文摘
近年来,竞技健美操已迅速推广和发展,和体育技能水平也得到很大的提高。一些事件的性能逐步接近和达到了先进水平。因此,它是至关重要的投资的定量分析和跨学科综合研究有氧运动性能和相关因素。本文采用大数据分析技术基于卷积神经网络和计算机视觉技术,根据运动生物力学的相关理论和计算机图像识别,建立损失健美操运动员的危险预测模型。大数据分析的方法首先利用技术分析竞技健美操运动的特征数据。其次,该方法结合了卷积神经网络来直观地认识到健美操运动图像和建立子公司预测模型。最后,输出可以融合准确诊断和评估健美操运动员的体能发展水平,明确培训内容的重点和目标,并改进健美操训练的科学程度。这项研究可以帮助受伤的风险预测运动员的有氧基于大数据的应用和计算机视觉。
1。介绍
近年来,我国竞技健美操发展迅速,和相应的运动损伤风险逐渐增加。大量的研究表明,由于健美操本身的特点,如严格的时间要求,更困难的运动需求,快节奏的音乐伴奏,和一致的协调运动,运动员会受到运动伤害1- - - - - -3如果不注意。肩、肘、手腕,腰,大腿,膝盖,小腿,脚踝的部分更容易受伤在健美操训练。其中,最容易伤害的是踝关节(4,5]。此外,最可能发生运动损伤类型为竞技健美操运动员关闭时受伤,其中大多数是关节变形,扭伤,肌肉拉伤,慢性损伤(6- - - - - -9),这是最主要的。然而,目前学者们的研究有氧运动损伤通常使用问卷调查和专家访谈来确定健美操练习的受伤部位和可能的机制,和缺乏客观的实证研究。
此外,青少年处于身体发育的黄金阶段,和各种身体素质将大大改善了在此期间。然而,在年轻的体操运动员和教练的采访,发现年轻运动员伤病比成年运动员。。这是由于疲软的年轻运动员的肌肉和关节,这限制了不规则的能力开发技能和长期培训技术动作和身体姿势。在健美操运动员的青少年时期,科学、合理的训练不仅能促进青少年的身体发育也更有效地提高他们的运动能力(10]。因此,及时发现年轻运动员受伤的原因和及时的预防至关重要,提高年轻运动员的技术水平和扩展他们的体育生活。
由于竞争激烈的有氧运动的特点,运动员都必须完成一系列的在短时间内高强度运动,这需要更高层次的体能和身体的灵活性。研究已经证实,长期高强度重复运动训练和不对称的运动技巧和姿势会增加运动员受伤的风险。同时,青少年阶段是身体发育的特殊时期,一段时间的运动损伤发生率高(11]。因此,本研究是基于青少年体能的发展特点和有氧运动的特点。需要大学生在某城市为研究对象,测试组进行不同的性别和健美操运动成绩,并使用接受者操作特征(ROC)曲线制定评价标准,分析青年健美操运动员的身体虚弱,并评估风险的非接触损伤提供一定的理论参考后续有氧运动训练的年轻人。本文提出一种方法基于机器视觉的运动识别对健美操运动员,承认联合应变,扭伤,和他们的运动造成肌肉拉伤,使用大数据深度学习(培训应用12- - - - - -16]本文的算法。以下是本文的主要创新点:(我)本文提出了一种方法基于机器视觉的运动识别对健美操运动员,承认联合应变,扭伤,肌肉拉伤引起他们的动作。(2)本文构造一个dual-branch健美操运动员受伤的风险预测模型。一个分支使用大数据分析的特点,健美操运动员的运动损伤,和其他部门建立深卷积神经网络模型来识别关节变形,扭伤,肌肉拉伤和执行计算和预测。(3)我们进行了充分的比较实验和消融研究证明算法的有效性基于大数据和计算机视觉提出了。它可以用来发现年轻运动员受伤的原因,及时阻止他们,这对提高年轻运动员的技能是非常有用的。和延长运动寿命。
本文的组织如下:部分2显示了相关研究提出的研究领域。部分3代表的方法论部分提出研究给定方法的细节。部分4显示当前的研究的实验和结果。本文的结论部分5。
2。相关研究
各种方法和技术在文献中已经设计了健美操运动员的受伤的风险预测。Fanian et al。17)研究了6755例运动损伤和调查,发现发病率最高的体育运动是足球。常见的网站膝关节受伤(15%),小牛(11.9%),和手腕关节(11%)。最常见的类型的伤害是骨折(12.8%)、软骨损伤(6.87%),和挫伤(2.5%);12%的病人接受手术;平均住院时间为3 - 4天。迈克尔(18)调查了运动员在体操等各种体育运动,篮球,足球,跑步。经过总结和分析运动员的类型和特点在不同的体育运动伤害,他们提出了各种运动损伤的诊断和治疗。方法针对损伤的发生和指出两个主要步骤,以减少运动损伤的发生:一个是穿防护装备脆弱地区减少损伤和损伤程度的概率;另一个是提高运动员尽可能多。身体健康,包括力量、敏捷性和灵活性,降低运动员受伤的机会。Wiese-Bjomstal et al。19)指出,对运动员运动损伤是一个相对不可接受的事情。运动损伤发生后,运动员将有复杂的心理训练和康复期间,主要反映在认知、情感和行为。一方面,当运动员经历从伤病中恢复的过程和恢复训练,他们往往有一定的认知和情绪反应,这主要是受到个人和环境的影响。此外,受伤的时候也会影响心理学的运动员在不同程度受伤。当运动损伤发生之前不久重大比赛,运动员的失望和绝望的感觉将大大增强20.]。
Malliou et al。21]使用问卷调查和统计分析,进行损伤的运动员从事有氧运动训练,发现,在受伤的人口,下肢损伤占97.3%和脚踝和膝盖的受伤是最常见的有氧运动训练。同时,指出培训时间,年,训练水平也会影响伤害。Bintoudi et al。22]调查两个踏板健美操运动员,发现他们有膝关节疼痛和脂肪垫水肿。本文讨论了可能的致病因素和有氧运动的机制。利- et al。23)的一项研究中发现美国职业橄榄球运动员在nonseason FMS测试的分数直接正比于运动员的运动损伤的风险。通过接收机操作的计算曲线,14分的基准分数划定橄榄球运动员。运动员一个赛季平均FMS不到14分有一个受伤的风险远高于那些超过14分。后续类似的研究,他发现,在有针对性的干预训练运动员,FMS分数大于14的数量显著增加,和运动员运动不对称问题可能也会有所改善。丹尼斯·雷克斯(24]进行FMS测试67大学足球运动员和结合他们的下肢爆发力和赛季受伤数据。他们相信FMS测试可以作为评估工具来预测严重的运动损伤和提醒FMS分数低于11分。运动员的运动损伤风险是其他运动员的9倍,和及时纠正培训是必需的。Dorrel et al。25]在257年大学生运动员的损伤进行FMS测试后,发现这些运动员在FMS中得分不到15测试更容易受伤。
3所示。方法
本节主要介绍了大数据平台技术和相关理论本文的相关研究。图1显示了健美操运动损伤的例子。
该方法首先介绍了核心架构,Hadoop平台的工作原理和相关的生态系统,然后介绍了数据挖掘的基本思想理论的大数据分析和数据挖掘的常用算法概述。最后,卷积神经网络原理(26- - - - - -31日)和两个分校算法提出了解释。图2显示了该方法的总体框架。
3.1。数据挖掘和分析
下面显示的数据挖掘和分析部分。
3.1.1。大数据平台
Hadoop是目前的一个大数据平台相关研究机构广泛应用。它是一个开源的顶级项目维护的Apache基金会。Hadoop继承的概念分布和完全适用于数据存储和处理技术。Hadoop生态系统也是由许多开放源码软件。开源软件的整个生态系统允许它被大家监督和维护,及系统的稳定和安全将有一个相对较高的保证。此外,整个系统的开源极大地方便用户的使用。大数据计算不再是一些专业组织和独特的能力已逐渐成为一个字段,每个开发人员都可以涉足。图3是其生态系统体系结构。
Hadoop的HDFS是分布式文件系统。作为整个生态系统的数据基础,HDFS位于底部的生态系统。它对硬件资源的要求很低,可以运行在电脑配置较低,并且可以确保数据的安全性和稳定性通过冗余存储在发生硬件故障。文件系统将每个文件分为多个部分,每个部分叫做一个数据块,每个数据块复制到三份并存储在不同的位置,这不仅提供了高通量数据访问,但它也有极高的容错。图4显示了HDFS架构图。作为经理的角色在HDFS, NameNode进行核心任务。它负责管理数据块的映射信息。热备份存储NameNode,次要的存在的意义,NameNode是应对可能发生的单点故障NameNode。HDFSClient是一个客户端访问HDFS,所有客户端请求将首先与NameNode交互。每个DataNode维护与NameNode,作为奴隶节点存储数据块。
MapReduce是Hadoop的计算引擎。JobTracker MapReduce的核心,负责所有任务分配和调度工作。JobTracker分解任务和分配给每个TaskTracker节点执行。TaskTracker跑地图和报告任务的状态,减少任务JobTracker定期。有许多在Hadoop生态系统中重要组成部分。HBase是一个高性能、可伸缩的列存储数据库的结构化数据。蜂巢源于Facebook, Hadoop-based数据仓库,主要用于解决大规模问题的结构化数据统计。蜂巢的最大特点是它可以将SQL转换成MapReduce工作,这样就可以将Hadoop上执行。动物园管理员用于解决分布式环境中的应用程序协调的问题。Sqoop负责传统数据库和Hadoop之间数据传输任务。 Pig can convert scripting languages into MapReduce jobs and execute them on Hadoop. Mahout is a library of machine learning algorithms for Hadoop. Flume is an open source log collection system.
3.1.2。数据挖掘
作为一种数据处理技术,数据挖掘的目标是发现隐藏在现象背后的规律和知识现实通过一系列的操作和计算数据。这也是当前科学领域的研究热点之一。数据挖掘技术利用各种相关技术的优势,可以从实际数据中提取隐藏的有价值的信息和实际活动提供参考。从方法论的角度来看,数据挖掘可以分为两类:描述和预测。两者之间的相似之处是,法律是通过现有的数据计算。所不同的是,描述的目的是提供支持的法律解释数据,并预测提供预估实际活动。
数据挖掘的功能分为以下类别:(1)概念或类描述:这种数据挖掘主要描述了类或概念的数据通过数据分化和描述的方法。分类分类数据挖掘的数据构建比较数据集。数据描述,首先查询现有的相关数据集,然后总结他们的特点。(2)预测建模:数据挖掘预测方法分为两类,其中分类和回归方法应用于离散和连续变量。预测建模推导模型之间的误差通过培训,以便指定变量的预测值和实际值达到全球最低。应用这种算法中常用的疾病风险预测。(3)关联分析:用于描述数据相关的特性,发现模式通常表示隐含的规则或形式的特征子集。关联规则来源于协会分析可以揭示数据中的每个元素的依赖和显示的条件属性出现在数据集与特定的频率。例如,多个症状的患者能找到的相关分析之间的相关规则发生的症状。(4)聚类分析:这种类型的数据挖掘算法的主要功能是将数据集划分为有价值的或有意义的团体。聚类分析和分类分析都是相似和不同。所不同的是,聚类分析属于无监督分类。类标签需要从数据,获得类的数量并不是在聚类之前。(5)异常检测:基于数据集的分析,异常特征或异常数据。通常用于诊断疾病和异常异常网络流量的检测。
3.1.3。数据挖掘算法
随着数据挖掘结合新领域知识,数据挖掘算法是不断发展的,采矿方法越来越丰富。人们可以选择特定的挖掘算法基于挖掘需求。以下是几个常用的数据挖掘算法:(1)神经网络:神经网络是一种智能算法,模拟人类大脑神经传输。一般由三部分组成:输入,输出和隐式。它分为三个模型。他们是前馈网络模型,反馈网络模型和自组织网络模型。神经网络具有较强的处理非线性数据的能力,良好的容错性能,和较高的分类精度,但低性能的解释结果。在医学领域最常用的是一个多层前馈神经网络,BP神经网络。值得注意的是,本文中使用的神经网络是一种卷积神经网络。(2)决策树:决策树是一个树结构模型与分类规则,和它的关系是自上而下的逻辑分支。决策树选择根节点根据变量属性信息增益等参数和基尼系数,然后根据变量的属性划分下来根节点,形成分支;然后,每个分支节点变量属性和重新继续分支下来等等持续到节点的类别是均质或到达设置的阈值。该算法可以转化为分类规则对疾病进行分类根据他们的症状,从而预测疾病。常见的算法包括ID3算法,算法C4.5算法,购物车。(3)聚类算法:聚类算法的目的是获得几类通过计算分析,这是一种无监督学习方法。其中,不同阶层之间的数据通常是不相关的或有某些差异,和数据相同的类之间有一定的关联或相似。k - means算法是最常见的聚类算法。(4)关联规则:关联规则挖掘发现强关联规则的过程是通过指定的最小支持度和最小的信心。通常,它由两部分组成,一个是找出所有频繁项集,另一种是发现关联规则的频繁项集。常见的算法有先验的算法和FP-growth算法。(5)协会分类:关联分类算法的一个重要分类方法。这种分类方法的特点是首先提取关联分类规则,然后建立一个模型来预测未知实例和结合关联规则挖掘和分类。关联分类算法通常由三部分组成:规则生成规则排序和修剪,和预测的新实例。常见的算法包括CBA算法,随着算法,acs算法。
3.2。卷积神经网络
图4是一个完全连接的神经网络的构造图,图呢5是一个卷积神经网络的构造图。尽管这两个表面上有很大不同,他们实际上是在结构上非常相似。卷积神经网络也通过层连接的节点,并且每个节点代表一个神经元。所不同的是,一个完全连接神经网络通常有一个连接到每个神经元在每两个相邻层,只有某些节点的相邻层卷积神经网络连接,可有效缓解过度的问题完全连接神经网络的参数。太多的参数的神经网络将导致计算速度慢,计算时间太长,同时,它更容易过度拟合。卷积神经网络可以有效地减少参数的数量,加快模型的训练。
前几层的卷积神经网络,节点的数据转换成一个三维矩阵,和只有一些节点连接到相邻的层。一个卷积神经网络通常由以下结构。
3.2.1之上。输入层
神经网络的输入层的输入。在产品卷积神经网络,它代表了像素矩阵转换后一幅画是由计算机读取。像素矩阵是一个三维矩阵。的代表图像的大小,长度和宽度和深度代表了图像的颜色通道的数量。当输入图像是黑白照片,深度是1;当输入图片是颜色图片,深度是3。从输入层,三维矩阵转化为另一个三维矩阵通过不同的网络结构,直到最后的完全连接层。
3.2.2。卷积的层
卷积层中最重要的部分是卷积神经网络和提取的关键特性。
图6是一个卷积转换层的示意图。小矩阵输入层和卷积核的卷积得到的小矩阵输出层。卷积核也是一个三维矩阵。它的长度和宽度是手动设置。卷积内核也是一个三维矩阵,它的长度和宽度是手动设置,大小是33或55。自卷积的两个矩阵操作的深度必须相同,过滤器的深度不能改变,必须输入层的深度相同的矩阵。卷积内核数量还需要手动设置,和它的数量决定了输出层的深度矩阵。这个过程从输入层到输出层称为向前传播。假设用于表示某一点的值在输入矩阵,代表卷积核的位置的值,和代表节点的相应的偏差参数, 在哪里相应的输出点, 长度,宽度,和卷积核的数量,分别和是激活函数。激活函数作为输出的非线性变换。常用的激活函数由一个线性整流单元(ReLu)和一个双曲函数(乙状结肠)。
3.2.3。汇聚层
从图可以看出7卷积后池层通常是添加层。池层可以减少输入数据的大小,减少了参数的数量,同时加快网络计算。防止过度拟合问题的发生类似于卷积的正向传播过程层。池层也完成滑动滤波器结构的矩阵。所不同的是,池层使用一个简单的最大值或平均法。
图7显示了使用最大池池层的计算过程。过滤器的大小是2×2,也就是说,目标区域的2×2池操作节点,步长为2,即计算在每2步骤。
3.2.4。完全连接层
CNN的完全连接层,就像完全连接神经网络地图前面学到的特性卷积层、汇聚层样品的标签空间,它就像一个分类器。没有必要完全连接层;它可以取代一个卷积层使用卷积核的大小1×1。
3.2.5。Softmax层
multiclassification的使用,将softmax层通常是作为最后一层的神经网络,使网络的输出简单的概率不同的分类。本文三个健美操运动损伤类别multiclassification tasks.where训练样本的数量,是标签的训练数据值,是网络层的数量,和网络的输出。
介绍了均方误差函数作为反向传播的成本函数,
计算每个单元的输出层的误差,误差的定义11届的j单元层:
根据链式法则,
它的矩阵形式
计算输出层的误差后,上一层的误差计算。根据链式法则,我们可以得到 因此,
通过这种方式,错误可以通过反向传播整个网络运行。让关节变形,扭伤,肌肉拉伤x,y,z。通过将softmax函数输出方程
4所示。实验和结果
下面的内容将显示实验和论文的结果。
4.1。实验环境和Hyperparameter设置
这个实验使用PyCharm编译器和TensorFlow深度学习框架在Windows环境中,使用小批量学习方法,亚当优化器,学习速率为0.0001,100张图片选择一次培训,共有1000次迭代执行。实验模型参数如表所示1。
4.2。实验的对象
以大一、大二学生健美操某城市为研究对象,有60的女孩。在实验的开始,与急性运动损伤有2人,他们最终确认为58人。没有显著差异的身高,体重,年龄,和培训的58健美操专业的女孩。
4.3。实验方法
视觉识别实验本文基于卷积神经网络分为训练阶段和测试阶段。训练阶段有以下内容。
4.3.1。有氧运动蹲(深蹲)
直立,双脚打开与肩同宽或略超出肩同宽,脚趾指向正前方。将测试杆的头顶和调整你的手使肘关节90°;伸展双臂同时提升测试杆头部。然后,慢慢下蹲,直到你的大腿与地面平行,让你的脚跟离开地面,提高你的头部和胸部,保持背部挺直,不拱腰,将测试杆尽可能远高于你的头。在蹲过程中,双方的膝关节在同一个平面上的脚。不会扣你的膝盖向内,始终保持你的脚趾指向前方。这蹲测试重复了三次。这个实验拍照的整个培训过程神经网络学习的特点,联合应变,扭伤,肌肉拉伤。
4.3.2。活跃的直腿提高
仰面躺着,他一边用手臂,掌心向上,躺平;测试板放置在膝盖和脚趾指向直接。
这是放置在中间的髂前上棘和髌骨的中点,垂直于地面。抬起一条腿在最大的程度上和保持在起重过程中膝关节伸直。膝关节另一方面应该保持接触尽可能多的测试板,脚趾朝上,对面也是一样的。这个实验拍照的整个培训过程神经网络学习的特点,联合应变,扭伤,肌肉拉伤。
训练过程是1周,测试行为是50套。实验结果如表所示2。
CNN培训结果如图8。当训练步骤的数量大于900,损失函数值低于0.1。
4.4。可视化的结果
从图可以看出9有氧运动的急性运动损伤率低风险组低于高危人群。因此,无论是否有纠正训练干预,两个低风险组的损伤率不会很高。高危人群有更高的成员在培训过程中受伤的风险。因此,两个高危人群的伤害可以更好地验证纠正训练的有效性。这个实验测试证明了本文算法的有效性,可以提高有氧运动训练的科学学位。
5。结论
竞技健美操已迅速推广和建立,体育专业知识的水平也显著提高。性能的一些事件已逐步接近和达到了先进的水平。因此,它是至关重要的投资于有氧运动性能的定量分析和交叉学科的广泛研究和相关因素。本文构造了一个小说dual-branch健美操运动员受伤的风险预测算法基于大数据和计算机视觉技术,并通过实验研究已经证明,大数据分析可以从竞技健美操中提取有效的特征数据。其次,结合视觉识别有氧运动图像的卷积神经网络,它可以准确地诊断和评估健美操运动员的体能发展水平,明确培训内容的重点和目标,并提高健美操训练的科学学位。
数据可用性
使用的数据来支持本研究的结果包括在本文中。
的利益冲突
作者宣称没有利益冲突有关的出版。