羽毛球运动员的技能水平评估∗

王 晓

（西安航空职业技术学院 西安 710089）

1 引言

作为大众喜闻乐见的运动项目之一，羽毛球运动也是我国奥运重点夺金项目的球拍类运动之一，因此针对羽毛球运动员的生理和生物力学因素的研究开始受到体育管理部门的重视［1］。但在对羽毛球运动水平的准确评估方面的研究仍然很少。

已有的研究表明，基于试图提升和改进羽毛球运动员的水平，可以利用对羽毛球运动员的视觉训练和身体训练相结合［2～3］。文献［4］引入了一种基于视觉的训练方法来识别和提高羽毛球运动员的反应时间和击球意识。然而，需要进一步的研究来评估这种训练的效果。

基于视觉的训练方法的研究表明，检测和利用先进的视觉识别能力可以让运动员更准确地预测对手的动作。文献［5］对高水平专业运动员和低水平新手运动员的视觉识别能力差异进行了研究。该研究表明，新手羽毛球运动员无法捕捉到一些细节的视觉识别信息，而高水平羽毛球运动员可以利用这些信息提前预判羽毛球的运行轨迹。具体而言，高水平专业运动员将利用对手的球拍和手臂放置的视觉识别信息来预测羽毛球的运行方向和速度，而新手运动员只能从球拍本身获得提前预判信息。文献［6］利用基于视觉的方法对羽毛球运动员的水平进行分类评估。该研究的表明，高水平运动员比低水平运动员更成功地利用对对手的手腕旋转而实现对羽毛球落点的提前判断。然而，在研究这种羽毛球运动的发球方式的不同能力时，作者发现，无论运动员的专业技能如何，都不太能依靠视觉识别能力实现对羽毛球落点的判断。文献［7］解释了基于手腕旋转的视觉识别对乒乓球发球过程中的上旋和下旋的分辨能力较差。类似地，由于在羽毛球中，许多不同的发球具有相似的视觉过程，并且通常可以仅在球拍接触羽毛球之前的最后几毫秒中才能够区分。文献［8］提出使用神经网络与视觉判别分析相结合的方法来确定将空手道运动员的运动技能的思路。该研究表明，基于图形感知器的神经网络和判别函数分析在将空手道运动员划分为高和低性能组时具有很高的准确率。基于上述研究，本文将图形感知神经网络和判别分析引入羽毛球运动员的技能水平评估，并使用这两种方法对基于视觉识别的测试程序生成实验数据集进行分类测试，通过测试结果验证这两种评估方法的有效性。

2 运动技能水平评估方法

从大脑功能研究中得出，神经网络的定义根据其应用领域的不同而不同。在统计学意义上，神经网络适用于松散相关的模型族，其特征在于参数空间和灵活的结构［9］。

神经网络由许多人造神经元（仿照生物神经元）组成，每个神经元都有相关的权重。神经系统的权重可以既是积极的也是消极的，因此对每个输入提供兴奋或抑制的影响。当每个输入进入神经网络时，乘以它的权重，然后将所有这些新的输入值相加，就形成了激活值。如果激活值大于阈值，则神经元输出一个信号。如果激活值小于阈值，则神经元输出零。这个过程通常被称为阶梯函数［10～11］。

如果一个神经元可以有n个输入的数量，并且每个输入可以有相应的权重w，那么激活值的等式可以表示为［12］

图形感知器基于预测变量的值产生一个或多个因变量的预测模型［13］。感知器的独特之处在于每个神经元都使用非线性激活函数，该函数被开发来模拟大脑中生物神经元的动作电位或激发频率。这个函数是以几种方式建模的，但是必须始终是可规范化和可区分的。本文中使用的两个主要激活函数均为双曲函数［14］：

式（2）表示的激活函数是一个双曲正切曲线，范围从-1～1，而函数3形状相同，但范围从0～1。这里yi是第i个节点（神经元）的输出，vi是输入的加权和。

感知器根据输出的误差量与预期结果进行比较，改变每个数据处理后的连接权重。这种监督学习是通过基于线性感知器中最小均方算法的反向传播进行的。

输出节点j在第n个数据点中的误差可以表示为ej(n)=dj(n)-yj(n)，其中d是目标值，y是感知器产生的值。然后，我们根据这些校正来修正节点的权重，这些校正最小化了整个输出中的误差。误差的计算公式为

利用神经网络的优点是，它可以近似于各种各样的统计模型，而不需要研究者事先假设依赖和自变量之间的某种关系。而是在学习过程中确定关系的形式。这种灵活性的代价是神经单元之间的权重不容易解释。

基于判别函数的分析是根据区间变量的线性组合对输入变量进行分类，能够较好地对输出量和自变量之间地关系进行解释［15］。本文从一组观测值开始，其中不同水平组成员和区间变量的值是已知的。评估过程的最终结果是一个模型，当只有间隔变量已知时，能够准确预测不同输入的组别。判别函数分析的第二个目的是对数据集的理解，因为仔细研究由程序产生的预测模型可以洞察待评估运动员与用于预测的不同水平组成员的之间的关系。

3 基于视觉识别的水平评估

3.1 评估程序

参与本文研究的有41名参与者，分为高级水平组、中级水平组和初级水平组。高级水平组（n=10）的参与者是从事5年羽毛球的专业运动员，他们具有较为出色的羽毛球专业技能和知识。中级水平组（n=16）的参与者是那些至少打了1～2年羽毛球的运动员，他们具有相对完善羽毛球技能和能力。初级水平组（n=15）的参与者是羽毛球的入门运动员，有最少的羽毛球知识和运动经验。

用于感知神经网络和判别分析的数据来自基于视觉识别的评估程序。每组评估问题由五个基于视觉识别的问题组成，整个水平评估程序包括超过十个问题组。参与者首先会观看正在进行的羽毛球比赛的不同影片剪辑。每个影片剪辑2～30秒，剪辑播放完之后是的静止画面，然后要求参与者回答屏幕上将要发生什么类型的发球以及羽毛球的回球落地。相应的答案选项如图1所示。

图1 评估程序的答案选择页面

在羽毛球专业教练的判断和意见的帮助下，上述评估程序的结果经过加权计算可以实现对每个参与者的水平评估。回答正确的击球类型得两分，回答基于剪辑中情形可能得出得击球类型得一分，回答错误得击球类型不得分。同样地，如果参与者选择了正确的回球落地并且最终羽毛球确实落在该区域则得两分，如果参与者选择落地为剪辑中可能的落地则得一分，如果选择得落地与实际落地和可能得落地均不同则不得分。参与者回答问题得时间限制在影片剪辑的间隔。每组问题包括5个问题，因此参与者可以获得的最大分数是20，最佳答题时间为11.9s。因此，参与者评估分数的计算公式为

式（5）中，TIME是参与者回答关于击球类型和落点位置的所有5个问题的综合时间。答题分数是五个问题中每个正确答案的总分。因此，一个人可以在评估程序上获得的最大分数是20。

羽毛球运动员技能水平是一个二分类变量。用于评估羽毛球运动员技能水平的神经网络和判别分析由三个不同的因变量：人体生理因素，运动适应性因素和视觉评估因素。人体生理因素包括：身高（厘米）、体重（公斤）、年龄（岁）和运动经验（年）。运动适应性因素为：20m冲刺（秒）、垂直跳跃（cm）和往返跑时间测试（得分）。视觉评估因素分别是：击球类型（得分）、回球落点（得分）和答题时间（秒）。

3.2 评估结果

基于训练数据集完成参数学习的神经网络，对基于视觉识别评估的数据样本进行分类的结果如表1所示。

表1 基于视觉识别评估的数据样本的分类结果

用于测试的神经网络结构如图2所示。

图2 神经网络结构

图2 中，神经网络的隐藏层使用双曲正切函数，输出层使用softmax函数。图中虚连接线表示两个神经单元之间的连接权重小于零，实连接线表示两个神经单元之间的连接权重大于零。基于神经网络的运动适应性的分类结果如表2所示。

表2 基于神经网络运动适应性的分类结果

由表2的数据可知，运动适应性分类的训练准确率和测试准确率分别为95.5%和73.7%。

对基于视觉识别的水平评估中三个彼此独立参数对评估总得分的影响程度的量化值如表3所示。

表3 基于视觉识别的水平评估的参数重要性

表3表明神经网络分析中最重要的判别参数是击球类型和落点判断。对运动适应性数据进行的类似分析，得出20m冲刺测试（1量化值为00%）和垂直跳跃测试（量化值为74.6%）是运动适应性测试中最重要的判别参数。

在基于视觉识别测试时，使用基于判别函数同样能够有效区分运动员技能水平地高低，但在运动适应性测试时这种区分会出现偏差。运动适应性测试的总体正确率为73.2%，组内平方和与总平方和之比（Wilks'Lambda）为 0.394，P＜0.001；基于视觉识别测试的总体正确率为80.5%，Wilks'Lambda为0.23，P＜0.001。运动适应性测试结果的平均值和标准偏差如表4所示。

表4 基于判别函数地运动适应性测试平均值（标准偏差）

由表4的数据可知，在20m冲刺短跑，往返跑测试和垂直跳跃测试的平均值和标准偏差的数据中，具有较高羽毛球运动水平的参与者在垂直跳跃和往返跑声测试中显示较高的分数，而在短跑测试中分数较低。

表5显示了基于判断函数的运动适应性测试分类准确性。在这个判断函数模型中，三个技能水平组的分类准确率为73.2%，比神经网络的准确率稍低。

表5 基于判断函数的运动适应性的分类

基于视觉识别的测试的击球类型、落点判断和答题时间三项统计结果的平均值和标准偏差如表6所示。由表6可知，与较低技能水平相比，技能水平较高者之间得分更高。其中技能水平较高者的答题时间较少反映了较快的识别速度。

表6 基于视觉识别的测试结果的平均值（标准偏差）

基于视觉识别测试的分类准确性如表7所示。其分类准确率为80.5%，Wilks'Lambda为0.23，P＜0.001。

表7 基于判断函数的视觉识别测试的分类

最后，计算皮尔逊相关系数以评估参与者的技能水平与因变量之间的关系，其中因变量包括所有三组测试数据（人体生理因素，运动适应性因素和视觉评估因素）。计算结果如表8所示。

表8 皮尔逊相关系数的计算结果

4 评估结果的讨论

上述测试的结果表明神经网络与判别函数相比，评估准确度更高。此外，本文的研究表明了基于视觉识别评估程序的有效性，神经网络和判别函数的评估准确度分别达到了100%和80.5%。

皮尔逊相关系数的计算结果表明，冲刺测试、垂直跳跃测试和折返跑测试的结果与技能水平并不相关。这是由于整个样本年龄的变化较大（范围为46岁），导致较低年龄组参与者的运动适应性测试的平均得分更高。尽管技能水平较高，但年龄较大的参与者并不像中级参与者那样处于预期水平。因此，建议未来研究的样本在所有技能水平上的年龄差异较小。

本文的研究表明基于视觉识别的测试（击球类型、落点判断和响应时间）比运动适应性测试更能准确评估羽毛球运动员的技能水平。

本文的研究结果表明，采用神经网络和判别函数方式对视觉识别的测试结果的技能水平分类准确率分别达到100%和85%。这个结果为羽毛球教练员将视觉识别技术引入训练计划提供了启示。

对测试数据进行深入研究发现，参与视觉识别测试的羽毛球运动员更倾向于预测正确的击球类型，而不是判断落点。这种倾向在所有三个技能水平级别中都是一致的。这可能是由于影片剪辑的拍摄角度和位置的不同选择造成的。此外，参与者观看的剪辑来自顶级的羽毛球比赛，其中的顶级水平运动员能够灵活使用各种各样技术动作和假动作，几乎可以选择任何出人意料的落点，导致测试参与者发现落点判断比击球类型更具挑战性。然而，同样的情况也适用为击球类型的判断，许多顶级运动员具有灵活使用假动作欺骗对手的能力。因此需要进行额外的研究来确定为什么测试参与者能够更加准确地对击球类型进行预测。

5 结语

神经网络作为羽毛球运动员技能水平的评估工具，其性能的表现略优于判别函数，特别是在针对视觉识别系统的情况下。尽管如此，在羽毛球运动员技能水平评估的分类方面，神经网络和判别函数分析都是准确的统计工具。基于视觉识别的评估程序经过测试和验证，可以引入羽毛球运动员的训练和水平评估。