文摘
在运动的过程中,运动员经常有攻击性行为,因为他们的情绪波动。这种暴力运动行为造成了许多严重的不良影响。为了减少和解决这种突发公共事件,本文旨在创建一个群体智能模型预测人们的运动攻击行为,将群体智能算法为核心技术的优化模型,并使用物联网和其他技术来识别情感生理信号,预测和干预运动攻击行为。结果显示如下:(1)在50倍交叉验证方法,情感识别的结果好,精度高。与其他生理电信号相比,EDA最糟糕的分类性能。(2)两种方法使用多通道融合的识别精度大大提高,比较后,结果明显优于单一的模式。(3)焦虑、愤怒、惊讶和悲伤是最情感模型中,发现和识别精度高于80%。应该进行运动干预时间冷静运动员的情绪。实验结束后,我们的模型成功运行和表现良好,可以在下一步优化和测试。
1。介绍
体育广泛存在于人们的日常生活中,大多数人都很喜欢看体育赛事,体育锻炼是放松和娱乐的好方法。然而,当进行体育活动,无论是观众还是运动员,有时,由于心理和情绪状态的变化,各种体育攻击很难估计和预测发生,而这些意外事件很容易演变成暴力冲突,导致公众有序无序的不良影响,这不仅影响了正常行为的竞争也带来了消极的体育观众的印象,尤其是青少年。基于上述背景分析,我们可以利用群体智慧模型标准化,抑制、预测和干预相关体育攻击,努力减少不良影响。到目前为止,已经有很多的群体智能优化在实际工作和生活信息和相关的引用。尚塔尔et al。1]探索运动员取向和攻击性行为之间的关系。胡和阴研究最优同步进行网络搜索数据提取基于群体智能算法(2]。Lafuente et al。3)学习武术的影响和打击暴力侵略和情绪自控力。Yaa et al。4]探索自我调节机制的作用的个人价值观和未经授权的积极的内在接触运动。Dickmeis和罗伊5)使用视频游戏作为预测预测攻击行为。Difabio et al。6]研究攻击性行为之间的关系和影响在冰球运动。Fizster et al。7]证明了自然启发式算法在体育领域的挑战和机遇。拳头et al。8)使用蝙蝠算法计划与体育运动有关的培训课程。拳头,拳头9)使用沼泽智能模型生成运动训练计划通过科学和技术建模和优化自然启发式计算。岩石和Majidnezhad10]介绍了一个新颖的绵羊群体智能算法。Petipas et al。11运动员攻击性行为定义,介绍了测量方法和影响因素。蒙特乔伊和Engebretsen体育和运动医学减少受伤的风险造成的不道德的玩家行为运动(12]。阿兹米和Tamminen13)的实践进行青少年与父母沟通和反映在运动。太阳et al。14]了沼泽的应用在物联网智能算法,分析了无线传感器网络(WSN)应用程序支持SI,在传感器网络和讨论相关问题。Ghosh et al。15]讨论了人工智能、物联网和数据科学实现互联的智能网络的物理地球的一切。在体育运动中,运动员的情绪波动,和过去的技术和模型难以预测具体行为和损伤评估。这些数据很容易受人们主观地,他们的信誉很低。我们建立一个良好的预测和评价模型通过群体智能算法和其他算法和确定运动员的情况更准确地通过情感生理电信号的检测。
2。理论基础
2.1。情感和运动攻击
暴力的情绪波动会伴随着生理变化。强烈的情绪波动,在人类心中的情感将爆发出巨大的力量。多年来,各界学者研究过许多关于情感内容。为了更好地分析情绪的影响,力求准确、全面展示人类的复杂和难于捕捉到的情感,我们需要关注情感的定义。因为人类的情感是复杂多变的,很难用简单的基本的情感表达的定义。在这里,我们往往将更加全面和复杂情感二维描述模型用一个简单的情感定义。二维情感描述模型(16)如图1。
的主要依据是定义基本情绪情感模型的研究人员。例如,Pultchick情感定义为接受,愤怒,期望,厌恶、欢乐、恐惧、悲伤和惊喜;服饰品牌的情感定义为愤怒,利息、轻蔑、厌恶、痛苦、恐惧、幸福、羞耻和惊喜。我们构建的模型是基于评估的判断(+)(−)和激活度(+)(−)。
攻击性行为是很常见的,人类和动物都有生存技能和压力性能(17]。当事情发生时,一个人会有意识地对他人造成伤害或直接或间接的事情。在运动场,有大量的暴力袭击事件,包括物理冲突,辱骂,和其他运动的攻击,在个别国家不单独存在,但经常出现在世界各地。
由于研究的局限性,考虑多种因素,如资金和时间,本文的主要研究对象只有选择体育运动员(那些暴力的记录,并进行了运动侵略),为了研究和识别个人情感的运动员在运动的过程中。一般来说,体育侵略与运动员的挫折在运动的过程中,促进个人的情感变化,如易怒,冲动,难以控制自己,等等。(本能理论,请参考[18])。运动员的个人体育侵略的自然也是一个原因。如图2,有一种普遍的模型对攻击行为。
2.2。物联网
数据与数据之间有各种各样的障碍和人们之间的数据。为了促进万物的互连,最初的壁垒被打破,这样原本不相干的人们和数据可以通过网络,实现信息交换的功能和信息收集的传感器和其他设备紧密相连。物联网(物联网)19)是一种新技术在21世纪。它的功能是有效的交叉和集成的虚拟世界和现实世界。到目前为止,这项新技术有很好的发展前景,在中国广泛应用于各行各业。随着时间的推移,它逐渐成为一个重要的象征中国全面进入信息时代,如图3。
2.3。生理信号
本文将使用相关仪器来记录运动员的心电图,皮肤电信号,呼吸道电信号,共有三种心理信号,和各种各样的数据进入计算机利用物联网技术,预处理,和分析。当运动员的情感变化稳定,心电图信号几乎没有变化。如果运动员情绪的控制下高压力、紧张、易怒、和其他情绪,心率会加速大大根据相应的情况,然后ECG信号可以反映运动员的条件。汗腺的活动会改变人的情绪波动。如果情绪波动激烈,汗腺将不断增加数量的汗水。此时,皮肤电信号通过测试获得的数据可以反映运动员的情绪。呼吸频率是反映人们的情感的一种方式。研究呼吸电信号指标可以帮助研究人们当前的情绪。当人们的情绪是不稳定的(如紧张、愤怒、和其他情绪),人体新陈代谢会增加,吸入和呼出气体含量将会改变。
2.4。群体智慧
借助一系列的计算机操作,我们可以学到一个巨大的数据集没有监督,可以帮助我们有效地利用这些数据。群体智慧(20.)是一个相对较新的研究。它起源于活动和习惯的各种生物种群在自然界中,但它不是目前深入研究,前景广阔。人们进行创新和探索,得到进化算法的启发,促使人们建立更好的模型和解决问题。群体智慧了很长一段时间,和许多学者提出了算法模型如图4。
2.5。传统的机器学习
2.5.1。决策树算法
选择C4.5算法以极大的优势。构建随机森林模型(21]。(1)数据集的信息熵计算: (2)计算熵条件: (3)计算信息增益的特性: (4)计算增益比率: 随机森林预测:
2.5.2。支持向量机
支持向量机(22)可以解决multiclassification的问题。在约束: 解决最大值: 解决两个问题: 表达式: 支持向量机的判别函数:
2.6。深度学习
深度学习(23在机器学习的范畴。这种方法非常成熟的人类情感领域的认可,所以我们可以用它来识别在体育运动员的情绪。如图5,它是关于抽象处理原始数据的深入学习。
2.6.1。人工神经网络
人工神经网络(24)是一种数学模型。它可以模拟神经元之间的信息。我们将输入信息x1,x2、…xn和输入信号的加权和z。
后Z神经元被激活,或价值的获得:
几个常用的激活函数如下:(1)乙状结肠激活函数 (2)双曲正切激活函数 (3)ReLU激活函数
2.6.2。卷积神经网络
卷积神经网络缩写为“CNN”[25]。CNN提供监督和非监督学习。这种神经网络本地连接和共享的功能权重,它通常可以用于过程对应于自然访问和语言。属于一维卷积,公式如下:
3所示。模型的设计
3.1。烟花算法
本文在许多群体智能算法,选择新的烟花算法为主要模型的应用程序对象,操作简单,容易使用。灵感来源于烟花产生火星,火星继续爆炸和分裂。该算法具有较强的搜索能力,良好的探索能力和更大的挖掘能力的位置范围。烟花算法的流程图如图6:
烟花的爆炸半径一个我的火花年代我,火花的总数米:
烟花爆炸的范围标志和由两个常数项和控制b,公式如下:
高斯变异操作来增加引发人口多样性:
如果新的火花在烟花爆炸产生的超过原来的范围,我们选择一个新职位发布这些爆炸所产生的火花。映射公式如下:
选择轮盘战略火花,概率公式如下:
3.2。情感数据库
3.2.1之上。信号预处理
在收集信息和专业仪器,生理信号预处理是所有工作的第一步。我们尽力提取许多特性的生理信号,然后确定他们的分类,建立模型来识别不同的生理信号。这是一个极其重要的一步,所有后续工作是基于这一步,这是方便管理数据和运行高质量工作。因为这三个生理信号较弱,容易干扰的外部因素,为了避免收集信息的误差,本研究需要进行预处理的生理信号如下:使用巴特沃斯带通滤波器来减少噪声的ECG信号,然后使用汉密尔顿分配器来检测;使用皮肤电信号分析基于凸优化算法;和计算呼吸电子信号的统计特征。
3.2.2。生理信号提取
如表所示1,所有的ECG信号的特征提取。
皮肤电信号的特征提取主要计算峰值数量和皮肤可控硅的平均值;在呼吸,呼吸的频率测试人提取,和呼吸的区别比较。
数据库功能工程图所示7:
3.3。模型结构
本文的模型是基于多视图的结构一维卷积神经网络。如图8:
添加一个全球平均池层后面连接层可以实现多个输入。通过这一步,特性从不同渠道可以连接在系列。预测结果输出通过两个完全连接层。
3.4。评价的相关性
摘要K-fold交叉验证方法采用由科学家和学者已经应用多年,这充分证明它是一个有效的情感识别和评价方法。感情的混淆矩阵如表所示2:
准确度、精密度、召回和其他评价指标:
4所示。模型试验
这个模型的主要任务是收集三种运动员的生理电信号通过使用专业仪器、设备和测试期间运动员的个人情绪变化运动通过使用模型。根据情感最终试验的结果,分析运动员的情感倾向想开展体育侵略和创建暴力事件,这样我们就可以反向预测他们的侵略的情绪爆发点根据体育情绪状态,因此,预防和干预运动员体育侵略时间和有效。收集实际情况和比较我们的实验模型试验结果的准确性,并评估是否可用的模型研究。如果两者之间比较的结果太不同了,这意味着我们的情感识别模型不合格,需要更多的修改和调整,进行技术创新。
模型设计并提出本文主要是用Python编写的语言和使用TensorFlow 2.0框架。
为了消除各种不可预测的外部干扰因素的影响实验结果,我们选择运动员相同的运动,同样的训练强度,同样的时间,同样的场合,同样的饮食,和类似的身体健康。因为我们的模型是预测体育侵略的情况下,运动员必须有暴力史或不同层次的体育侵略,所以不会有太多问题,由于不同的运动员。
4.1。情感识别结果
五个完全平衡的数据集随机创建。训练集是80%,测试集是20%。50倍交叉验证的方法被用于检查。随机森林分类器,使用支持向量机和网格搜索、唤醒和价是用来比较的结果。通过比较不同的情感识别算法的实验数据,所使用的算法和模型的准确性和优越性在本文中突出显示。
以下4.4.1。支持向量机
支持向量机的一部分,我们限制其参数在一定范围内,比较五sub-datasets心电图,EDA,负责,融合一个接一个来选择最优的参数组合。从数据可以看出9和10五个数据集的数据结果基于多通道融合明显优于单心电图,EDA,和负责的模式,无论唤起分类或价分类。
4.1.2。随机森林分类器
4.1.3。结果分析
支持向量机的一部分,我们限制其参数在一定范围内,比较五sub-datasets心电图,EDA,负责,融合一个接一个地选择最佳参数组合。从数据可以看出9和10多通道融合的结果明显优于单一的模式。
我们搜索的随机森林分类器的一部分,其superparameter参数并比较五sub-datasets心电图、EDA、负责,融合一个接一个地选择一个最优的组合。与前面的支持向量机相比,每个子集的识别精度是一样的随机森林分类器。从数据我们可以看到11和12多通道融合的结果是明显优于单一的模式,所以我们知道使用多通道融合识别精度都得到很大的提高。
一般来说,情感识别的结果,这种模式很好,和他们取得了精度高。值得注意的是,EDA性能最差的分类与其他生理电信号相比,无论是唤起或价。
4.2。实验的预测和分析
这部分采用SPSS17.0工具进行分析和统计。我们选择了29名运动员有暴力或体育侵略预测和运动干预试验。
测试后,我们总结了不同的情感识别情况反馈到运动员,如图13:
从表中我们可以发现,运动员想要攻击运动经过一段时间的运动,当焦虑、愤怒、惊讶、悲伤是最,识别精度高于80%。因此,当模型监测运动员的情绪波动,这四种情感最强烈和频繁,所以应该及时进行运动干预。
此时,建议运动员应该适当的休息,和体育生产区域的员工需要帮助运动员平静下来过度兴奋和激活的情感,充分减少各种指标根据运动员的生理条件。也建议运动员得到帮助改善负面情绪,减少攻击的水平,防止暴力事件造成的个人情感或危险的运动攻击冲动。
5。结论
摘要由于频繁的体育暴力和各种失控体育攻击,我们使用群集智能优化算法和其他新兴的互联网技术(如物联网)构建一个智能模型,可以确定运动员的情绪波动生理信号。该模型能有效地预测和干预和分析运动员的状态由场地的人员,避免不好的突发公共事件,或防止此类事件,将影响降至最小,并确保体育场馆的正常收入。根据本文的研究,我们可以得出以下结论:(1)模型测试了50倍交叉验证方法,结果好,精度高。与其他生理电信号相比,EDA最糟糕的分类性能。(2)使用多通道融合的两种方法的识别精度大大提高,比较后,结果明显优于单一的模式。(3)焦虑、愤怒、惊讶和悲伤是最情感模型中,发现和识别精度高于80%。应该进行运动干预时间冷静运动员的情绪。
从上面可以看出,群体智能模型设计表现良好并具有积极意义,未来优化和检测。因为我们只有完成了这个模型的设计和基本功能的实现,为了让用户更完美的体验,这个模型需要进一步研究和优化工作,力求广泛推广使用这个模型。在后续工作中,我们需要优化模型的用户体验,如外观、满意度、易于操作。此外,我们还需要解决可能的代码错误,提高准确性和其他优化工作。
数据可用性
使用的实验数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者声明没有关于这项工作的利益冲突。