大數據+人工智能在游泳運動員訓練中的應用研究

摘要：人工智能和大數據技術的快速發展已經在各個領域取得了一定的成就，其中包括體育領域，但是在與游泳的結合方面還處于初期探索階段。本文通過文獻資料法等方法，結合智能可穿戴設備和圖像視頻等數據，運用人工智能分析及大數據技術進行綜合采集和高效處理，以此精準矯正運動員的游泳姿勢。研究結果表明，人工智能和大數據技術在運動員訓練中的應用能夠為他們提供更全面和個性化的數據支持，為運動員提供更深入的運動表現分析和技術改進的機會。這一發現強調了大數據和人工智能技術在提升運動員表現和技術指導方面的重要性。

關鍵詞：人工智能;大數據;游泳運動員;智能可穿戴設備;圖像視頻

Research on the Application of Big Data and Artificial Intelligence in Swimmer Training

Abstract： The rapid development of artificial intelligence and big data technology has achieved significant advancements in various fields， including sports， although the integration with swimming is still in the early exploration stage. This paper employs methods such as literature review， combining intelligent wearable devices and data like image and video， utilizing artificial intelligence analysis and big data technology for comprehensive and efficient data collection to accurately correct swimmers' postures. The research results indicate that the application of artificial intelligence and big data technology in athlete training can provide them with more comprehensive and personalized data support， offering deeper insights into performance analysis and opportunities for technical improvements. This finding emphasizes the importance of big data and artificial intelligence technology in enhancing athlete performance and technical guidance.

Keywords： artificial intelligence; bigdata; swimmers; Intelligent wearable devices; images and videos

引言

隨著科技發展推動人類社會的進步，社會處于從資源短缺到盈余的階段，人工智能得以井噴式發展[1]。國家體育總局于2021年10月印發的《“十四五”體育發展規劃》中明確提出要通過信息技術聯結運動場景與智能裝備。

當前，游泳與大數據和人工智能技術的結合處在初期探索階段，存在著技術不成熟，應用不明確等問題。運動員和教練需要針對各種泳姿的精確的訓練數據進行分析，來完成實時反饋和個性化指導，以便更好地理解和改進其技術。大數據和人工智能技術的應用為滿足這些需求提供了全新的可能性。所以，尋找人工智能與游泳的結合點顯得更為重要，可以為游泳員更好地提供針對性的訓練方法。

本文通過文獻綜述法和游泳運動員的智能可穿戴設備、圖像以及視頻等訓練數據，采用基于大數據和人工智能的方法對訓練數據進行綜合處理和分析。具體而言，本文詳細探討了大數據在游泳中的應用，特別是基于人工智能的泳姿矯正方法，旨在優化運動員在不同泳姿下的表現，并為游泳運動員提供個性化的訓練支持。同時，有助于游泳運動員更深入地了解自身技術問題，有針對性地改進訓練計劃，以及制定更明智的比賽策略。總體來說，這項研究將為運動員和教練們提供更加科學和智能的方法，幫助提升四種泳姿的技術水平，為未來的競技表現創造更大的機會。

1.背景

1.1大數據+人工智能

大數據在1997年被美國學者Michael Cox和David Ellsworth提出。數據來自于科學研究、公共政策和商業等領域的眾多數據記錄，比如政府記錄、互聯網用戶留下的痕跡等。大數據是一個用來描述龐大、復雜且多樣化的數據集合的概念，其真正價值在于空間維度上的多角度、多層次信息的交叉復現，以及時間維度上的與人或社會有機體的活動相關聯的信息的持續呈現[2]。人工智能和大數據有著密切聯系，人工智能是一門研究運用計算機模擬和延伸人腦功能的綜合性科學，其假設電腦系統具有人類的知識和行為，并具有學習、推理判斷來解決問題、記憶知識和了解人類自然語言的能力。人工智能建立在大數據的基礎上才得以運行。

人工智能與空間技術、原子能技術被譽為20世紀三大科學技術成就。隨著人工智能和大數據的快速發展，已被應用于社會的各個領域。國家越來越重視人工智能在體育領域的應用，如何把人工智能和體育運動結合起來是我們需要去考慮的問題。在體育運動中，隨著運動員運動水平的普遍提高，傳統的訓練方法已經很難滿足運動員進一步提升訓練水平的需要，因此要對運動員進行針對性的專項化訓練，這就需要廣泛應用高科技手段對其進行訓練。人工智能和大數據在游泳領域的發展尚處于初期階段，將人工智能與游泳運動結合起來對運動員進行更加針對性的訓練，以提升其競技運動水平是現在的大勢所趨。因此，大數據和人工智能在游泳訓練中具有重大意義。

1.2游泳的類別和各自的特點

游泳包括自由泳、蛙泳、蝶泳和仰泳四種泳姿，每種泳姿都有其獨特的特點。游泳運動員的訓練過程可以分為出發、轉身、途中游和到邊等多個技術環節。相比其他的運動來說，游泳具有特殊性。運動員在游泳時身體處于不穩定狀態，沒有固定支點，并且在水中需要對抗水阻力。運動員通常需要保持最佳的流線型來提高速度，而運用大數據和人工智能可以對身體姿態進行全面的分析并改善。

自由泳是四種泳姿里速度最快的一種游泳姿勢。在自由泳過程中，腿部動作不僅起到推動作用，而且還起到一定的平衡作用，可以保持運動員身體的穩定性。通過合理的劃頻劃幅組合，可以提高游泳運動員的自由泳成績。

蛙泳是四種泳姿中技術要求最高、最復雜的一種，涉及復雜的水流動力學和阻力問題。運動員需要精細地控制腿部的動作，包括蹬水和收腿。通過實時監測游泳動作并提供反饋，可以幫助運動員在腿部動作方面取得更高水平。

蝶泳作為高強度的競技游泳項目，要求運動員保持身體的高穩定性和平衡性，還要保持良好的呼吸。蝶泳時身體應呈小波浪并保持流線型，手臂動作應注重高肘抱水、加速劃水、低平的空中移臂，腿部動作強調髖部發力的小波浪鞭狀打腿，同時保持“晚呼吸”的呼吸方式以及連貫、流暢、穩定的完整配合節奏。

仰泳也被稱為背泳，是運動員在水中仰臥的一種游泳姿勢。仰泳的技術特點是手臂和腿部相配合產生向前的動力。手臂動作分為入水，劃水，出水和空中移臂，并且手臂交替滑動。仰泳腿部打水動作和自由泳類似，打水時髖部發力，大腿帶動小腿運動。手臂和腿部的相互配合有利于維持游泳者姿勢的平衡，推動運動員產生更好的推動力，減少其在水中的阻力，從而提高仰泳運動員的速度。

2.數據驅動的精準訓練方法

2.1游泳運動員訓練數據采集

2.1.1基于智能穿戴設備的訓練數據采集

在大數據的背景下，基于智能穿戴設備和圖像視頻的數據處理分析方法被廣泛應用于游泳運動員的日常訓練。可穿戴設備被定義為佩戴在身體上的信息交互設備[3]，先進的智能可穿戴設備可以更好地分類和糾正用戶的鍛煉模式。

可穿戴設備通常放在運動員的手腕，胸部，頭部和腿部。腕戴式可穿戴設備通常佩戴在運動員手腕上，成本低、便于攜帶和使用。在當前眾多種類的腕戴式可穿戴設備中，智能手環占比較大，比如iSwimCoach使用加速度計傳感器來改善運動員劃水動作，計算游泳次數，測量游泳時間和監測心率。在蝶泳中，水面呼吸是關鍵的。腕戴式可穿戴設備可以記錄運動員的呼吸模式，確保運動員在合適的時候進行呼吸。

胸戴式傳感器常被放置在胸部區域，優點是可以收集脈搏血氧以及呼吸等運動數據。Polar H10是一種胸戴式可穿戴設備，其中包含的陀螺儀和加速度計可以提供圈數、劃水頻率以及上肢不對稱性等詳細信息。而蛙泳由劃水周期連續提拉動作產生，蛙泳劃水的動作以及對稱性非常重要。

頭戴式可穿戴設備被安裝在運動員頭部，在游泳過程中運動員的頭部保持相對靜止狀態，有效防止傳感器放在手部或者胸部所產生的噪音。自由泳作為一種長軸泳姿，運動員在游泳過程中，雙臂會交叉經過運動員的頭部。頭戴式可穿戴設備可以有效地收集游泳運動員的加速度、速度、旋轉、運動員雙臂的距離數據等，幫助提高運動員的游泳速度。

腿戴式可穿戴設備主要放置在運動員的腿部，Garmin Forerunner 735XT慣性傳感器被放置在運動員的腳踝上，可以計算仰泳打腿的次數、測量仰泳速度和距離等。仰泳是背向游泳，腿戴式可穿戴設備通常更適合仰泳運動員，因為其不會影響運動員頭部或者上半身的姿勢，也不會影響運動員鞭狀打腿的膝蓋自由度，可以保證運動員數據的準確性。

通過有針對性地采集影響各種泳姿的數據，有助于更好地進行數據處理分析，對各種泳姿的運動員進行個性化針對性的訓練，提高運動員的運動成績。

2.1.2基于圖像和視頻的訓練數據采集

隨著科技的發展，游泳比賽都安裝有水下監控，通常需要將攝影機全部或部分浸入水中。由于水中環境的特殊性，運動員在水中手臂和腿部處于快速的運動，嘗試匹配同一時間水下和水上圖像非常具有挑戰性，因此后期階段的圖像視頻數據優化算法非常必要。在對游泳運動員進行分析的時候，應更多地對運動員身體的各個目標進行分析。

張帥齊[4]借鑒CAMSA設計理念，將三維人體運動目標的檢測提取、行為識別、動態跟蹤等功能集為一體設計出視頻分析系統，其功能流程為競技體育運動視頻圖像獲取、運動目標檢測、運動目標追蹤、運動參數計算、運動行為識別與分析。另外，基于計算機視覺和全卷積神經網絡是一種新穎的方法，其過程為：首先對運動員的運動圖像和視頻進行數據采集，然后對采集的視頻進行圖像分割，以此來提取游泳者的姿態信息。將運動員單個圖像作為輸入，并結合水下圖像估計運動員的姿勢，確保可以全方位地捕獲運動員的游泳姿勢。

2.2基于大數據技術的海量訓練數據處理方法

由于水中環境的特殊性，運動員數據采集過程可能會存在一定的噪聲信號，比如人體在游泳過程中可能因為抖動而產生的噪聲。因此需要對游泳數據進行預處理，盡量降低噪聲。預處理技術通常包括數據濾波，數據加窗和數據歸一化等。

數據濾波是指通過特定的算法輸入數字信號并按照要求轉換成特定數字信號的系統。濾波器可以分為低通濾波器，高通濾波器和帶阻濾波器。在去除信號噪聲上，Zhang[5]等人采用巴特沃茲濾波器濾除高頻噪聲的影響。在實際應用中，研究人員應該根據實驗的具體要求合理選擇濾波器。

數據加窗是指對時序輸入信號按照一定相似長度的時間窗口進行分割，從而獲得相同長度的數據段，并進一步提取相應的分類特征。目前主流的數據加窗方法有滑動窗口法，需要考慮窗口的大小和重疊窗口大小。

數據歸一化是一種常見的數據預處理的方法，將具有波函數性質的物理數值變成具有某種相對關系的相對值，縮小量值之間落差[6]。數據歸一化的范圍通常在[-1，1]，在游泳比賽分析中，可以通過歸一化的方法分析運動員在比賽中的表現，同時歸一數據化可用于創建更容易理解和比較的數據可視化。例如，將不同游泳者的數據在相同坐標系中可視化，使得泳姿和技術特點更加清晰可見，提供更有用的分析和指導。

2.3基于人工智能的泳姿矯正方法

2.3.1基于智能穿戴設備訓練數據的泳姿矯正方法

通過合理的分類算法可以對運動員進行泳姿分類識別，常見的分類算法有支持向量機、隱馬爾可夫模型和其它的分類算法等。

支持向量機是一種線性分類器，是在機器學習中常用的監督學習算法，其目標是找到一個能夠最大化兩個類別之間的間隔的超平面。王佳鑫等[7]構建了基于慣性測量單元的游泳動作捕捉系統，利用附著在手腕和左踝關節上的三個慣性傳感器測量節點進行泳姿分類，泳姿識別準確率較高。支持向量機對噪聲數據比較敏感，如果數據中存在噪聲，可能會導致分類結果的偏差。在泳姿矯正中使用支持向量機需要去除噪聲，方便教練員使用。

隱馬爾可夫模型是一種統計模型，通常用于建模具有隱藏狀態序列的序列數據的語言。在泳姿識別中，需要收集正確和不正確的不同泳姿的訓練數據，然后在數據中提取相關的特征，轉化為機器學習可以理解的數值形式。Wang等[8]基于隱馬爾可夫算法對自由泳、蛙泳、蝶泳及仰泳進行了有效識別。隱馬爾可夫模型適用于具有序列性質的數據的建模和分析，由于泳姿是連續的動作序列，因此隱馬爾可夫模型可以處理缺失的數據，非常適用于泳姿分析。

2.3.2基于圖像視頻訓練數據的泳姿矯正方法

通過對圖像拍攝的運動員的目標身體部位進行識別，從而分析自由泳、蛙泳、仰泳、蝶泳運動員的游泳周期。SVW數據集主要記錄了挑戰性環境下的各種體育活動，該數據集的目標是為教練員提供具有難度性的多樣化的數據集，用于評估和開發分析和理解運動的計算機視覺算法。教練通過查看SVM中的游泳視頻對運動員的動作進行識別，并分析其運動水平。

高捷等[9]使用國家游泳隊研制的游泳比賽技術分析系統，通過多臺攝像機采集劉洋和劉子歌200m蝶泳技術錄像，分析其運動技術的速度分配、劃頻、劃幅等特點，進一步優化兩名運動員的技術。卷積神經網絡是深度理解的代表算法之一，通過大量數據學習到的特征在大量的任務中被證實比傳統的手工設計的特征具有更強的表征能力[10-11]。由于水中環境的特殊性，拍攝到的運動員姿勢圖像可能比較不太好辨認，基于CNN的圖像去霧可以更好地識別運動員的姿勢。

3 討論

人工智能和大數據應用研究為運動員和教練提供了新的洞察和技術支持。可穿戴設備和傳感器技術提供實時運動數據，可以幫助運動員和教練快速調整訓練計劃和泳姿；圖像和視頻分析技術幫助識別泳姿中的問題，并為運動員提供改進建議，有助于提高技術水平。人工智能和大數據可幫助記錄和跟蹤運動員的性能歷史記錄，以便更好地評估進展和設定目標。

本文通過介紹四種可穿戴設備的特點、可采集的訓練數據，以及四種泳姿的突出特點，匹配出每種泳姿最適用的可穿戴設備。綜合來看，人工智能和大數據在高水平運動員訓練中的應用為運動界帶來了巨大的潛力，但同時也需要面對安全和安全等數據質量的挑戰。未來的研究和發展應致力于推動解決這些問題，以最大程度地提高運動員的表現和技術水平。

參考文獻

何慧媛，賀俊浩.人工智能時代，媒體如何創新轉型——“人工智能與媒體未來”研討會綜述[J].中國記者，2017.

徐英瑾，王培.大數據就意味著大智慧嗎——兼論作為信息技術發展新方向的“綠色人工智能”[J]學術研究，2016.

Design and implementation of wearable devices to enhance physical education in aquatics Han Yi International Association of Design Societies Conference，2019.

張帥奇.運動目標追蹤的競技體育視頻分析系統[J].單片機與嵌入式系統應用，2020，20（04）：29-31+35.

Zhang Y， Markovic S， Sapir I， et al. Continuous functional activity monitoring based on wearable tri-axial accelerometer and gyroscope[A]. Proceedings of the Pervasive Health[C]. IEEE，2012.

湯榮志.數據歸一化方法對提升SVM訓練效率的研究[D].山東師范大學，2018.

王佳鑫.可穿戴式游泳姿態捕捉與相位分割算法研究[D].遼寧，大連理工大學，2021.

Wang Z， Shi X， Wang J， et al. Swimming motion analysis and posture recognition based on wearable inertial sensors[C]//2019 IEEE international conference on systems， man and cybernetics （SMC）. IEEE， 2019： 3371-3376.

高捷，袁紹婷，許聰.女子200m蝶泳運動員焦劉洋、劉子歌運動學特征研究[J].中國體育科技，2015.

Krizhevsky A， Sutskever I， Hinton G E. Imagenet classification with deep convolutional neural networks[J]. Advances in neural information processing systems， 2012， 25.

程燕，韓傳貞子，李美慧等. Tritonwear游泳訓練監控系統對部分游泳運動員訓練手段的應用研究[C]//中國體育科學學會.第十一屆全國體育科學大會論文摘要匯編.[出版者不詳]，2019：3.