基于長短期記憶網(wǎng)絡的田徑運動員專項體能訓練即時數(shù)據(jù)采集

摘要：針對田徑運動員專項體能訓練時數(shù)據(jù)采集受概念漂移的影響，導致采集結果不精準的問題，提出基于長短期記憶網(wǎng)絡的田徑運動員專項體能訓練即時數(shù)據(jù)采集方法.該方法采用長短期記憶網(wǎng)絡，構建數(shù)據(jù)采集模型；通過聚焦式控制機制，訓練數(shù)據(jù)采集模型，并且結合雙緩存模式，連續(xù)采集即時數(shù)據(jù)；選取滑動窗口，剔除異常數(shù)據(jù)，實現(xiàn)即時數(shù)據(jù)有效采集.通過驗證結果可知：該方法訓練時間采集結果與實際數(shù)據(jù)最大相差60 s，與傳統(tǒng)方法相比，即時數(shù)據(jù)采集結果更加精準.

關鍵詞：長短期記憶網(wǎng)絡；田徑運動員；專項體能訓練；即時數(shù)據(jù)采集

中圖分類號：G822；TP274⁺.2 文獻標志碼：A

Real-Time Data Collection of Special Physical Training for Track

and Field Athletes Based on Long-Term and Short-Term Memory Network

ZHOU Jian

（Department of Physical Education， Tongling University， Tongling 244000， Anhui， China）

Abstract：In order to solve the problem of inaccurate data collection results caused by concept drift during special physical training of track and field athletes， a real-time data collection method for special physical training of track and field athletes based on long-term and short-term memory network is proposed. The method uses long-term and short-term memory network to construct data acquisition model. Through the focusing control mechanism， the data acquisition model is trained， and combined with the dual cache mode， the real-time data is continuously collected. Sliding window is selected to eliminate abnormal data and realize effective real-time data collection. It can be seen from the verification results that the maximum difference between the training time acquisition results of this method and the actual data is 60s. Compared with the traditional method， the real-time data acquisition results are more accurate.

Key words：long-term and short-term memory network; track and field athlete; specific physical training; real-time data acquisition

田徑數(shù)據(jù)采集是田徑運動員獲取體能訓練數(shù)據(jù)的一種手段，并且田徑比賽中有著不同的數(shù)據(jù)收集方式.近年來，隨著科技發(fā)展，田徑運動中出現(xiàn)了大量的數(shù)據(jù)采集方法，其中包括運動員的訓練內容、心率、步數(shù)等.數(shù)據(jù)采集技術需求越來越大，數(shù)據(jù)采集方法不斷完善，但是目前田徑運動員在進行專業(yè)體能訓練時，數(shù)據(jù)采集主要是通過計算機實時采集數(shù)據(jù)，該方法存在數(shù)據(jù)采集精度低的問題，無法為提高運動員的訓練質量提供有效的即時數(shù)據(jù).在運動員的訓練中，及時地了解訓練相關信息，對提高訓練的效果和質量起著重要作用.由于運動員在訓練中不能及時地記錄訓練的數(shù)據(jù)，因此，不能準確地判斷訓練強度，需要實時采集即時數(shù)據(jù).王子馨等^［1］研究了基于長短期記憶網(wǎng)絡的缺失數(shù)據(jù)恢復方法，該方法采集的數(shù)據(jù)準確性較高，但是其未考慮異常數(shù)據(jù)，僅適用于缺失數(shù)據(jù)類型的采集，適用范圍較小.楊業(yè)雙^［2］研究了基于無線傳感器網(wǎng)絡的健身訓練數(shù)據(jù)實時采集方法，但是該方法在實際應用中的數(shù)據(jù)采集結果與實際結果的差異較大.Xi Yongping等^［3］研究了一種基于實時圖像采集和數(shù)據(jù)仿真的人體運動數(shù)據(jù)采集方法，但是該方法的訓練時間采集數(shù)據(jù)準確性較低.針對上述問題，提出了基于長短期記憶網(wǎng)絡的田徑運動員專項體能訓練即時數(shù)據(jù)采集方法.以期為田徑運動員提供助力.

1 長短期記憶網(wǎng)絡的數(shù)據(jù)采集模型

針對田徑運動員專項體能訓練即時數(shù)據(jù)采集，結合長短期記憶網(wǎng)絡構建采集模型，數(shù)據(jù)采集模型如圖1所示.

基于長短期記憶網(wǎng)絡的數(shù)據(jù)采集模型的構建步驟如下：

步驟1：針對需要即時采集數(shù)據(jù)的觀測點，先從觀測點中采集多個時間段的歷史統(tǒng)計數(shù)據(jù)，然后將各個時間段的統(tǒng)計數(shù)據(jù)按照下述公式歸一化處理，從而標準化時間序列.

式中：n表示維數(shù)；x_max、x_min分別表示某組維數(shù)的最大值和最小值.

步驟2：在一維標準化的一維陣列中，引入滑動窗口，獲取多個訓練樣本量，每個訓練樣本量與上一個時間點的統(tǒng)計數(shù)據(jù)一致，并將其作為一個標記訓練樣本，每個訓練樣本在不同時間點包含了大量的數(shù)據(jù)^［4］.

步驟3：為了提高數(shù)據(jù)采集模型的精度，應用一種連續(xù)概率分布的加權貝塔分布方法，計算樣本特征加權參數(shù)的貝塔分布均值

式中：λ_k、λ-_k分別表示第k次計算后的加權參數(shù)和均值；b表示貝塔分布常數(shù).

步驟4：構建長短期記憶網(wǎng)絡的數(shù)據(jù)采集模型輸入門，過濾無效數(shù)據(jù)，并向長短期記憶單元添加有用數(shù)據(jù)^［5-6］.輸入門樣本數(shù)據(jù)可表示為：

式中：ω_xk、ω_hk、ω_gk分別表示輸入門與特征數(shù)據(jù)、輸入門與隱藏狀態(tài)和輸入門與訓練狀態(tài)之間的權重系數(shù)；ε表示激活函數(shù)系數(shù)；h_k－1、g_k－1分別表示隱藏狀態(tài)和訓練狀態(tài)；a_k表示輸入門偏置項；x_k表示輸入數(shù)據(jù)^［7-9］.

步驟5：構建遺忘門，刪除記憶單元中的無效數(shù)據(jù)

式中：ω′_xk、ω′_hk、ω′_gk分別表示遺忘門與特征數(shù)據(jù)、遺忘門與隱藏狀態(tài)和遺忘門與訓練狀態(tài)之間的權重系數(shù)；b_k表示遺忘門偏置項^［10］.

步驟6：構建輸出門，即基于長短期記憶網(wǎng)絡的數(shù)據(jù)采集模型輸出

式中：ω″_xk、ω″_hk、ω″_gk分別表示輸出門與特征數(shù)據(jù)、輸出門與隱藏狀態(tài)和輸出門與訓練狀態(tài)之間的權重系數(shù)；c_k表示遺忘門偏置項^［11］.

長短期記憶網(wǎng)絡構建的數(shù)據(jù)采集模型能夠實時更新模型參數(shù)，具備模型微調功能.

2 專項體能訓練即時數(shù)據(jù)采集

2.1 基于長短期記憶網(wǎng)絡的模型訓練

為了使模型能夠有選擇的訓練，在數(shù)據(jù)采集模型的基礎上，設計一種控制機制，即基于長短期記憶的聚焦式控制機制.利用控制矢量和門控機制的門閥控制單元，按照控制矢量選擇性控制目前的輸入.首先，門閥控制單元基于上一次訓練狀態(tài)和當前時刻輸入值，計算出門閥權值^［2］.通過分析門閥控制單元的輸入數(shù)據(jù)，構建基于長短期記憶的聚焦式控制機制，

式中：f表示聚焦式打分函數(shù)；v_k表示輸入特征；u表示實體特征.

根據(jù)輸入和控制向量，輸入控制器管理輸入的數(shù)據(jù)，即有選擇地遺忘輸入數(shù)據(jù)，該操作僅對輸入數(shù)據(jù)有效.該機制可以直接地有效處理輸入數(shù)據(jù)，而且不會對采集過程產生任何影響^［13-14］.在特征級別聚焦式注意力計算時，輸入特征值是由實體特征組成的，數(shù)據(jù)在選擇聚焦式控制打分函數(shù)時使用雙線性模型，獲取最終訓練結果.

2.2 即時數(shù)據(jù)雙緩沖模式采集

由于長短期記憶網(wǎng)絡處理訓練結果不能直接輸入模型，需要將訓練結果轉化為向量數(shù)據(jù)，因此，構建基于編碼層結構，其作為模型輸入層，該結構具有較強的魯棒性^［15-17］.在訓練層次上，采用雙向控制輸入和長短時記憶網(wǎng)絡結構，將實體信息表示為起始點，而編碼層面上提取的編碼向量也為實體向量形式.在此基礎上，將頭、尾兩種實體的結合方式輸入到控制輸入短時存儲器中，實現(xiàn)了注意力計算^［18］.

根據(jù)訓練結果，結合長短期記憶網(wǎng)絡，實現(xiàn)用數(shù)學模型表示田徑運動員專項體能訓練即時數(shù)據(jù)采集問題：假設采集時長為tk+1，將n個專項體能訓練指標數(shù)據(jù)k-n+1，k作為數(shù)據(jù)采集模型得帶輸入，由此構建的數(shù)學模型為：

通過構建的數(shù)據(jù)模型，減少數(shù)據(jù)采集出現(xiàn)過擬合現(xiàn)象^［19］.

基于該模型，采用雙緩存模式采集即時數(shù)據(jù)，步驟如下：

步驟1：在雙緩存模式下，一次性緩存大量數(shù)據(jù)到數(shù)據(jù)模型，并在緩沖結尾處寫數(shù)據(jù)；

步驟2：重復步驟1，并刪除舊數(shù)據(jù)，并將緩存數(shù)據(jù)分割成兩段等長；

步驟3：向一個緩存端寫入數(shù)據(jù)，并將數(shù)據(jù)復制到傳送緩沖中進行緩存；

步驟4：當另一緩存端寫入數(shù)據(jù)進行到一半時，需先覆蓋一部分舊數(shù)據(jù)，之后才能繼續(xù)緩存；

步驟5：重復上述步驟，直到全部數(shù)據(jù)緩存完畢后，即可獲取全部即時數(shù)據(jù)采集結果.

2.3 異常數(shù)據(jù)剔除

由于長短期記憶網(wǎng)絡能夠緩存大量數(shù)據(jù)，且網(wǎng)絡結構具備遺忘門，因此迅速地了解到新的數(shù)據(jù)特性.根據(jù)數(shù)據(jù)特性，實時更新網(wǎng)絡數(shù)據(jù)，避免印數(shù)據(jù)概念漂移問題影響即時數(shù)據(jù)采集結果^［20］.此外，在每個數(shù)據(jù)中，設置尺寸適當?shù)幕瑒哟翱谀M各數(shù)據(jù)之間的差值，并按照概率密度劃分異常數(shù)據(jù)，及時剔除密度過大或過小的數(shù)據(jù).

將不正常得分和設定門限相比較，超過門限的數(shù)據(jù)視為異常數(shù)據(jù).然而，由于數(shù)據(jù)流的概念漂移問題，導致正常數(shù)據(jù)和異常數(shù)據(jù)模式改變.僅憑差分法劃分正常數(shù)據(jù)和異常數(shù)據(jù)，會造成概念漂移后的異常分值不夠精確.因此，選擇合適的滑動窗口能夠依據(jù)差值序列構建評判模塊，然后計算差異，將其作為一個非正常點.異常分數(shù)取決于某一時間點與前一周期的集合差異.在不同的數(shù)據(jù)流中，異常分數(shù)的分布會有所變化，從而改善其精確度.

采集的數(shù)據(jù)中出現(xiàn)異常數(shù)據(jù)，則說明采集的數(shù)據(jù)具有不可靠性，此時需要建立數(shù)據(jù)分布空間模型，該模型內的全部數(shù)據(jù)采集模式應全部一致.設第j個異常數(shù)據(jù)，在時刻t_aj到t₀時刻的區(qū)間為建模分布區(qū)間.在該區(qū)間內，為了使模型更加符合即時數(shù)據(jù)采集模式，需選擇適當?shù)幕瑒哟翱冢@取均勻分布函數(shù).如果在一定周期內，持續(xù)產生異常數(shù)據(jù)，那么第j個異常數(shù)據(jù)所在的分布區(qū)間會很短，導致數(shù)據(jù)采集精度不高.因此，設定滑動窗口的最小長度t_L，如果t_aj≥t₀－t_L，則選取t₀－t_L，t₀作為滑動窗口的區(qū)間范圍.

設模型輸出結果在0，1范圍內，（0，sore表示正常狀態(tài)數(shù)據(jù)，sore，1表示異常狀態(tài)數(shù)據(jù)，其中sore表示異常分數(shù).根據(jù)歷史數(shù)據(jù)分位數(shù)，計算異常分數(shù)公式為：

式中：f（·）表示某點概率計算函數(shù)；F（x）表示正態(tài)分布函數(shù)；x表示訓練樣本；z表示異常樣本.

計算異常分數(shù)后，將其與設定閾值進行對比分析，如果計算結果大于閾值，則說明該數(shù)據(jù)為異常數(shù)據(jù)，反之為正常數(shù)據(jù)，以此實現(xiàn)即時數(shù)據(jù)采集.

3 實驗部分

田徑運動一直是奧運會比賽項目，并且持續(xù)受到人們的熱愛和關注.因此，本次實驗以田徑項目為例，選擇某次國家田徑運動員隊的體能訓練數(shù)據(jù)，實驗驗證分析基于長短期記憶網(wǎng)絡的田徑運動員專項體能訓練即時數(shù)據(jù)采集研究合理性.

3.1 實驗設計思路

使用Excel2016統(tǒng)計處理各項實際數(shù)據(jù)，結合W檢驗方法鑒定數(shù)據(jù)可靠性，避免數(shù)據(jù)影響實驗結果.設置訓練周期為12周，一周進行三次，即每周一、三、五，在這些時間段下安排訓練內容，根據(jù)運動員實際運動情況，及時調整訓練計劃.

第1階段運動員體能訓練內容及安排如表1所列.

第1階段訓練強度相對較小，主要是給運動員身體適應的時間，該階段主要是小負荷訓練為主，在確定了一周訓練內容后，接下來的訓練需要加強訓練強度.

通常情況下，田徑項目需要使用大量能量，為了避免訓練受到損傷，需在保證安全前提下控制訓練強度.經過第1階段訓練之后，運動員身體逐漸適應，為此，在第2階段應增強靈敏協(xié)調性和爆發(fā)力方面的訓練.

第2階段運動員體能訓練內容及安排如表2所列.

在前2個階段訓練基礎上，根據(jù)運動員反饋，及時調整第3階段訓練內容.在第3階段以速度訓練為主，其余訓練內容均以全身協(xié)調為輔.

第3階段以速度訓練為中心，鍛煉核心力量.第3階段運動員體能訓練內容及安排如表3所列.

3.2 實驗結果與分析

以3個階段的每周一、三、五最后3項訓練時間為研究指標，將其作為實驗數(shù)據(jù)，分別使用文獻［1］方法、文獻［2］方法和基于長短期記憶網(wǎng)絡的即時數(shù)據(jù)采集方法對比分析訓練時間采集數(shù)據(jù)，對比結果如圖2所示.

由圖2（a）可知，使用文獻［1］方法在B4訓練內容的訓練時間與實際數(shù)據(jù)相差最大，差值為180 s；使用文獻［2］方法也在B6訓練內容的訓練時間與實際數(shù)據(jù)相差大，差值為240 s；使用基于長短期記憶網(wǎng)絡的采集方法采集的訓練時間數(shù)據(jù)與實際數(shù)據(jù)一致，差值為0.

由圖2（b）可知，使用文獻［1］方法在C12訓練內容的訓練時間與實際數(shù)據(jù)相差最大，差值為280 s；使用文獻［2］方法也在C12訓練內容的訓練時間與實際數(shù)據(jù)相差最大，差值為270 s；使用基于長短期記憶網(wǎng)絡的采集方法在C13、C14訓練內容的訓練時間與實際數(shù)據(jù)存在偏差，差值為60 s.

由圖2（c）可知，使用文獻［1］方法在B20訓練內容的訓練時間與實際數(shù)據(jù)相差最大，差值為300 s；使用文獻［2］方法也在B20訓練內容的訓練時間與實際數(shù)據(jù)相差最大，差值為240 s；使用基于長短期記憶網(wǎng)絡的采集方法僅在C22訓練內容的訓練時間與實際數(shù)據(jù)存在偏差，差值僅為60 s.

通過上述分析結果可知，基于長短期記憶網(wǎng)絡的采集方法的最大偏差僅為60 s，低于其他數(shù)據(jù)采集方法180 s以上，由此可知，基于長短期記憶網(wǎng)絡的采集方法采集數(shù)據(jù)更加精準.

4 結語

為了提高田徑運動員專項體能訓練的即時數(shù)據(jù)采集精度，提出基于長短期記憶網(wǎng)絡的田徑運動員專項體能訓練即時數(shù)據(jù)采集方法，該方法通過構建基于長短期記憶網(wǎng)絡的數(shù)據(jù)采集模型，采集專項體能訓練即時數(shù)據(jù).為了解決采集數(shù)據(jù)中的概念漂移問題，采用了一種基于滑動窗口的數(shù)據(jù)異常采集技術，動態(tài)地為每一個數(shù)據(jù)指定一個更適當?shù)漠惓７謹?shù)，從而提高了數(shù)據(jù)的采集精度，并通過實驗驗證了該點.為了更好地應用該方法，需要對模型參數(shù)進行進一步優(yōu)化研究.因此，在以后研究中，充分考慮在控制矢量的基礎上，如何在減小參數(shù)數(shù)目的情況下進行更好的選擇，并改進控制矢量產生方法.

參考文獻：

［1］ 王子馨，胡俊杰，劉寶柱.基于長短期記憶網(wǎng)絡的電力系統(tǒng)量測缺失數(shù)據(jù)恢復方法［J］.電力建設，2021，42（5）：1-8.

［2］ 楊業(yè)雙.基于無線傳感器網(wǎng)絡的健身訓練數(shù)據(jù)實時采集方法研究［J］.蘭州文理學院學報（自然科學版），2022，36（4）：53-58.

［3］ XI Y P，YANG S D，WANG P L，et al.Human motion system model based on real-time image acquisition and data simulation［J］.International Journal of Engineerin，2021，29（3）：175-181.

［4］ 龔大偉，徐寶鶴，陸麗.基于改良式SPI總線和LBbVIEW的多通道數(shù)據(jù)采集系統(tǒng)［J］.儀表技術與傳感器，2022（3）：74-79.

［5］ 張鵬，劉靜軒，張文婕，等.我國高水平健美操運動員專項體能評價指標體系及其模型構建［J］.西安體育學院學報，2021，38（5）：633-640.

［6］ 李雙玲，楊光，朱寶峰，等.基于結構熵和因子分析的我國優(yōu)秀男子冰球運動員專項體能關鍵指標研究［J］.北京體育大學學報，2021，44（12）：110-124.

［7］ 鄺俊澎，楊志軍，孫晗，等.基于BISS協(xié)議絕對式光柵尺數(shù)據(jù)采集系統(tǒng)設計［J］.儀表技術與傳感器，2020（7）：52-56.

［8］ 馬志強，岳蕓竹.面向即時數(shù)據(jù)采集與分析的學習投入縱向研究——基于經驗取樣法與交叉滯后分析的綜合應用［J］.電化教育研究，2020，41（4）：71-77.

［9］ 王建明，鐘建春，于亞光.采用激光測距數(shù)據(jù)估計短跑步態(tài)和參數(shù)的方法［J］.北京師范大學學報（自然科學版），2020，56（4）：514-521.

［10 ］ 李世軍.大數(shù)據(jù)視角下田徑跳躍項目專項力量訓練數(shù)據(jù)分析——評《體育教學的信息化教學理論與實踐研究》［J］.中國科技論文，2020，15（8）：987.

［11］ 楊柯，范世東.基于長短期記憶網(wǎng)絡時序數(shù)據(jù)趨勢預測及應用［J］.推進技術，2021，42（3）：675-682.

［12］ 楊智偉，劉灝，畢天姝，等.基于長短期記憶網(wǎng)絡的PMU不良數(shù)據(jù)檢測方法［J］.電力系統(tǒng)保護與控制，2020，48（7）：1-9.

［13］ 楊志軍，毛磊，丁洪偉.基于長短期記憶網(wǎng)絡的輪詢系統(tǒng)性能預測［J］.云南大學學報（自然科學版），2020，42（6）：1046-1052.

［14］ 楊淵，崔乾道，練繼建，等.基于長短期記憶神經網(wǎng)絡的空間網(wǎng)格結構損傷預測和評估［J］.工業(yè)建筑，2021，51（7）：203-208.

［15］ 周雪晴，張占松，朱林奇，等.基于雙向長短期記憶網(wǎng)絡的流體高精度識別新方法［J］.中國石油大學學報（自然科學版），2021，45（1）：69-76.

［16］ 孫健，何家欣，閆琪.基于“數(shù)據(jù)驅動決策”的體育院校專項體能訓練研究與進展［J］.廣州體育學院學報，2020，40（3）：1-3.

［17］ 鐘平，龔明波.鏈球運動員身體素質與專項成績相關關系的神經網(wǎng)絡模型［J］.廣州體育學院學報，2004（1）：33-35.

［18］ 趙勇，蘇丹.基于4種長短時記憶神經網(wǎng)絡組合模型的畸形波預報［J］.上海交通大學學報，2022，56（4）：516-522.

［19］ 肖勇，鄭楷洪，鄭鎮(zhèn)境，等.基于多尺度跳躍深度長短期記憶網(wǎng)絡的短期多變量負荷預測［J］.計算機應用，2021，41（1）：231-236.

［20］ 高平，胡亦海，余銀，等.優(yōu)秀激流回旋運動員體能訓練負荷安排實證研究［J］.中國體育科技，2021，57（1）：66-71.

［責任編輯：紀彩虹］