功能性動作訓練完成度AI評估方法研究

摘 要：由于功能性動作訓練完成度評估消耗時間長，人工評估由于疲勞會造成評估結果不準確，因此提出功能性動作訓練完成度AI評估方法。在功能性動作訓練時采集功能性動作訓練數據，并對數據進行組合和匹配得到功能性動作訓練完成度數據。將該數據輸入卷積神經網絡（CNN）中，通過卷積層對數據進行卷積操作提取數據特征。經過池化層使用混合概率池化進行特征降維，重復若干次后通過全連接層整合數據使用softmax分類器輸出準確的功能性動作訓練完成度評估結果。實驗結果表明：當卷積核為7*7的情況下，所提方法的歸一化F1值能夠達到0.9。通過統計測試人員進行閉眼單腳站立的測試結果發現，大部分測試人員存在腳踝穩定性異常，其中左腳踝穩定性相較右腳踝穩定性差。根據所提方法的評估結果可以看出，測試人員均能保證及格及以上的功能性動作訓練完成度。

關鍵詞：功能性動作；完成度評估；AI；CNN；特征提取；完成度數據

中圖分類號：TP391；G808 文獻標識碼：A" 文章編號：1673-260X（2025）04-0027-05

功能性動作訓練是一種針對提高日常活動和運動表現所需的基本運動模式的訓練方法[1]。它強調多關節、多平面的動作，模仿人們在現實生活中或特定運動中的動作[2]，以增強身體的功能性、協調性、平衡性、靈活性和力量[3]。功能性動作訓練的重要性在于它能夠提高運動員的表現，減少受傷風險，并改善普通人的日常活動能力。功能性動作篩查（Functional Movement Screen， FMS）是一種評估運動員基本運動能力的工具[4]，旨在識別運動中的限制或不平衡，以減少受傷風險并提高運動表現。通過對功能性動作的完成度，包括動作的范圍、速度、力量和穩定性進行分析，得到運動員的優勢和需要改進的領域，指導運動員的訓練計劃。

有許多學者對功能性訓練的評估方法進行了研究。孫曉東等提出的動作分析方法[5]共選擇59人，分成24人和35人兩組進行對照分析，進行為期6周的功能訓練，時間截止后，比較兩組的功能訓練完成度和血液指標以及組內的差異。該方法僅選擇59名測試人員樣本量較少，且以24人和35人分成兩組，分組不平衡，統計結果無法保證具有充分的有效性。楊旭升等[6]采用分層評估的方式對功能性動作訓練過程進行多視覺分類，然后通過PGF（Progressive Gaussian Filtering，漸進高斯濾波）融合模型，完成分類結果融合，實現HPE（Human Pose Estimation，人體姿態估計）。PGF需要較高的計算資源，這可能導致評估過程復雜、成本較高，并且多視覺分類和HPE可能對攝像頭的位置、光線條件、背景干擾等因素非常敏感，這些環境因素可能會影響評估的準確性。楊紅紅等[7]首先根據人體骨骼構建人體骨骼關節點模型，采用基于人體骨骼關節點幾何關系估計模型，避免了遮擋導致的關節點無法計算的問題，通過對人體骨骼關節點的估計實現動作姿態估計。該方法對關節點檢測的精度依賴性較高，如果關節點檢測存在誤差，將導致整個評估結果的準確性受到影響，尤其是在復雜動作或快速移動中，關節點的檢測可能會出現偏差，并且該方法主要關注骨骼關節點的位置和關系，忽略了肌肉的活動和力量輸出，但這些因素對于功能性動作的完成度同樣重要。Jiang H等提出的動作識別方法[8]，采用背景減法對體育視頻圖像進行處理，得到運動動作輪廓，實現運動動作分割和特征提取，利用人工智能神經網絡訓練特征向量，利用經過SMO（Sequential Minimal Optimization）算法訓練的支持向量機（Support Vector Machine，SVM）實現高精度的動作識別。雖然SMO算法訓練的SVM可以實現高精度的評估，但SVM在處理大規模數據集時可能會遇到性能瓶頸，且對于非線性問題的處理能力有限。而且使用背景減法對體育視頻圖像進行處理會受環境變化的影響，如光線、陰影、動態背景等，這些都可能影響運動動作輪廓的準確性。

AI（Artificial Intelligence，人工智能）技術是指使計算機系統能夠模擬人類智能行為的技術集合，具有學習、推理以及交流的能力，包含了神經網絡、決策樹等多種算法，用于代替人工完成任務。其中，CNN（Convolutional Neural Network，卷積神經網絡）能夠有效地提取數據的局部特征和空間層次結構[9]，通過卷積操作和池化層減少數據的維度，同時還能保留重要的特征信息，這使得CNN在處理數據領域具備出色的特征提取能力。此外，CNN的參數共享和稀疏連接特性減少了模型的復雜性和計算量，使其能夠高效地處理高維數據，并且通過深度網絡結構學習數據的深層次表示。由此，本文提出功能性動作訓練完成度AI評估方法，通過卷積神經網絡對功能性動作訓練完成度進行評估。

1 功能性動作訓練完成度AI評估方法

1.1 功能性動作訓練完成度數據獲取

在進行功能性訓練過程中持續獲取功能性訓練的動作數據，同時整合數據信息構建數據間的聯系組合，提升功能性訓練數據間的聯系程度，公式如下：

式中：A為采集的功能性動作訓練數據；P為數據概率；Q為相關性檢驗參數。

在構建了數據聯系組后，以該形式將數據儲存，同時調整數據空間中數據的差異性，根據數據的匹配度進行數據匹配，公式如下。

式中：L為數據操作原則；j為準則參數；M為數據量。

1.2 基于CNN的功能性動作完整度評估

獲取功能性訓練完成度數據后，通過AI技術對完成度數據進行分析得到功能性訓練完成度評估[10]，然后在功能性動作訓練完成度評估中使用CNN對數據進行具體分析[11]。CNN結構如圖1所示。

通過圖1可以看出在CNN網絡中主要分為3個關鍵部分，分別是：卷積層、池化層以及全連接層。

1.2.1 卷積層

卷積層主要是通過卷積操作[12]，提取輸入CNN網絡中功能性動作訓練完成度數據的特征并形成特征圖[13]，卷積操作主要的特性為：局部性、權重共享以及平移不變性，卷積過程如圖2所示。

對功能性訓練完成度數據進行卷積的公式如下：

式中：x為功能性訓練數據的二維數組，其中（i，j）為數組中數據的位置；w為卷積核；b為偏置；m、n為對功能性訓練完成度數據的遍歷。對功能性訓練數據的卷積則是將卷積核大小區域的數據逐個相乘后再相加，通過卷積完成對功能性動作完成度數據的特征提取。

1.2.2 池化層

池化層主要的作用是對卷積層提取的功能性動作訓練完成度數據特征圖進行降維[14]，提高卷積核的感受野以及獲取更高層次的特征，根據池化的類型可以分為最大池化和平均池化，池化方式如圖3所示。

圖3（a）為最大池化，公式為：

式中：x′為輸入池化層中由卷積層輸出的功能性訓練完成度數據特征圖；S為池化步長；m、n表示對池化范圍內數據的遍歷。

圖3（b）為平均池化，公式為：

式中：k為池化窗口的長度。

由于需要對訓練動作完成度進行評估，因此選擇捕捉特征更明顯的最大池化進行特征降維。但最大池化存在特征和信息丟失的問題，因此對池化方式進行優化。

通過對特征圖進行重新去重排序、劃分權重、計算概率以及分布取樣完成池化形成混合概率池化，具體過程分為四步。

第一步：將功能性動作訓練完成度數據特征圖劃分為若干相同大小的池化塊，并去除重復元素后由小至大排序。

第二步：為元素添加順序影響因子，公式為：

式中：bγ為新元素；aγ為原始元素；rγ為其順序；δ為超參數。

第三步：為更新順序后的元素分配權重，公式為：

第四步：根據多項分布取樣得到池化結果，公式為：

通過池化層完成功能性動作訓練完成度數據的降維。

1.2.3 激活函數

通過在每一層最后設置激活函數，增加非線性特征，增強網絡能力提升魯棒性，達到提升最終評估準確度的目的，為保證最終對功能性訓練完成度評估的效果選擇ReLU激活函數，該激活函數公式為：

1.2.4 殘差模塊

在CNN網絡中，隨著網絡層數的加深，雖然網絡的特征提取能力會增加，但也會出現網絡退化的現象。因此，通過結合殘差模塊有效解決該問題，殘差模塊如圖4所示。

特征圖經過殘差模塊計算公式為：

式中：y為通過殘差模塊輸出結果；WH為殘差權重；H為殘差函數。

通過殘差模塊傳遞多層CNN中的功能性動作訓練特征圖，可防止網絡失效問題得到高級特征，提升最終的評估準確度。

1.2.5 全連接層

全連接層用于接收和整合經過卷積層以及池化層處理后的功能性動作訓練完成度數據特征，并通過全連接層內部的分類函數，給出功能性動作訓練完成度的分類結果，該結果便是最終對功能性動作訓練完成度的評估結果。

在全連接層中對功能性動作訓練完成度進行分類的分類器為Softmax分類器，給出功能性動作訓練完成度數據的評估分類的概率，并輸出概率最高的評估類別完成評估[15]。Softmax分類器公式為：

式中：K為總類別數，即評估的分數區間；x為功能性動作訓練完成度特征。

使用1～5分作為最終功能性訓練完成度評估分數，分別表示差、不及格、及格、良好和優秀。

2 實驗分析

2.1 實驗對象

為驗證本文方法的效果，選擇某高校某班級10名學生作為功能性動作訓練測試人員，這些測試人員要求無骨折、韌帶斷裂等限制功能性動作訓練完成度的傷病，在體育實驗室完成功能性動作訓練并記錄數據，以測試人員的訓練完成度數據為基礎進行功能性動作訓練完成度評估，功能性動作訓練動作以及要求如表1所示。

2.2 實驗數據

為保證CNN網絡的評估準確性，需要通過測試調整網絡參數，確保網絡性能，以CNN網絡的卷積核為例，不同大小的卷積核在訓練時的F1值如圖5所示。

通過圖5可以看出，在CNN網絡中卷積核由1×1開始不斷增大，CNN網絡的F1值在不斷增加，當卷積核達到7×7時F1值達到峰值約為0.9，而繼續增大卷積核到達9×9時F1值反而下降達到0.8。雖然卷積核增大可以獲取更大的感受野獲取更多的高層次特征，但是過大的卷積核會增加CNN網絡的計算復雜度以及出現過度擬合的問題，導致CNN網絡的性能下降。因此在功能性動作訓練完成度評估時，CNN的卷積核應為7×7。

以閉眼單腳站立為例，該動作主要用于檢測腳踝的穩定性，10名測試人員的測試結果如圖6所示。

通過圖6數據可以看出，根據測試過程中的腳踝情況得到7人存在異常，其中左側腳踝異常4人，右側腳踝異常3人。左側腳踝比右側腳踝異常多的原因可能是因為大部分人的主導腿為右腿，右側腿部腳踝的支撐性強于左側，所以出現這種情況。

隨機選擇5名測試人員統計功能性動作訓練的訓練數據，并對訓練完成度進行評估，測試結果如表2所示，評估結果如表3所示。

通過表2功能性動作訓練數據和表3 AI功能性動作訓練完成度評估數據可以看出，2號、3號測試人員出現了兩次AI評估結果為3分的情況，1、4、5號三名測試人員AI評估結果均為4分及以上，表明了這5名運動員在功能性動作訓練中都有極高的完成度。也由此證明了這5名測試人員有較好的運動基礎，身體靈活性也很好，能夠避免大多數日常運動損傷。

3 結論

本文研究了使用AI技術對功能性動作完成度評估的方法，通過采集訓練人員的功能性動作完成度數據，使用CNN神經網絡技術對數據進行分析得到最終的評估結果。該方法通過CNN技術模擬人腦對數據進行自動分析，有效地減少了人工繁雜的計算過程，并且可以通過不斷訓練提升評估準確率，達到超越人工評估的效果。在未來可以自動采集訓練人員的功能性動作完成度數據，并輸入CNN網絡中，實現全流程的自動化評估。

參考文獻：

〔1〕馮雪，李贊，趙慧敏，等.功能性動作篩查（FMS）：爭議、局限及拓展[J].天津體育學院學報，2023，38（03）：276-282+346.

〔2〕陳樂琴，吳依妮，賈文杰.功能性練習對輕中度智力障礙兒童基本動作技能的影響研究[J].北京體育大學學報，2024，47（04）：68-79.

〔3〕王子龍，孟昕，張芷棋，等.功能性踝關節不穩男性下蹲跳過程中下肢的生物力學特征[J].中國組織工程研究，2025，29（03）：478-485.

〔4〕邱國榮，何本祥，廖遠朋.中國優秀短道速滑運動員慢性腰痛病因分析與治療方法探析[J].成都體育學院學報，2022，48（04）：123-128.

〔5〕孫曉東，郭宇鑫，白銀川，等.功能訓練處方技術預防陸軍新兵軍事訓練傷[J].中國矯形外科雜志，2024，32（12）：1063-1068.

〔6〕楊旭升，吳江宇，胡佛，等.基于漸進高斯濾波融合的多視角人體姿態估計[J].自動化學報，2024，50（03）：607-616.

〔7〕楊紅紅，王劉麗，張玉梅，等.基于序列多尺度特征融合表示的層級舞蹈動作姿態估計方法[J].電子學報，2021，49（12）：2428-2436.

〔8〕Jiang H， Tsai S B. An Empirical Study on Sports Combination Training Action Recognition Based on SMO Algorithm Optimization Model and Artificial Intelligence[J].Mathematical Problems in Engineering， 2021，27（32）：1-11.

〔9〕何堅，郭澤龍，劉樂園，等.基于滑動窗口和卷積神經網絡的可穿戴人體活動識別技術[J].電子與信息學報，2022，44（01）：168-177.

〔10〕趙俊男，佘青山，穆高原，等.基于MobileNetV3與ST-SRU的危險駕駛姿態識別[J].控制與決策，2022，37（05）：1320-1328.

〔11〕張振，張師榕，趙轉哲，等.混合CNN-HMM的人體動作識別方法[J].電子科技大學學報，2022， 51（03）：444-451.

〔12〕余金鎖，盧先領.基于分割注意力的特征融合CNN-Bi-LSTM人體行為識別算法[J].電子測量與儀器學報，2022，36（02）：89-95.

〔13〕張麗麗，賈德振，潘天鵬，等.基于CNN-Swin Transformer的分布式超寬帶雷達人體動作識別[J].電訊技術，2024，64（06）：830-839.

〔14〕屈樂樂，祝詩卉.基于三通道CNN-GSAM-LSTFEM網絡的雷達人體切向動作識別[J].雷達科學與技術，2024，22（02）：135-144+154.

〔15〕李政清，穆繼亮，莫小琴.基于時序CNN的FPGA數據處理異常點識別研究[J].計算機仿真，2022，39（05）：409-412+422.

收稿日期：2024-10-28

基金項目：安徽省質量工程教育教學改革研究一般項目（2023jyxm0315）