基于云计算的高校体育负重力量训练数据建模分析

谭详列

(广东工商职业技术大学 体育学院，广东 肇庆 524020)

经济社会的不断发展，推动着高校体育教学的改革，大学生作为全民健身的主体，越来越多的大学生积极投身于体育锻炼.负重力量训练在一些发达国家较为流行，国内对负重力量训练的相关研究较少[1].负重力量训练对运动员成绩的影响不容小视.合理利用体育负重力量训练数据资源，获取有价值的负重力量训练模式信息，掌握大学生体育训练成绩和分布，日益成为高校体育部门和教育部门的迫切需求和体育教学管理信息化的重点.

国内许多学者对数据建模方法进行了大量研究，并取得了很多研究成果，例如文献[2]提出基于主成分分析的数据建模方法.采用主成分分析方法对原始建模数据进行预处理，去除冗余干扰数据，对剩余数据提取主成分，代替原始建模数据构建回归预测模型.主成分分析方法属于线性降维方法，采用该方法构建训练数据模型存在局限性，难以处理具有强烈非线性的负重力量训练数据，对于高维样本的建模准确度较低.文献[3]提出基于支持向量机的数据建模方法.采用小波技术识别训练模式切换点，并在不同训练模式下单独构建支持向量机负重力量训练数据模型.支持向量机方法适用于海量数据样本的处理，而获得用于建模的训练数据需要大量的时间，且训练数据多影响变量也会造成时间开销过大.

针对上述问题，提出一种基于云计算的体育负重力量训练数据建模方法.科学评价负重训练模式对运动员身体机能的影响，准确评估运动员的体能状况，将评估结果输入到极限学习机中构建体育负重力量训练数据模型.将所提方法应用到大学生负重力量训练生理生化指标变化预测中，结果表明所提方法能够有效提高高维负重力量训练样本的建模准确度，对大学生专项力量训练提供理论指导.

1 高校体育负重力量训练数据建模方法

1.1 模型筛选与构成

选取与运动员体能状态最相关的身体机能和力量素质指标，运用肌电采集系统、三维人体扫描系统以及DXA等实地测试运动员在训练周期内采取负重力量训练模式的相关数据，对受试者运动能力进行分析，确定受试者身体机能变化影响因素，并以此为基础对建模数据进行筛选，具体过程如下所述：

假设，Xn×m和Yn×k分别表示肌电采集系统、三维人体扫描系统以及DXA等实地测试运动员[4]在负重训练周期内体能变化数据标准化处理后的自变量和因变量，n表示体能变化数据样本数量，m、k分别表示变量数量，将Xh和Yh分别投影至主成分th和uh上，A表示样本数据的主成分数量，在th和uh之间构建回归方程：

uh=bhth+eh

(1)

式(1)中，eh为误差向量，bh表示模型参数.

测试样本数据的主成分可利用th=Xhwh、uh=Yhch获得，wh和qh表示可使样本数据的主成分th和uh之间关联程度可达到最大时的权重系数：

(2)

(3)

式(2)、(3)中，Xh+1、Yh+1分别表示受试者体能变化标准化处理后的自变量和因变量.

根据实地测试获得的体能变化数据，结合权重系数对运动员运动能力进行分析：

(4)

式(4)中，ch表示运动员脂肪百分数，ξh表示运动员骨密度值，φθ表示运动员肌肉力量指标变化值，M表示力量素质指标数量，j表示某一身体机能指标.

在偏最小二乘回归[5]过程中，每个样本数据主成分th和uh在迭代阶段逐次被提取，计算提取后A的残差，并对每步残差进行分析，直至依据某种准则确定运动员身体机能变化的影响因素A：

(5)

式(5)中，μh表示生理生化指数，Pc表示运动员在负重训练周期内心肺机能变化指数，ιh表示运动员专项能力.

(6)

式(6)反映了选择h个主成分时模型的预报能力，可选择合适的h使最小二乘回归模型预报能力达到最优.

采用相关性分析方法提取运动员在负重训练周期内，体能变化数据各主成分th进行描述[6]，构造对力量素质造成直接影响的中间变量：

(7)

(8)

式(8)中，r2(Y,th)表示对力量素质造成直接影响的不同变量之间的关联系数，m表示自变量的平均重要度.

结合最小二乘回归模型的优势，根据实地测试获得的体能变化数据，对运动员运动能力进行分析，确定运动员身体机能变化的影响因素，以此为基础可实现对受试者负重力量训练数据的定量和定性分析，为体育负重力量训练数据充分利用提供有价值的数据建模分析工具.

1.2 根据生理生化指标评价负重训练对机能的影响

通过生化监测系统，追踪运动员在负重训练周期内生理生化指标的变化情况，科学评价负重训练模式对运动员身体机能的影响，从训练效果评估需求出发，构建体育负重力量训练数据模型.具体过程如下所述：

假设，n′表示不同负重力量训练模式，δ(f)表示不同的训练模式对运动员身体机能的影响程度，通过生化监测系统[7]，追踪运动员在负重训练周期内运动员骨密度、肌肉力量各项指标的变化情况：

(9)

式(9)中，uc表示运动员在负重力量训练前后的体成分变化情况，kh表示运动员各关节的控制能力，px表示受试运动员各关节的最大力量值.

利用运动心肺功能测试系统[8]测试运动员在负重力量训练周期T内最大摄氧量λh及最高心率sh：

(10)

(11)

式(10)、(11)中，T表示负重力量训练周期，fT表示负重力量训练前后运动员血睾酮水平上升幅度值，χn′表示运动员皮质醇水平下降幅度值，νT/C表示受试者T/C变化值[9].σk表示运动员负重力量训练前后分解代谢水平，ε表示运动员训练前后静态血尿素水平，Sa(T)表示运动员全身脂肪含量.

根据运动员在负重力量训练周期T内生理生化指标的变化情况，科学评价负重训练模式对运动员身体机能的影响：

(12)

式(12)中，Ra表示运动员负重力量训练结束后的红细胞数量，hb表示运动员机体血红蛋白浓度.

从训练效果评估需求出发，将评估结果输入到极限学习机中构建体育负重力量训练数据模型[10]：

(13)

运用极限学习机对负重力量训练数据进行统计分析，为构建负重力量训练模型提供数据支持.

2 实验结果与分析

为了验证所提基于云计算的高校体育负重力量训练数据建模分析方法的综合有效性，需要进行实验验证，实验环境为Matlab R2012b，CPU intel Pentium(R)Dual-Core E5300 2.6GHz，内存2G，Windows7操作系统.整个测试阶段安排在运动员备赛期初始阶段，训练周期为5周.

原始样本数据选取某高校体育系提供的学生维持5周的负重力量训练数据，对比不同建模方法的时间开销(ms)，对比结果如图1所示.

图1 不同方法的时间开销

由图1可知，随着负重力量训练数据的不断增加，3种方法相应的时间开销逐渐增加，如负重力量训练数据为250 Mb时，所提方法的时间开销约为7 s左右，文献[2]提出基于主成分分析的数据建模方法相应的时间开销约为29 s左右，文献[3]提出基于支持向量机的数据建模方法相应的时间开销约为37 s左右；当负重训练数据增加到400 Mb时，所提方法的时间开销约为9 s左右，而基于主成分分析的数据建模方法相应的时间开销约为23 s左右，基于支持向量机的数据建模方法相应的时间开销约为38 s左右；从整体来看，所提方法进行体育负重力量训练数据建模和数据分析时间开销较小，说明所提方法数据分析实时性较高.

图2为所提方法、文献[2]提出的基于主成分分析的数据建模方法以及文献[3]提出的基于支持向量机的数据建模方法预测结果对比图.

由图2可知，多种方法的预测结果接近实际值，而文献[2]方法和文献[3]方法的预测结果离实际值较远.为了更好地评价不同建模方法的性能，分别采用预测均方误差(RMSE)和命中率(HR)对模型精度进行分析，表1给出不同建模方法具体性能指标.

表1 不同建模方法性能指标对比表

分析图2和表1结果可知，在多组测试样本中，所提基于云计算的数据建模方法与文献[2]提出的基于主成分分析的数据建模方法以及文献[3]提出的基于支持向量机的数据建模方法相比，均方误差为最低，仅为0.22，明显低于文献[3]提出的基于支持向量机的数据建模方法的0.45，以及文献[2]提出基于主成分分析的数据建模方法的0.36.同时将所提方法应用到大学生负重力量训练生理生化指标变化预测中，血红蛋白浓度预测命中率最高，可达95%，而文献[3]提出的基于支持向量机的数据建模方法的命中率仅为88%，文献[2]提出的基于主成分分析的数据建模方法的命中率为90%.基于主成分分析的数据建模方法的性能相比基于支持向量机的数据建模方法有所提高，但其与所提建模方法还存在一定的差距.以上结果再次证明了所提基于云计算的数据建模方法在处理多变量、非线性的体育负重力量训练数据的优势，显示出较好的拟合能力.

3 结 论

针对传统的数据建模方法，难以描述负重训练模式对受试者身体机能的影响，存在时间开销大、预测精度低等问题，提出一种基于云计算的高校体育负重力量训练数据建模方法.仿真实验结果表明，采用所提方法进行体育负重力量训练数据分析的实时性较好，对于负重力量训练阶段受试者血红蛋白浓度预测具有较高的精度，可为体育负重力量训练提供相关的理论依据.