，等.基于大數據分析恐怖襲擊風險預測研究與仿真[J].計算機仿真，2015，32（4）：30?33.

GONG Weizhi， ?LIU Zengliang， WANG Ye， et al. Research and simulation of terrorist attack risk prediction based on big data analysis [J]. Computer simulation， 2015， 32（4）： 30?33.

[4] 鄭宏，蔡宇翔.大數據環境下入侵風險評估優化模型仿真分析[J].計算機仿真，2016，33（9）：292?295.

ENG Hong， CAI Yuxiang. Big data environment risk assessment of optimization model for the simulation analysis [J]. Computer simulation， 2016， 33（9）： 292?295.

[5] 司光耀，王凱，李文強，等.基于大數據和粗糙集的產品需求分析方法研究[J].工程設計學報，2016，23（6）：521?529.

SI Guangyao， WANG Kai， LI Wenqiang， et al. Research on product demand analysis method based on big data and rough set [J]. Chinese journal of engineering design， 2016， 23（6）： 521?529.

[6] 杜艷君，班婕，孫慶華，等.環境健康風險的研究前沿及展望[J].現代預防醫學，2016，43（24）：4437?4439.

DU Yanjun， BAN Jie， SUN Qinghua， et al. Research front and prospect in environmental health risks [J]. Modern preventive medicine， 2016， 43（24）： 4437?4439.

[7] 胡萍.大數據環境下基于信息融合的網絡風險評估模型[J].科技通報，2015，31（9）：220?223.

HU Ping. Network risk assessment model based on big data environment information fusion [J]. Bulletin of science and technology， 2015， 31（9）： 220?223.

[8] WANG Z， LAI C， CHEN X， et al. Flood hazard risk assessment model based on random forest [J]. Journal of hydrology， 2015， 527： 1130?1141.

[9] GARBOLINO E， CHERY J P， GUARNIERI F. A simplified approach to risk assessment based on system dynamics： an industrial case study [J]. Risk analysis， 2016， 36（1）： 16?29.

[10] POLZER S， GASSER T C. Biomechanical rupture risk assessment of abdominal aortic aneurysms based on a novel probabilistic rupture risk index [J]. Journal of the royal society interface， 2015， 12（113）： 1?11.

[11] HAN L， SONG Y， DUAN L， et al. Risk assessment methodology for Shenyang Chemical Industrial Park based on fuzzy comprehensive evaluation [J]. Environmental earth sciences， 2015， 73（9）： 5185?5192.