羽毛球運動員的技能水平評估?

王 曉

（西安航空職業技術學院 西安 710089）

1 引言

作為大眾喜聞樂見的運動項目之一，羽毛球運動也是我國奧運重點奪金項目的球拍類運動之一，因此針對羽毛球運動員的生理和生物力學因素的研究開始受到體育管理部門的重視［1］。但在對羽毛球運動水平的準確評估方面的研究仍然很少。

已有的研究表明，基于試圖提升和改進羽毛球運動員的水平，可以利用對羽毛球運動員的視覺訓練和身體訓練相結合［2～3］。文獻［4］引入了一種基于視覺的訓練方法來識別和提高羽毛球運動員的反應時間和擊球意識。然而，需要進一步的研究來評估這種訓練的效果。

基于視覺的訓練方法的研究表明，檢測和利用先進的視覺識別能力可以讓運動員更準確地預測對手的動作。文獻［5］對高水平專業運動員和低水平新手運動員的視覺識別能力差異進行了研究。該研究表明，新手羽毛球運動員無法捕捉到一些細節的視覺識別信息，而高水平羽毛球運動員可以利用這些信息提前預判羽毛球的運行軌跡。具體而言，高水平專業運動員將利用對手的球拍和手臂放置的視覺識別信息來預測羽毛球的運行方向和速度，而新手運動員只能從球拍本身獲得提前預判信息。文獻［6］利用基于視覺的方法對羽毛球運動員的水平進行分類評估。該研究的表明，高水平運動員比低水平運動員更成功地利用對對手的手腕旋轉而實現對羽毛球落點的提前判斷。然而，在研究這種羽毛球運動的發球方式的不同能力時，作者發現，無論運動員的專業技能如何，都不太能依靠視覺識別能力實現對羽毛球落點的判斷。文獻［7］解釋了基于手腕旋轉的視覺識別對乒乓球發球過程中的上旋和下旋的分辨能力較差。類似地，由于在羽毛球中，許多不同的發球具有相似的視覺過程，并且通常可以僅在球拍接觸羽毛球之前的最后幾毫秒中才能夠區分。文獻［8］提出使用神經網絡與視覺判別分析相結合的方法來確定將空手道運動員的運動技能的思路。該研究表明，基于圖形感知器的神經網絡和判別函數分析在將空手道運動員劃分為高和低性能組時具有很高的準確率。基于上述研究，本文將圖形感知神經網絡和判別分析引入羽毛球運動員的技能水平評估，并使用這兩種方法對基于視覺識別的測試程序生成實驗數據集進行分類測試，通過測試結果驗證這兩種評估方法的有效性。

2 運動技能水平評估方法

從大腦功能研究中得出，神經網絡的定義根據其應用領域的不同而不同。在統計學意義上，神經網絡適用于松散相關的模型族，其特征在于參數空間和靈活的結構［9］。

神經網絡由許多人造神經元（仿照生物神經元）組成，每個神經元都有相關的權重。神經系統的權重可以既是積極的也是消極的，因此對每個輸入提供興奮或抑制的影響。當每個輸入進入神經網絡時，乘以它的權重，然后將所有這些新的輸入值相加，就形成了激活值。如果激活值大于閾值，則神經元輸出一個信號。如果激活值小于閾值，則神經元輸出零。這個過程通常被稱為階梯函數［10～11］。

如果一個神經元可以有n個輸入的數量，并且每個輸入可以有相應的權重w，那么激活值的等式可以表示為［12］

圖形感知器基于預測變量的值產生一個或多個因變量的預測模型［13］。感知器的獨特之處在于每個神經元都使用非線性激活函數，該函數被開發來模擬大腦中生物神經元的動作電位或激發頻率。這個函數是以幾種方式建模的，但是必須始終是可規范化和可區分的。本文中使用的兩個主要激活函數均為雙曲函數［14］：

式（2）表示的激活函數是一個雙曲正切曲線，范圍從-1～1，而函數3形狀相同，但范圍從0～1。這里yi是第i個節點（神經元）的輸出，vi是輸入的加權和。

感知器根據輸出的誤差量與預期結果進行比較，改變每個數據處理后的連接權重。這種監督學習是通過基于線性感知器中最小均方算法的反向傳播進行的。

輸出節點j在第n個數據點中的誤差可以表示為ej(n)=dj(n)-yj(n)，其中d是目標值，y是感知器產生的值。然后，我們根據這些校正來修正節點的權重，這些校正最小化了整個輸出中的誤差。誤差的計算公式為

利用神經網絡的優點是，它可以近似于各種各樣的統計模型，而不需要研究者事先假設依賴和自變量之間的某種關系。而是在學習過程中確定關系的形式。這種靈活性的代價是神經單元之間的權重不容易解釋。

基于判別函數的分析是根據區間變量的線性組合對輸入變量進行分類，能夠較好地對輸出量和自變量之間地關系進行解釋［15］。本文從一組觀測值開始，其中不同水平組成員和區間變量的值是已知的。評估過程的最終結果是一個模型，當只有間隔變量已知時，能夠準確預測不同輸入的組別。判別函數分析的第二個目的是對數據集的理解，因為仔細研究由程序產生的預測模型可以洞察待評估運動員與用于預測的不同水平組成員的之間的關系。

3 基于視覺識別的水平評估

3.1 評估程序

參與本文研究的有41名參與者，分為高級水平組、中級水平組和初級水平組。高級水平組（n=10）的參與者是從事5年羽毛球的專業運動員，他們具有較為出色的羽毛球專業技能和知識。中級水平組（n=16）的參與者是那些至少打了1～2年羽毛球的運動員，他們具有相對完善羽毛球技能和能力。初級水平組（n=15）的參與者是羽毛球的入門運動員，有最少的羽毛球知識和運動經驗。

用于感知神經網絡和判別分析的數據來自基于視覺識別的評估程序。每組評估問題由五個基于視覺識別的問題組成，整個水平評估程序包括超過十個問題組。參與者首先會觀看正在進行的羽毛球比賽的不同影片剪輯。每個影片剪輯2～30秒，剪輯播放完之后是的靜止畫面，然后要求參與者回答屏幕上將要發生什么類型的發球以及羽毛球的回球落地。相應的答案選項如圖1所示。

圖1 評估程序的答案選擇頁面

在羽毛球專業教練的判斷和意見的幫助下，上述評估程序的結果經過加權計算可以實現對每個參與者的水平評估。回答正確的擊球類型得兩分，回答基于剪輯中情形可能得出得擊球類型得一分，回答錯誤得擊球類型不得分。同樣地，如果參與者選擇了正確的回球落地并且最終羽毛球確實落在該區域則得兩分，如果參與者選擇落地為剪輯中可能的落地則得一分，如果選擇得落地與實際落地和可能得落地均不同則不得分。參與者回答問題得時間限制在影片剪輯的間隔。每組問題包括5個問題，因此參與者可以獲得的最大分數是20，最佳答題時間為11.9s。因此，參與者評估分數的計算公式為

式（5）中，TIME是參與者回答關于擊球類型和落點位置的所有5個問題的綜合時間。答題分數是五個問題中每個正確答案的總分。因此，一個人可以在評估程序上獲得的最大分數是20。

羽毛球運動員技能水平是一個二分類變量。用于評估羽毛球運動員技能水平的神經網絡和判別分析由三個不同的因變量：人體生理因素，運動適應性因素和視覺評估因素。人體生理因素包括：身高（厘米）、體重（公斤）、年齡（歲）和運動經驗（年）。運動適應性因素為：20m沖刺（秒）、垂直跳躍（cm）和往返跑時間測試（得分）。視覺評估因素分別是：擊球類型（得分）、回球落點（得分）和答題時間（秒）。

3.2 評估結果

基于訓練數據集完成參數學習的神經網絡，對基于視覺識別評估的數據樣本進行分類的結果如表1所示。

表1 基于視覺識別評估的數據樣本的分類結果

用于測試的神經網絡結構如圖2所示。

圖2 神經網絡結構

圖2 中，神經網絡的隱藏層使用雙曲正切函數，輸出層使用softmax函數。圖中虛連接線表示兩個神經單元之間的連接權重小于零，實連接線表示兩個神經單元之間的連接權重大于零。基于神經網絡的運動適應性的分類結果如表2所示。

表2 基于神經網絡運動適應性的分類結果

由表2的數據可知，運動適應性分類的訓練準確率和測試準確率分別為95.5%和73.7%。

對基于視覺識別的水平評估中三個彼此獨立參數對評估總得分的影響程度的量化值如表3所示。

表3 基于視覺識別的水平評估的參數重要性

表3表明神經網絡分析中最重要的判別參數是擊球類型和落點判斷。對運動適應性數據進行的類似分析，得出20m沖刺測試（1量化值為00%）和垂直跳躍測試（量化值為74.6%）是運動適應性測試中最重要的判別參數。

在基于視覺識別測試時，使用基于判別函數同樣能夠有效區分運動員技能水平地高低，但在運動適應性測試時這種區分會出現偏差。運動適應性測試的總體正確率為73.2%，組內平方和與總平方和之比（Wilks'Lambda）為 0.394，P＜0.001；基于視覺識別測試的總體正確率為80.5%，Wilks'Lambda為0.23，P＜0.001。運動適應性測試結果的平均值和標準偏差如表4所示。

表4 基于判別函數地運動適應性測試平均值（標準偏差）

由表4的數據可知，在20m沖刺短跑，往返跑測試和垂直跳躍測試的平均值和標準偏差的數據中，具有較高羽毛球運動水平的參與者在垂直跳躍和往返跑聲測試中顯示較高的分數，而在短跑測試中分數較低。

表5顯示了基于判斷函數的運動適應性測試分類準確性。在這個判斷函數模型中，三個技能水平組的分類準確率為73.2%，比神經網絡的準確率稍低。

表5 基于判斷函數的運動適應性的分類

基于視覺識別的測試的擊球類型、落點判斷和答題時間三項統計結果的平均值和標準偏差如表6所示。由表6可知，與較低技能水平相比，技能水平較高者之間得分更高。其中技能水平較高者的答題時間較少反映了較快的識別速度。

表6 基于視覺識別的測試結果的平均值（標準偏差）

基于視覺識別測試的分類準確性如表7所示。其分類準確率為80.5%，Wilks'Lambda為0.23，P＜0.001。

表7 基于判斷函數的視覺識別測試的分類

最后，計算皮爾遜相關系數以評估參與者的技能水平與因變量之間的關系，其中因變量包括所有三組測試數據（人體生理因素，運動適應性因素和視覺評估因素）。計算結果如表8所示。

表8 皮爾遜相關系數的計算結果

4 評估結果的討論

上述測試的結果表明神經網絡與判別函數相比，評估準確度更高。此外，本文的研究表明了基于視覺識別評估程序的有效性，神經網絡和判別函數的評估準確度分別達到了100%和80.5%。

皮爾遜相關系數的計算結果表明，沖刺測試、垂直跳躍測試和折返跑測試的結果與技能水平并不相關。這是由于整個樣本年齡的變化較大（范圍為46歲），導致較低年齡組參與者的運動適應性測試的平均得分更高。盡管技能水平較高，但年齡較大的參與者并不像中級參與者那樣處于預期水平。因此，建議未來研究的樣本在所有技能水平上的年齡差異較小。

本文的研究表明基于視覺識別的測試（擊球類型、落點判斷和響應時間）比運動適應性測試更能準確評估羽毛球運動員的技能水平。

本文的研究結果表明，采用神經網絡和判別函數方式對視覺識別的測試結果的技能水平分類準確率分別達到100%和85%。這個結果為羽毛球教練員將視覺識別技術引入訓練計劃提供了啟示。

對測試數據進行深入研究發現，參與視覺識別測試的羽毛球運動員更傾向于預測正確的擊球類型，而不是判斷落點。這種傾向在所有三個技能水平級別中都是一致的。這可能是由于影片剪輯的拍攝角度和位置的不同選擇造成的。此外，參與者觀看的剪輯來自頂級的羽毛球比賽，其中的頂級水平運動員能夠靈活使用各種各樣技術動作和假動作，幾乎可以選擇任何出人意料的落點，導致測試參與者發現落點判斷比擊球類型更具挑戰性。然而，同樣的情況也適用為擊球類型的判斷，許多頂級運動員具有靈活使用假動作欺騙對手的能力。因此需要進行額外的研究來確定為什么測試參與者能夠更加準確地對擊球類型進行預測。

5 結語

神經網絡作為羽毛球運動員技能水平的評估工具，其性能的表現略優于判別函數，特別是在針對視覺識別系統的情況下。盡管如此，在羽毛球運動員技能水平評估的分類方面，神經網絡和判別函數分析都是準確的統計工具。基于視覺識別的評估程序經過測試和驗證，可以引入羽毛球運動員的訓練和水平評估。