尹 倩,張 翠

(1.安徽體育運動職業(yè)技術(shù)學(xué)院, 安徽 合肥 230051; 2.安徽農(nóng)業(yè)大學(xué)經(jīng)濟(jì)技術(shù)學(xué)院,安徽 合肥 230011 )

動態(tài)增量聚類算法在足球運動員跑動能力挖掘中的應(yīng)用

尹 倩1,張 翠2

(1.安徽體育運動職業(yè)技術(shù)學(xué)院, 安徽 合肥 230051; 2.安徽農(nóng)業(yè)大學(xué)經(jīng)濟(jì)技術(shù)學(xué)院,安徽 合肥 230011 )

以聚類技術(shù)為手段，對足球運動員跑動類型進(jìn)行挖掘分析，主要工作包括：針對實際跑動數(shù)據(jù)動態(tài)增加的特點，提出動態(tài)增量聚類算法應(yīng)用在訓(xùn)練跑動能力挖掘研究中；對聚類數(shù)據(jù)來源和數(shù)據(jù)類型等進(jìn)行一系列的處理；對所提出的算法進(jìn)行了實驗和驗證.結(jié)果表明，此方法符合足球訓(xùn)練技術(shù)特點，挖掘出的知識智能且準(zhǔn)確，具有一定的應(yīng)用價值.

動態(tài)數(shù)據(jù)集; 增量聚類; 跑動加速度

足球運動是一項要求技術(shù)和速度能夠很好結(jié)合的體育項目，足球的技術(shù)要有跑動速度作為前提和保證，足球運動員在比賽的過程中要做大量的起動、急轉(zhuǎn)、急停、變向、變速、轉(zhuǎn)身等動作，這就要求運動員具有出色的瞬間速度、加速度、制動速度和最高速度.然而現(xiàn)有訓(xùn)練方式全憑教練員肉眼和經(jīng)驗判斷，難以深入認(rèn)識其本質(zhì)[1].

在足球訓(xùn)練跑動過程中，教練希望挖掘發(fā)現(xiàn)不同運動類型的小球員，并從類別中發(fā)現(xiàn)其肉眼無法發(fā)掘的隱含的指標(biāo)特征.教練員很難憑肉眼實時掌握小球員跑動速度、瞬時加速度等指標(biāo)，因此本文基于已有智能采集技術(shù)得到的足球訓(xùn)練數(shù)據(jù)[2]，對采集到的小球員加速度，利用數(shù)據(jù)挖掘中的聚類算法進(jìn)行初步挖掘分析各球員的技、戰(zhàn)術(shù)類別和綜合實力.球員跑動是動態(tài)變化的，此外，在整場比賽中產(chǎn)生的數(shù)據(jù)量是巨大的，因此如何對動態(tài)且數(shù)據(jù)量巨大的數(shù)據(jù)樣本快速高效地聚類成為本文研究重點內(nèi)容.

1 聚類算法及其在足球領(lǐng)域的應(yīng)用

1.1 聚類算法

數(shù)據(jù)挖掘技術(shù)用于從大量繁雜數(shù)據(jù)中挖掘分析隱含的潛在的重要信息，其中的聚類算法就是根據(jù)數(shù)據(jù)特征挖掘出數(shù)據(jù)間相似性，將相似數(shù)據(jù)(相似距離越近認(rèn)為數(shù)據(jù)越相似)聚為一類.在概括出每個類的特點的同時，亦可集中注意力對特定的某些類做進(jìn)一步的分析[3].

常用聚類算法分為劃分方法(k均值、k中心等)、基于密度的方法、基于層次的方法等.

1.2 增量聚類算法

傳統(tǒng)聚類算法均為針對靜態(tài)數(shù)據(jù)集的，而對于時刻更新變化的動態(tài)數(shù)據(jù)卻無法高效處理.因此，增量聚類算法[4-7]應(yīng)運而生.其在原有聚類結(jié)果基礎(chǔ)上，對于新的數(shù)據(jù)集，分析新數(shù)據(jù)集與原有聚類結(jié)果的關(guān)系和影響，運用增量聚類算法對兩者進(jìn)行迭加，得到最終聚類結(jié)果，避免了對于大量原有數(shù)據(jù)集的重復(fù)計算，大大提高效率，做到了實時有效處理.

1.3 足球領(lǐng)域聚類分析

已有聚類應(yīng)用在足球信息挖掘的研究眾多[8-12]，但均為針對觀看足球視頻肉眼所記錄的數(shù)據(jù)進(jìn)行靜態(tài)的聚類挖掘，此類研究只能比賽結(jié)束后觀看分析視頻且完全取決于肉眼判斷, 具有嚴(yán)重滯后性且大量隱含信息無法憑肉眼發(fā)掘，不能實時真實反映訓(xùn)練技術(shù)指標(biāo).因此，如何實時采集挖掘分析運動員訓(xùn)練跑動數(shù)據(jù)進(jìn)而分析其技戰(zhàn)術(shù)類型很有必要，但此項研究未見相關(guān)研究的報道.

2 原始數(shù)據(jù)處理

2.1 原始數(shù)據(jù)采集

本文數(shù)據(jù)采集基于文獻(xiàn)[2]無線采集技術(shù)基礎(chǔ)上，將三維加速度傳感器綁定在足球運動員腳踝部位，獲取其三維(X,Y，Z三個維度方向)加速度(如圖1).可以看到X,Y,Z任一方向加速度突然增加，反應(yīng)了運動員的瞬時爆發(fā)力.任兩個方向之間的突然加速度變化，反應(yīng)了運動員此時身體(本文為小腿部位)的瞬時轉(zhuǎn)向程度.

圖1 小球員小腿部位在跨跳動作時三維加速度

圖1顯示出某一小球員在訓(xùn)練時跨跳動作時三維加速度值(X,Y,Z三個方向)，單位為G，轉(zhuǎn)換到物理單位1G=9.8m/s2.可以看到靜止時，加速度不變.當(dāng)跨跳時，會大幅急升或急降，特別是Z方向會出現(xiàn)短暫峰值.

2.2 聚類樣本

圖2顯示出某小學(xué)校園足球11名球員訓(xùn)練時通過數(shù)據(jù)采集裝置采集到的三維加速度數(shù)據(jù)(原始數(shù)據(jù)為加速度數(shù)值大小,此處為直觀展示,將任一名球員加速度大小通過繪圖軟件顯示出來).

圖2 任一球員開始約5分鐘加速度數(shù)值直觀展示(約3000條數(shù)據(jù))

由于篇幅有限，以上僅為該球員在約5分鐘時間范圍內(nèi)的腳踝部位加速度數(shù)據(jù).可以看到，在開始的5分鐘內(nèi)加速度變化較大有多處，且最大加速度達(dá)到8G，相當(dāng)于接近80 m/s2.所以無論從大小和頻率來看，均屬積極型隊員，但是隨著足球訓(xùn)練時長的延長，各球員加速度狀態(tài)是不斷變化的.因此，實際聚類指標(biāo)為11名球員在時長90分鐘訓(xùn)練中的三維加速度的聚類樣本.

2.3 聚類距離計算

在聚類算法之前，首先需要進(jìn)行聚類距離的計算.小球員帶球跑過程X，Y，Z三個方向加速度大小分別反映其小腿部位前后方向，側(cè)面方向(左右)，跳躍方向(上下)的能力.本文研究重點為小球員跑動的綜合能力，需將三維加速度加權(quán)處理.球員IDi在t時刻的加權(quán)加速度采取常用方法[13]，為原始三維數(shù)據(jù)的絕對值之和，其計算公式為

ALLsinal((IDi))t=|Xt|+|Yt|+|Zt|

(1)

其中，i為球員號碼標(biāo)識 ,取值為1-11.t表示時間,實際跑動為提高瞬時性和靈敏度，每1秒獲取傳感器數(shù)據(jù)10次，如5分鐘即有3000條記錄.

(2)

3 動態(tài)增量聚類算法在運動員跑動能力挖掘中的應(yīng)用

本文聚類算法希望輔助教練員發(fā)現(xiàn)各小球員技戰(zhàn)術(shù)類別，同時聚類樣本為三維加速度指標(biāo)，不存在聚類樣本數(shù)據(jù)種類繁多造成的密度不同的問題，因此選取聚類算法中的k-均值算法最為合適.但由于訓(xùn)練跑動數(shù)據(jù)量非常大，同時實時變化更新,要求算法復(fù)雜度不能過高.許多經(jīng)典的聚類算法很難滿足這一點[14].因此本文研究重點在k-均值算法基礎(chǔ)上，采用基于中心點的動態(tài)增量聚類算法[15,16]，繼承了已有聚類結(jié)果，避免了每次更新數(shù)據(jù)對全部數(shù)據(jù)重新聚類的問題，有效降低算法復(fù)雜度.

3.1 動態(tài)增量數(shù)據(jù)聚類相關(guān)定義

(3)

其中num(Ci)為第i類簇中的樣本個數(shù).

(4)

其中t表示時間.

3.2 增量聚類算法

動態(tài)增量聚類算法在運動員跑動能力挖掘中的應(yīng)用基本思想是：對訓(xùn)練前5分鐘內(nèi)10名球員(守門員除外)的加權(quán)加速度運用經(jīng)典k均值聚類算法進(jìn)行聚類，初步劃定運動員跑動能力類別(實際按照教練員需求將小球員分為積極活躍類、穩(wěn)健類型和消極類三類，K因此取值3).在此基礎(chǔ)上，之后每隔5分鐘獲取訓(xùn)練各球員加速度信息增量，對增量數(shù)據(jù)進(jìn)行聚類，直至訓(xùn)練結(jié)束.可以看到，隨著增量數(shù)據(jù)的加入，增量聚類算法雖然對原始聚類進(jìn)行局部更新或全局更新，但因本文研究重點在整場比賽中小球員綜合跑動能力，因此最終還需對數(shù)次增量聚類信息進(jìn)行全局加權(quán)處理方為最終聚類結(jié)果.算法描述如下：

初始化：給定聚類類別個數(shù)k，設(shè)定聚類距離閾值ε,初始化原始聚類樣本中心矩陣；

步驟3：對于接下來5分鐘新增量樣本，重復(fù)步驟2，直至訓(xùn)練結(jié)束.

步驟4：對每次增量結(jié)果進(jìn)行全局加權(quán)處理即為其整場訓(xùn)練最終跑動能力挖掘結(jié)果.

4 實驗結(jié)果及評價

4.1 原始聚類結(jié)果和增量聚類結(jié)果

采用動態(tài)增量聚類算法對足球訓(xùn)練10名小球員的各5分鐘新增時間段3000條*3維聚類樣本進(jìn)行聚類，其中K取值3，各時間段聚類過程如圖3.

圖3 上半場過程中采用動態(tài)增量聚類算法的球員跑動能力原始聚類和增量聚類結(jié)果

由圖3可以看到,各增量數(shù)據(jù)按照本文算法在原始聚類結(jié)果基礎(chǔ)上進(jìn)行修正，避免了每次重復(fù)計算，提高了聚類效率.但也看到，在最后的5分鐘聚類結(jié)果中雖然ID為5號的選手表現(xiàn)較好，被挖掘至積極主動優(yōu)秀類別1中，但其在其他時間段表現(xiàn)欠佳，因此此時間段聚類結(jié)果不可為其整場比賽的全局綜合評價結(jié)果，要挖掘出整場比賽小球員綜合表現(xiàn)還需對數(shù)次增量聚類結(jié)果進(jìn)行合并綜合加權(quán)處理.

4.2 各增量聚類結(jié)果合并加權(quán)處理

整場比賽球員的綜合表現(xiàn)應(yīng)該為其每次增量時間段表現(xiàn)的加權(quán).故需統(tǒng)計各球員在各增量聚類結(jié)果中出現(xiàn)次數(shù)，其在某一類別中按時間段出現(xiàn)次數(shù)較多者則認(rèn)為其整場表現(xiàn)最終屬于此類別.合并加權(quán)處理結(jié)果如圖4所示：

圖4 各增量聚類結(jié)果合并加權(quán)處理圖

由此可見，本過程在各增量聚類結(jié)果修正原始聚類結(jié)果的基礎(chǔ)上，對各增量聚類結(jié)果進(jìn)行合并加權(quán)處理來反映其整場跑動能力，避免了概念偏移現(xiàn)象.綜合處理后，類別1中最終結(jié)果為1和4號球員，表明在整個上半場的比賽中其跑動加速度整體水平一直較高,這也反應(yīng)其總體高質(zhì)量跑動的時長,說明其無論耐力還是爆發(fā)力均屬于積極主動優(yōu)秀型小球員.5號球員則被歸為類別2中，同時還挖掘分析出類別3中消極較差型.

4.3 閾值ε對聚類質(zhì)量的影響

評價聚類質(zhì)量在于兩個方面:聚類內(nèi)部緊湊和聚類間距離盡可能遠(yuǎn)，即類內(nèi)差異和類間差異[17,18].

類內(nèi)差異Diffinner(C)采用簇直徑度量.類間差異Diffinter(C1,C2)采用兩類中心點距離度量[19].具體度量公式如下：

Diffinner(C)=max(Dist(IDi,IDj))，?(IDi,IDj)∈C,且i≠j

(5)

Diffinter(C1,C2)=min(Dist(O(C1),O(C2)),其中O(C1),O(C2)為類C1C2中心點.

(6)

閾值ε越大或越小,均會造成孤立點太多且對類內(nèi)和類間影響，如表1所示：

表1 閾值ε輸入時不同聚類結(jié)果類內(nèi)差異和類間差異

根據(jù)表1各簇質(zhì)量指標(biāo)的比較，可看出ε取值為1.1G時聚類質(zhì)量最高,按照1G=9.8m/s2的計算公式，相當(dāng)于每個簇類約懸殊10m/s2的加速度級別，較符合足球?qū)嶋H跑動中的運動類型級別懸殊.

5 總結(jié)

本文將增量聚類算法應(yīng)用于足球訓(xùn)練運動員跑動能力挖掘，針對足球跑動數(shù)據(jù)動態(tài)和數(shù)據(jù)量大的特點，在已有聚類結(jié)果基礎(chǔ)上，采用增量聚類算法修正已有結(jié)果，避免了每次更新數(shù)據(jù)對全部數(shù)據(jù)重新聚類的問題，提高聚類效率.同時，針對實際應(yīng)用，添加了加權(quán)處理模塊，避免了數(shù)據(jù)偏移.實驗表明，本算法能深刻準(zhǔn)確地對足球訓(xùn)練運動員跑動能力進(jìn)行動態(tài)實時的挖掘分類，更客觀智能且意義重大.但也看到為改變?nèi)庋塾^察訓(xùn)練跑動加速度這一落后、偏差的習(xí)慣，提高智能化水平，本文數(shù)據(jù)來源為無線加速度傳感器數(shù)據(jù)，此類數(shù)據(jù)在跑動和傳輸過程中難免會產(chǎn)生噪音數(shù)據(jù)，這在一定程度上影響本文聚類結(jié)果.下一步工作為使原始數(shù)據(jù)集更智能準(zhǔn)確，將考慮對原始數(shù)據(jù)進(jìn)行去噪處理.

[1] 曹景偉,馬相長,劉愛杰,等.基于運動學(xué)、動力學(xué)參數(shù)的皮艇專項竟技能力評估方法研究[J].北京體育大學(xué)學(xué)報,2007，(8)：1122-1125.

[2] 房霄.足球運動數(shù)據(jù)采集系統(tǒng)設(shè)計[D] .南京：南京理工大學(xué)碩士學(xué)位論文,2010.

[3] 張利敏.基于模糊聚類的路面識別研究[D] .鎮(zhèn)江:江蘇科技大學(xué)碩士學(xué)位論文,2013.

[4] 倪國元.基于模糊聚類的增量式挖掘算法研究[D].武漢:華中科技大學(xué)碩士學(xué)位論文,2004.

[5] 劉建曄,李芳.一種基于密度的高性能增量聚類算法[J].計算機(jī)工程,2006,(21):66-69.

[6] 陳峰.基于聚類的增量數(shù)據(jù)挖掘研究[D] .大連:大連海事大學(xué)碩士學(xué)位論文,2007.

[7] 宋宇辰,宋飛燕，孟海東.基于密度復(fù)雜簇聚類算法研究與實現(xiàn)[J] .計算機(jī)工程與應(yīng)用,2007,(35):162-165.

[8] 龔明波,鐘平.尺度空間層次聚類在足球球隊技、戰(zhàn)術(shù)能力分類中的應(yīng)用研究[J].體育科學(xué),2005,(1):87-90.

[9] 顧舒文.足球視頻進(jìn)球事件的分類和檢索方法研究[D] .武漢:華中科技大學(xué)碩士學(xué)位論文博士學(xué)位論文,2012.

[10] 牛振興.足球視頻主題建模及內(nèi)容分析方法研究[D] .西安:西安電子科技大學(xué),2012.

[11] 程澤凱,陳梅,秦鋒.基于密度峰值聚類的陣型識別算法[J].常州工學(xué)院學(xué)報,2016,(2):23-27.

[12] 金川江,蔡忠建，呂圣君.應(yīng)用Q型聚類對第17屆世界杯足球賽各隊技戰(zhàn)術(shù)能力的綜合評價[J] .北京體育大學(xué)學(xué)報,2003,(1):11-15.

[13] 鐘君.基于加速度傳感器的日常行為識別的特征提取方法[D].蘭州:蘭州大學(xué)碩士學(xué)位論文,2016.

[14] 閔可銳,唐悅,胡運發(fā),等.動態(tài)調(diào)整的Web文檔增量聚類算法[J].計算機(jī)輔助工程,2006,(1):87-90.

[15]LughoferE.Extensionsofvectorquantizationforincrementalclustering[J].PatternRecognition,2008,(3):995-1011.

[16] 吳琪,左萬利.一種基于距離的增量聚類算法[J].湖南工程學(xué)院學(xué)報:自然科學(xué)版,2005,(3):41-44.

[17] 吳友情.一種新的聚類有效性函數(shù)[J].計算機(jī)工程與應(yīng)用,2010,(6):111-117.

[18] 安中華,安瓊.模糊聚類的有效性研究[J].湖北大學(xué)學(xué)報:自然科學(xué)版,2006,(3):222-226.

[19] 韓習(xí)武,趙鐵軍.一種聚類質(zhì)量的評價方法及其應(yīng)用[J].哈爾濱工業(yè)大學(xué)學(xué)報,2009,(11):225-227.

(責(zé)任編校：晴川)

Application Research of Dynamic Incremental Clustering Algorithm for Running Ability Data Mining of Soccer Training

YIN Qian1, ZHANG Cui2

(1.Anhui Sports Vocational and Technical College, Hefei Anhui 230051, China; 2.College of Economic Technology， Anhui Agricultural University, Hefei Anhui 230011, China)

This paper adopted clustering algorithm to conduct running ability mining of soccer training players. The main contributions included: according to the dynamic increase characteristics of the actual running data, the incremental clustering algorithm was proposed to be applied in running ability data mining; processed the clustering data sources and data types; implemented and tested the proposed algorithm. The experimental results show that the mining of running ability data when training based on incremental clustering accords with the basic characteristics of soccer training. The method has the virtue of high intelligence and accuracy, and has good application value.

dynamic dataset; incremental clustering; running acceleration

2016-11-29

安徽省高校人文社科重點項目(批準(zhǔn)號：SK2015A659).

尹倩(1984— )，女，安徽淮北人，安徽體育運動職業(yè)技術(shù)學(xué)院講師，碩士.研究方向：人工智能、數(shù)據(jù)挖掘；張翠(1988— )，女，山東新泰人，安徽農(nóng)業(yè)大學(xué)經(jīng)濟(jì)技術(shù)學(xué)院助教.研究方向：計算機(jī)、自動化.

TP391.1

A

1008-4681(2017)02-0054-04