人工智能技術在體育訓練中的應用

王詩雁 廣州市第七中學

引言

人工智能技術和方法已經引起信息產業和整個社會的廣泛關注。與社會的大多數其他領域一樣，越來越多的數據在各種體育活動中被收集，自動化數據分析成為一個重要而快速發展的領域，數據科學已成為體育科學知識開發的一個戰略性領域，旨在彌補傳統統計方法存在的一些不足。仔細分析體育活動數據可以加深我們在運動科學方面的認知，同時也可以提高體育工作人員在優化訓練和競爭策略方面的決策能力。本文將簡要地介紹人工智能技術在體育訓練優化中的一些研究新進展。

1 用于轉彎定性建模的滑雪機器人系統

T.Yoneyama 等專家研究了用于模擬轉彎時人腿關節活動的機器人。這種機器人每條腿都有六個活動的關節，就像人類運動員一樣。在人工草皮上滑草時，車載計算機可以在開環模式下控制關節的角度，通過程序讓機器人做出各種運動，來研究關節之間的關系、反作用力和彎道軌跡。首先，他們研究了基本關節運動的影響，例如外展-內收和彎曲-髖關節伸展和膝關節和踝關節。然后研究了機器人在滑雪拐彎時的影響，仔細斟酌頂級運動員的關節如何運作。該項目可以幫助滑雪運動員實現在平衡下更高質量的轉彎。他們的研究還需要進一步請滑雪運動員進行真實的模擬實驗。

2 跆拳道廣播視頻中運動員復雜技術的自動分析

因為移動和雜亂的背景，在錄像中觀察運動員的動作是一項具有挑戰性的任務。Yongqiang Kong 等人提出了跆拳道視頻自動分析技術。 第一步，導入視頻，通過修正結構保持目標跟蹤器跟蹤運動員和身體圖像；第二步，深度學習網絡PCANet 通過學習每一幀畫面，預測下一幀畫面。由于一個動作是由多個連續動作組成的，每個動作對應一幀；最后一步，將線性支持向量機LSVM 與預測的動作框架相結合，得到一種分類器。通過跆拳道視頻數據的實驗驗證，結果表明，跆拳道視頻自動分析技術是可行的。

3 切割動作動力學參數的智能預測

利用90°切割動作的執行與分離過程中的動態數據，Marion Mundt 和Sina David 等研究人員利用前饋神經網絡預測了髖、膝和踝關節的接合力矩以及地面反作用力。以標記軌跡或關節角度作為輸入數據，他們對55名運動員進行了525 次神經網絡訓練和測試。實測數據與預測數據之間的相關系數具有很強的相關性。以關節角作為輸入參數，聯合矩預測精度稍高，但不顯著。當使用標記軌跡時，地面反作用力的預測具有明顯的準確性。他們提出的前饋神經網絡方法可以對方向發生快速變化的運動動力學參數進行預測，通過使用慣性傳感器，也可以簡化切割動作實驗裝置。

4 垂直跳躍模式分類的數據庫驅動神經計算框架

對運動員垂直跳(VJ)測試成績進行分類是運動員體能發展和提高成績的推薦做法。然而這種做法目前是主觀地進行，并且主要基于標準化的VJ 測試中獲得的垂直跳躍高度(VJH)的測量數據。Umar Yahya 等人提出了一種智能綜合分類框架(IICF)，根據肢體生物力學資料，用于單腿(SL)和雙腿(DL)站立VJ 測試中運動員成績的分類。通過對13 名全國女子網球運動員進行的6 次SL-左腿(SLLL)、SL-右腿(SLRL)和DL VJ 測試，獲得了從踝關節至膝關節以及8 塊LE 肌肉的生物力學數據，這些數據由三維運動學和肌電圖特征組成。每個參與測試的運動員都有先前的VJ 分類，在三次VJ 測試中的每一次都是優秀或非常好。IICF 利用了可擴展和可互操作的關系數據庫管理系統(MySQLDB)和人工神經網絡(ANN)的集成?；谌N不同訓練算法的全連通多層感知器前饋神經網絡(MLP-FFNN)，將從最初的三次VJ 試驗數據中獲得的包含提取特征(EF)的集成模式集隨機劃分成設計和測試數據集。受試者先前的VJ 分類被用作MLP-FFNN 的目標輸出。他們采用三個不同的內核映射函數的支持向量機(SVM)得到了第二個分類器，并且對MPL-FFNN 分類器和SVM 分類器在訓練和獨立測試模式集上的性能進行了比較。MLP-FFNN 分類器在三次VJ 測試模式集上的平均分類精度(F-測度)為93.33%(86.67~96.77%)，SVM 分類器為82.5%(73.33~87.5%)。IICF 已經證明了它作為訓練者在進行SL 和DL 垂直跳躍測試時作為一種客觀的輔助評估工具的可行性。

5 運用深度學習模型對運動場景進行關鍵姿態識別

關鍵姿勢識別被廣泛運用在運動分析中，為教練員、運動員和其他專業人員提供有效的工具進行運動分析和輔助訓練?；谝曨l流的KPR 可以分為面向個人的和面向群體的。早期的方法是分開每個個體來跟蹤，利用個體的特點來研究群體中的問題。后者是對群體圖像進行處理和采樣，獲取全局信息，然后對采集到的數據進行處理，對異常情況和正常情況進行分類。Cao Zhi-chao 和Lingling Zhang 提出了一種基于深度學習的關鍵姿態識別方法，特別地，為了消除舉重視頻圖像中大量的背景干擾，他們首先訓練了一個利用視頻幀圖像進行前景提取的FCN 網絡。進一步，通過對CNN 網絡的微調，得到了一種適用于感興趣區域加權視頻分類的網絡模型。最后，根據分類結果，設計了分類結果選擇策略來提取關鍵姿態。此外，我們的算法還可以選擇高質量的關鍵姿態幀，這對于運動訓練具有重要的意義。實驗結果表明，該方法具有很強的競爭力。

6 小結

體育研究專家在滑雪機器人系統、跆拳道視頻的自動分析、切割動作動力學參數的智能預測、垂直跳躍模式分類的神經網絡計算框架、運動關鍵姿態的深度學習模型識別等方面進行了創新性研究，其研究成果將有利于體育工作者在優化訓練和競爭策略中的科學決策。