自行車運動員訓練負荷預測模型研究及應用

李富玉

【摘 ?要】自行車運動員的訓練負荷能力和其身體機能狀態有著復雜的關系，為了挖掘其中的數據關聯，從而指導自行車運動的科學訓練及人才培養，本文借助國家自行車隊積累的數據進行研究，提出了自行車運動員訓練負荷預測模型，并將預測模型應用在“自行車隊訓練分析系統”中。這對于提高我國自行車運動的競技水平和運動員訓練效果有著重要意義。

【關鍵詞】自行車運動員;訓練;負荷預測;模型;應用

1自行車運動訓練分析的研究現狀

目前自行車運動訓練分析主要是研究某一專項技術在自行車比賽中的作用，以及提高競技水平的訓練方法和訓練手段。有研究通過對公路自行車項目特征、制勝因素、制勝能力及其相互關系的研究，主要得到了以下結論：長距離公路自行車運動項目是以有氧供能為主的，運動員通過踏蹬自行車產生移動速度進行競爭的周期性競速運動項目;根據自行車運動的特點，應從肌肉工作、器械以及競技能力三個角度認識與把握公路自行車賽的項目特征。還有人員研究了山東省男子公路自行車隊運動員在長期運動訓練以后身體機能變化的規律，提出了訓練的小循環適當延長、增加冬訓期及賽前的訓練強度的建議。

2影響訓練負荷的因素

在對運動員訓練負荷預測的過程中，選取對訓練負荷有影響的因素不僅要合理而且還要有代表性，結合實驗數據的特點，本文根據自行車國家隊教練的建議選取了25個對訓練負荷有影響的因素：1）運動員的身高、體重、年齡、性別、體質指數。2）功能閾值功率（FTP）。自行車訓練中的FTP是指在1小時內用盡全力且穩定的騎行中所得到的最大平均功率。3）最大攝氧量。最大攝氧量是反應運動員有氧能力的重要指標。4）平均踏頻和最高踏頻。踏頻是在自行車領域非常關鍵卻又容易被忽略的指標，指的是單側曲柄每分鐘轉動的圈數，它是騎行效率的基本保證，合理的踏頻能夠有效的使用身體機能，防止肌肉和膝關節損傷，提高騎行效率。5）平均功率和最高功率。功率對于自行車訓練來說是十分明確的強度指標，它直接反映出了運動員目前所輸出的力量，能夠有效監控運動強度。功率反映出了運動員實際踩踏出來的力量大小，并不像心率只是一個生理指標。兩者之間最大的差異就在于一個是“實際表現”，另外一個是“生理反應”。6）生理生化指標。數據中有很多生理生化數據，其中包含了血常規、血糖肌酐、肝功能、尿常規、睪酮測定等幾大項，而每一項分別又包含數十項檢測指標。如果把所有指標都作為輸入，模型的計算量會劇增，而且并不是所有指標都對負荷結果有較大影響，本文根據專家的建議和參考他人的研究，在生理生化數據中選取了白細胞數、血紅蛋白、血小板、紅細胞數、尿素氮、肌酸激酶、睪酮、血氧飽和度、尿PH值、尿蛋白、尿膽原和尿膽素。7）參加訓練的項目和訓練量。

3分析IAGABP算法在訓練負荷預測中的應用

3.1神經網絡模型的選擇

神經網絡模型種類繁多，每一種神經網絡模型有各自適合的應用場景，有的適用于圖像處理領域，有的適用于特征識別領域，有的適用于數據分類領域。目前應用廣泛的神經網絡模型有感知器神經網絡、反饋神經網絡、BP神經網絡、徑向基神經網絡等。感知器神經網絡的傳遞函數是線性閾值單元，適用于簡單的模式分類問題，并且模型實現比較簡單，只能解決線性可分的問題，因此該模型不適合用來對訓練負荷的預測。反饋神經網絡的神經元在向前傳遞信息時還要向后傳遞信息，需要經過工作一段時間才能達到穩定狀態，在解決相同精度問題時反饋神經網絡的結構要比前饋型神經網絡復雜。徑向基神經網絡（RBF）和BP神經網絡都是前饋型神經網絡，在解決類似的非線性問題時它們可以相互代替，但是它們之間存在兩點區別：1）雖然RBF的泛化能力優于BP神經網絡，但是在解決同樣誤差精度要求的問題中BP神經網絡的結構更簡單。2）RBF的全局搜索能力強，但是BP神經網絡可以使用遺傳算法優化的方法在一定程度上解決易陷入局部極小值的問題。在選擇神經網絡模型對運動員訓練負荷預測中，選擇合適的模型需要考慮以下兩點：1）運動員訓練負荷預測是一個多因素的預測問題，需要先對數據進行非線性擬合。2）該預測模型需要在應用系統中使用，網絡模型不能太復雜。綜合對多種神經網絡模型的對比以及以上兩點需求，本文最終確定使用BP神經網絡作為運動員訓練負荷的基本算法。

3.2BP神經網絡結構及參數設計

為了建立運動員訓練負荷預測模型，首先要確定好BP神經網絡的結構及參數設計。它的設計主要包括網絡層數、神經元個數、數據集處理以及初始權值和閾值的選取等幾個方面，本文的預測模型網絡結構如圖1所示。

3.3改進自適應遺傳算法對BP神經網絡的優化

對BP神經網絡的優化一般有三種：針對初始權值和閾值的優化、針對網絡拓撲結構的優化和針對網絡學習參數的優化。本章使用改進的自適應遺傳算法優化BP神經網絡的具體方法如下，其中自適應遺傳算法的選擇操作一般選擇輪盤賭的方式，而本文提出了一種簡單有效的選擇算子。改進選擇算子的操作步驟如下：（1）初始化一個種群，按照適應度從小到大的順序對種群內個體排序;（2）把排好順序的個體均分成4段，4段種群的質量從前到后依次變高，對每一段按照0.4、0.6、0.8、1的比例進行選擇。（3）將上一步選出的個體組成新的種群，新種群的數量會因為按比例選取有所減少，從第4段的最優個體中隨機選取個體補充到新種群內，使新種群個體數量保持不變。4）交叉和變異算子自適應遺傳算法通過種群的交叉和變異操作產生新個體，在交叉、變異的過程中根據交叉率和變異率選擇操作的個體，為了構造適應度值更高的個體，個體適應度越小，交叉、變異的概率就越大，適應度越大的個體相反。

3.4算法描述及分析

基于改進自適應遺傳算法優化的BP神經網絡算法IAGABP，分為遺傳算法部分和BP神經網絡部分。在遺傳算法部分，先使用實數編碼的方式隨機產生N個染色體，組成算法的初始種群，然后不斷進行遺傳操作，提高種群的整體適應度，直到種群進化達到指定代數時算法終止。BP神經網絡部分首先要確定網絡結構和其他參數，然后將遺傳算法部分得到的最優個體拆解成一組BP神經網絡連接權值和閾值作為BP神經網絡的初始權值和閾值，通過誤差反向傳播的方式不斷調節權值和閾值，直到網絡輸出誤差達到終止條件，得到最終的BP神經網絡模型。

4結束語

自行車國家隊積累了多年訓練、比賽的數據，從這些數據中找出運動員訓練負荷能力和身體機能狀態之間的關系對提高自行車隊訓練效果有著重要意義。本文借助自行車國家隊的數據進行研究，提出了一種自行車運動員訓練負荷預測模型。盡管本文中運動員訓練負荷預測模型的準確率達到了可用的水平，系統的開發也已經初步完成，可以完成用戶目前的使用需求，但是由于時間有限和本人能力有限，課題還存在不完善的地方，需要在以后進行改進。

參考文獻：

[1]李雪強.公路自行車男子有氧耐力訓練手段的優選及應用效果研究[D].西安體育學院，2017.

（作者單位：山東省射擊自行車運動管理中心）