人工智能技术在体育训练中的应用

王诗雁 广州市第七中学

引言

人工智能技术和方法已经引起信息产业和整个社会的广泛关注。与社会的大多数其他领域一样，越来越多的数据在各种体育活动中被收集，自动化数据分析成为一个重要而快速发展的领域，数据科学已成为体育科学知识开发的一个战略性领域，旨在弥补传统统计方法存在的一些不足。仔细分析体育活动数据可以加深我们在运动科学方面的认知，同时也可以提高体育工作人员在优化训练和竞争策略方面的决策能力。本文将简要地介绍人工智能技术在体育训练优化中的一些研究新进展。

1 用于转弯定性建模的滑雪机器人系统

T.Yoneyama 等专家研究了用于模拟转弯时人腿关节活动的机器人。这种机器人每条腿都有六个活动的关节，就像人类运动员一样。在人工草皮上滑草时，车载计算机可以在开环模式下控制关节的角度，通过程序让机器人做出各种运动，来研究关节之间的关系、反作用力和弯道轨迹。首先，他们研究了基本关节运动的影响，例如外展-内收和弯曲-髋关节伸展和膝关节和踝关节。然后研究了机器人在滑雪拐弯时的影响，仔细斟酌顶级运动员的关节如何运作。该项目可以帮助滑雪运动员实现在平衡下更高质量的转弯。他们的研究还需要进一步请滑雪运动员进行真实的模拟实验。

2 跆拳道广播视频中运动员复杂技术的自动分析

因为移动和杂乱的背景，在录像中观察运动员的动作是一项具有挑战性的任务。Yongqiang Kong 等人提出了跆拳道视频自动分析技术。 第一步，导入视频，通过修正结构保持目标跟踪器跟踪运动员和身体图像；第二步，深度学习网络PCANet 通过学习每一帧画面，预测下一帧画面。由于一个动作是由多个连续动作组成的，每个动作对应一帧；最后一步，将线性支持向量机LSVM 与预测的动作框架相结合，得到一种分类器。通过跆拳道视频数据的实验验证，结果表明，跆拳道视频自动分析技术是可行的。

3 切割动作动力学参数的智能预测

利用90°切割动作的执行与分离过程中的动态数据，Marion Mundt 和Sina David 等研究人员利用前馈神经网络预测了髋、膝和踝关节的接合力矩以及地面反作用力。以标记轨迹或关节角度作为输入数据，他们对55名运动员进行了525 次神经网络训练和测试。实测数据与预测数据之间的相关系数具有很强的相关性。以关节角作为输入参数，联合矩预测精度稍高，但不显著。当使用标记轨迹时，地面反作用力的预测具有明显的准确性。他们提出的前馈神经网络方法可以对方向发生快速变化的运动动力学参数进行预测，通过使用惯性传感器，也可以简化切割动作实验装置。

4 垂直跳跃模式分类的数据库驱动神经计算框架

对运动员垂直跳(VJ)测试成绩进行分类是运动员体能发展和提高成绩的推荐做法。然而这种做法目前是主观地进行，并且主要基于标准化的VJ 测试中获得的垂直跳跃高度(VJH)的测量数据。Umar Yahya 等人提出了一种智能综合分类框架(IICF)，根据肢体生物力学资料，用于单腿(SL)和双腿(DL)站立VJ 测试中运动员成绩的分类。通过对13 名全国女子网球运动员进行的6 次SL-左腿(SLLL)、SL-右腿(SLRL)和DL VJ 测试，获得了从踝关节至膝关节以及8 块LE 肌肉的生物力学数据，这些数据由三维运动学和肌电图特征组成。每个参与测试的运动员都有先前的VJ 分类，在三次VJ 测试中的每一次都是优秀或非常好。IICF 利用了可扩展和可互操作的关系数据库管理系统(MySQLDB)和人工神经网络(ANN)的集成。基于三种不同训练算法的全连通多层感知器前馈神经网络(MLP-FFNN)，将从最初的三次VJ 试验数据中获得的包含提取特征(EF)的集成模式集随机划分成设计和测试数据集。受试者先前的VJ 分类被用作MLP-FFNN 的目标输出。他们采用三个不同的内核映射函数的支持向量机(SVM)得到了第二个分类器，并且对MPL-FFNN 分类器和SVM 分类器在训练和独立测试模式集上的性能进行了比较。MLP-FFNN 分类器在三次VJ 测试模式集上的平均分类精度(F-测度)为93.33%(86.67~96.77%)，SVM 分类器为82.5%(73.33~87.5%)。IICF 已经证明了它作为训练者在进行SL 和DL 垂直跳跃测试时作为一种客观的辅助评估工具的可行性。

5 运用深度学习模型对运动场景进行关键姿态识别

关键姿势识别被广泛运用在运动分析中，为教练员、运动员和其他专业人员提供有效的工具进行运动分析和辅助训练。基于视频流的KPR 可以分为面向个人的和面向群体的。早期的方法是分开每个个体来跟踪，利用个体的特点来研究群体中的问题。后者是对群体图像进行处理和采样，获取全局信息，然后对采集到的数据进行处理，对异常情况和正常情况进行分类。Cao Zhi-chao 和Lingling Zhang 提出了一种基于深度学习的关键姿态识别方法，特别地，为了消除举重视频图像中大量的背景干扰，他们首先训练了一个利用视频帧图像进行前景提取的FCN 网络。进一步，通过对CNN 网络的微调，得到了一种适用于感兴趣区域加权视频分类的网络模型。最后，根据分类结果，设计了分类结果选择策略来提取关键姿态。此外，我们的算法还可以选择高质量的关键姿态帧，这对于运动训练具有重要的意义。实验结果表明，该方法具有很强的竞争力。

6 小结

体育研究专家在滑雪机器人系统、跆拳道视频的自动分析、切割动作动力学参数的智能预测、垂直跳跃模式分类的神经网络计算框架、运动关键姿态的深度学习模型识别等方面进行了创新性研究，其研究成果将有利于体育工作者在优化训练和竞争策略中的科学决策。