馬 東

(山西體育職業(yè)學(xué)院)

0 引言

運(yùn)動(dòng)是改善人體心腦血管健康、提高肌肉強(qiáng)度、實(shí)現(xiàn)心理健康的主要方式，但在運(yùn)動(dòng)過程中，不正確的發(fā)力方式所導(dǎo)致的運(yùn)動(dòng)損傷是非常普遍的.大部分運(yùn)動(dòng)損傷都是由于組織上存在過度負(fù)荷，進(jìn)而引起的骨骼、關(guān)節(jié)和肌肉消耗，運(yùn)動(dòng)損傷的累積會(huì)導(dǎo)致明顯的傷病情況.該文將采用機(jī)器學(xué)習(xí)中的DWT和隨機(jī)森林算法，并結(jié)合可穿戴監(jiān)測(cè)設(shè)備，構(gòu)建精準(zhǔn)度高、整體成本低的運(yùn)動(dòng)員損傷可能性監(jiān)測(cè)系統(tǒng).

1 相關(guān)理論

1.1 自動(dòng)分類方法

自動(dòng)分類方法是實(shí)現(xiàn)運(yùn)動(dòng)損傷可能性監(jiān)測(cè)的重要手段，運(yùn)動(dòng)員在佩戴可穿戴智能設(shè)備之后，日?；顒?dòng)和訓(xùn)練過程的相關(guān)運(yùn)動(dòng)數(shù)據(jù)都會(huì)被上傳至U盤或云端，一旦運(yùn)動(dòng)員發(fā)生了運(yùn)動(dòng)損傷，體育健康調(diào)查人員就可以迅速從數(shù)據(jù)庫中追溯相關(guān)活動(dòng)數(shù)據(jù)，進(jìn)而將相關(guān)活動(dòng)與運(yùn)動(dòng)損傷的可能性相關(guān)聯(lián)，最終從大量運(yùn)動(dòng)員的個(gè)人數(shù)據(jù)庫中，提取和運(yùn)動(dòng)損傷相關(guān)的內(nèi)容，進(jìn)而構(gòu)建一個(gè)大型的運(yùn)動(dòng)損傷監(jiān)測(cè)數(shù)據(jù)庫，并在未來的運(yùn)動(dòng)損傷預(yù)防中起到作用.

1.2 離散小波變換

離散小波變換(Discrete Wavelet Transformation，下文簡(jiǎn)寫為DWT)是對(duì)基本小波的尺度參數(shù)和位移參數(shù)進(jìn)行離散化，在當(dāng)前的運(yùn)動(dòng)損傷數(shù)據(jù)庫建設(shè)過程中，運(yùn)動(dòng)員智能穿戴設(shè)備中的加速度計(jì)所提供的數(shù)據(jù)均是包含X、Y、Z三個(gè)方向的三維數(shù)據(jù).而計(jì)算機(jī)是以二進(jìn)制離散方式處理數(shù)據(jù)的，因此無法對(duì)三維數(shù)據(jù)進(jìn)行特征歸納，為了解決這一問題，就需要將連續(xù)小波及其小波變換離散化.

DWT方法就是對(duì)加速度數(shù)據(jù)進(jìn)行特征提取，將運(yùn)動(dòng)員的三維加速度分解為X、Y、Z三軸矢量小波，然后通過各個(gè)小波的平移和縮放，將三維加速度轉(zhuǎn)換為二進(jìn)制的離散小波.假設(shè)運(yùn)動(dòng)員在一段時(shí)間內(nèi)實(shí)現(xiàn)了E1的總能量釋放，總能量可以分解為i個(gè)級(jí)別的小波，則有：

(1)

(2)

(3)

1.3 隨機(jī)森林算法

在DWT方法將運(yùn)動(dòng)員的三維加速度數(shù)據(jù)轉(zhuǎn)換成離散二進(jìn)制數(shù)據(jù)的基礎(chǔ)上，需要采用機(jī)器學(xué)習(xí)中的分類器對(duì)運(yùn)動(dòng)員活動(dòng)進(jìn)行自動(dòng)分類，而找到更準(zhǔn)確、高效的分類器，就能夠增強(qiáng)損傷可能性監(jiān)測(cè)系統(tǒng)的成功率.

從現(xiàn)有的研究來看，最鄰近算法(k-NN)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF Network)、樸素貝葉斯分類器(Na?ve Bayes)和隨機(jī)森林算法是最常用的四類分類器.具體而言，k-NN的核心思想是每個(gè)樣本都可以由最接近的k個(gè)鄰近值表示，這一方法的操作過程比較簡(jiǎn)單，但在樣本不平衡時(shí)表現(xiàn)較差；RBF Network則通過前饋式逼近實(shí)現(xiàn)對(duì)樣本的預(yù)測(cè)，具有規(guī)劃效率高的特點(diǎn)，但結(jié)構(gòu)相對(duì)簡(jiǎn)單；樸素貝葉斯分類器基于貝葉斯理論進(jìn)行先驗(yàn)估計(jì)，在多個(gè)分類器中具有較低的誤差率，但由于獨(dú)立同分布的條件限制，其應(yīng)用場(chǎng)景相對(duì)狹窄.

相比于以上三種分類器，隨機(jī)森林算法屬于比較新的融合算法，由Breiman所提出.其基本思想源于統(tǒng)計(jì)學(xué)中的自抽樣(Bootstrap)方法，通過對(duì)原始樣本中所抽取的部分樣本進(jìn)行自抽樣，進(jìn)而構(gòu)建決策樹，再將所有決策樹單獨(dú)計(jì)算得到的預(yù)測(cè)平均值作為最終結(jié)果，隨機(jī)森林算法實(shí)質(zhì)上是多個(gè)弱決策器集成的強(qiáng)預(yù)測(cè)器.

設(shè)定θ為隨機(jī)參數(shù)向量，對(duì)應(yīng)的決策樹為T(θ).記B為X的域，即X:Ω→B?RP，其中p∈N指代自變量的維度.決策樹的各個(gè)葉節(jié)點(diǎn)對(duì)應(yīng)B中的一個(gè)矩形空間，記為Rl?B(l=1,2,…,L).對(duì)于參數(shù)x∈B，有且僅有一個(gè)葉節(jié)點(diǎn)l滿足x∈Rl.記決策樹T(θ)的葉節(jié)點(diǎn)為l(x,θ).基于上述設(shè)定，隨機(jī)森林算法的基本步驟可以簡(jiǎn)要?dú)w納如下：

(1)針對(duì)原始數(shù)據(jù)庫中提取的數(shù)據(jù)進(jìn)行Bootstrap重抽樣，產(chǎn)生k個(gè)訓(xùn)練集：θ1,θ2,…,θk；利用上述訓(xùn)練集形成決策樹{T(x,θ1)},{T(x,θ2)},…,{T(x,θk)}.

(2)假設(shè)存在M個(gè)特征維度，從中抽取m個(gè)特征作為當(dāng)前節(jié)點(diǎn)的分裂特征集合(一般而言，森林生長(zhǎng)過程中，m的數(shù)量不變)；假設(shè)每個(gè)決策樹均能得到最大限度的生長(zhǎng)，且不存在剪枝情況(即各個(gè)決策樹就能實(shí)現(xiàn)最大化預(yù)測(cè)).

(3)假設(shè)決策樹T(θ)中存在觀測(cè)值Xi屬于葉節(jié)點(diǎn)l(x,θ)且不為0，則可以定義分配權(quán)重：

(4)

式(5)中權(quán)重之和為1.

(4)對(duì)單顆決策樹的預(yù)測(cè)值而言，是由各個(gè)因變量的觀測(cè)值Yi(i=1,2,…,n)加權(quán)平均所得，其預(yù)測(cè)值公式如下：

(5)

(5)通過公式(5)中各個(gè)決策樹的預(yù)測(cè)值，結(jié)合公式(4)的權(quán)重，就可以得到每個(gè)觀測(cè)值Yi的權(quán)重：

(6)

則隨機(jī)森林算法的預(yù)測(cè)值可以記為：

(7)

2 損傷可能性監(jiān)測(cè)系統(tǒng)框架

2.1 框架結(jié)構(gòu)

運(yùn)動(dòng)損傷監(jiān)測(cè)是一個(gè)系統(tǒng)且復(fù)雜的過程，在數(shù)據(jù)處理方案基本明確的基礎(chǔ)上，該文的研究主要考察慢跑運(yùn)動(dòng)員下半身(小腿、大腿、臀部)的運(yùn)動(dòng)損傷可能性，并針對(duì)膝關(guān)節(jié)和髖關(guān)節(jié)的運(yùn)動(dòng)損傷監(jiān)測(cè)和防范提出建議，以此證明DWT和隨機(jī)森林算法能否用于設(shè)計(jì)運(yùn)動(dòng)員損傷監(jiān)測(cè)系統(tǒng).系統(tǒng)框架如圖1所示.

圖1 運(yùn)動(dòng)損傷分析框架

由圖1可見，運(yùn)動(dòng)損傷分析框架由三個(gè)核心部分組成：

(1)數(shù)據(jù)處理過程.針對(duì)可穿戴智能設(shè)備所反饋的運(yùn)動(dòng)加速度三維數(shù)據(jù)，采用DWT方法進(jìn)行特征提取，將相關(guān)數(shù)據(jù)轉(zhuǎn)化成計(jì)算機(jī)能夠處理的二進(jìn)制離散數(shù)據(jù).再通過隨機(jī)森林算法作為分類器，實(shí)現(xiàn)對(duì)運(yùn)動(dòng)損傷情況的有效分類，將相關(guān)數(shù)據(jù)送入運(yùn)動(dòng)損傷監(jiān)測(cè)數(shù)據(jù)庫，作為訓(xùn)練所得可能造成運(yùn)動(dòng)損傷的運(yùn)動(dòng)位移曲線.

(2)力學(xué)分析過程.由于研究主要考察慢跑運(yùn)動(dòng)員下半身的三個(gè)核心部位及膝關(guān)節(jié)和髖關(guān)節(jié)的運(yùn)動(dòng)損傷情況，因此需要在可穿戴智能設(shè)備中，分別在小腿、大腿和臀部安設(shè)三軸陀螺儀，以記錄三維加速度數(shù)據(jù).利用慢跑姿態(tài)的力學(xué)模擬和加速度分析，得到膝關(guān)節(jié)和髖關(guān)節(jié)的屈伸/伸展角度，進(jìn)而將膝關(guān)節(jié)方向和髖關(guān)節(jié)方向錄入運(yùn)動(dòng)損傷監(jiān)測(cè)數(shù)據(jù)庫，與訓(xùn)練集自動(dòng)分類的可能性運(yùn)動(dòng)位移曲線對(duì)比，針對(duì)兩者的相似性提出損傷預(yù)防建議.

(3)運(yùn)動(dòng)損傷監(jiān)測(cè)數(shù)據(jù)庫.該數(shù)據(jù)庫由訓(xùn)練集和實(shí)際監(jiān)測(cè)數(shù)據(jù)構(gòu)成，數(shù)據(jù)庫中存在由體育與健康專家針對(duì)各類可能性運(yùn)動(dòng)位移曲線提供的損傷預(yù)防建議，由于機(jī)器學(xué)習(xí)是一個(gè)長(zhǎng)期過程，隨著運(yùn)動(dòng)損傷監(jiān)測(cè)數(shù)據(jù)不斷輸入數(shù)據(jù)庫，數(shù)據(jù)庫中的樣本數(shù)量將不斷提升，進(jìn)而實(shí)現(xiàn)更為有效的運(yùn)動(dòng)監(jiān)控.

2.2 可穿戴監(jiān)測(cè)設(shè)備

基于圖1的運(yùn)動(dòng)損傷分析框架，需要針對(duì)性的設(shè)計(jì)慢跑運(yùn)動(dòng)員的可穿戴監(jiān)測(cè)設(shè)備.研究借鑒王沛(2019)研究中所采用的WIMU(Wearable Inertial Measurement Units，可穿戴式慣性測(cè)量設(shè)備)，分別在運(yùn)動(dòng)員的左右腿設(shè)置3個(gè)陀螺儀(總計(jì)6個(gè))，陀螺儀放置于運(yùn)動(dòng)員小腿、大腿和臀部上.

與圖1的實(shí)驗(yàn)框架一致，研究主要考察膝關(guān)節(jié)和髖關(guān)節(jié)的運(yùn)動(dòng)損傷可能性，這是由于肌肉拉傷、勞損等問題可以通過修養(yǎng)得到緩解，但關(guān)節(jié)損傷能夠造成慢跑運(yùn)動(dòng)員運(yùn)動(dòng)能力的永久下降.此外，在運(yùn)動(dòng)過程中運(yùn)動(dòng)損傷主要源于足部與地面接觸形成的沖擊，當(dāng)沖量沿小腿向上移動(dòng)時(shí)，肌肉能夠通過收縮有效化解沖擊對(duì)肌肉產(chǎn)生的能量，軟組織的形變不僅會(huì)導(dǎo)致陀螺儀測(cè)量不準(zhǔn)確，也會(huì)對(duì)關(guān)節(jié)的角度估計(jì)產(chǎn)生負(fù)面影響.

2.3 運(yùn)動(dòng)損傷的力學(xué)分析

進(jìn)一步對(duì)運(yùn)動(dòng)損傷的力學(xué)反饋進(jìn)行分析.研究主要考察的是短跑項(xiàng)目的運(yùn)動(dòng)損傷情況.之所以選擇短跑項(xiàng)目，是因?yàn)樵擁?xiàng)目包含了可以構(gòu)成大多數(shù)運(yùn)動(dòng)項(xiàng)目的基本動(dòng)作，以及基本動(dòng)作產(chǎn)生的動(dòng)能沖擊.一是足部與地面接觸所產(chǎn)生的動(dòng)能沖擊；二是關(guān)節(jié)發(fā)力階段，肌肉的發(fā)力會(huì)導(dǎo)致兩個(gè)相反的力量傳達(dá)到關(guān)節(jié)的上下端，發(fā)力方式的不正確，就會(huì)導(dǎo)致可能的運(yùn)動(dòng)損傷；三是腿部擺動(dòng)階段，腿部的擺動(dòng)會(huì)導(dǎo)致軟組織之間的摩擦，進(jìn)而造成關(guān)節(jié)的消耗，產(chǎn)生潛在的運(yùn)動(dòng)損傷.

根據(jù)上述過程，可以通過隨機(jī)森林算法對(duì)三個(gè)動(dòng)作進(jìn)行分類提取：

(1)通過膝關(guān)節(jié)角度和脛骨加速度水平識(shí)別腳與地面的接觸周期(即腳部完全著地到下一次腳部完全著地)，腳部完全著地時(shí)，腿部整體會(huì)出于短暫的收力狀態(tài)，三個(gè)陀螺儀加速度會(huì)提現(xiàn)為局部循環(huán)加速度達(dá)到最大時(shí)的突然下降.

(2)提取膝關(guān)節(jié)和髖關(guān)節(jié)角度.將當(dāng)前的運(yùn)動(dòng)位移曲線進(jìn)行分離，比對(duì)訓(xùn)練集中類似的曲線模式.由于不同運(yùn)動(dòng)員的運(yùn)動(dòng)速率不同，因此曲線的周期(時(shí)間特征)并不一致，運(yùn)動(dòng)員在起步階段周期相對(duì)較長(zhǎng)，而在沖刺階段周期相對(duì)較短，同時(shí)各個(gè)循環(huán)的力量最大值和最小值也不一致，為了保留位移曲線的所有信息，需要采取規(guī)范化曲線進(jìn)行數(shù)據(jù)讀取.這里采用相移配準(zhǔn)方法：

(8)

(9)

公式(8)和公式(9)中可以看到，這里采用了周期性性質(zhì)，并將最小正周期定義為δi，那么考察慢跑中的動(dòng)作分類，就需要找到使得平均標(biāo)準(zhǔn)誤差(SSE)最小的δi，這里的SSE是根據(jù)運(yùn)動(dòng)時(shí)間內(nèi)的總平均值μ(t)得到的，也就是說，δi可以通過訓(xùn)練集數(shù)據(jù)先驗(yàn)性的得出.

(3)根據(jù)最優(yōu)的δi讀入上述運(yùn)動(dòng)位移曲線，當(dāng)所有波形被讀入之后，采用自抽樣方法重復(fù)n次，直至波形不發(fā)生顯著改變，即：

SSEn-1≤SSEn≈SSEn+1

(10)

此時(shí)，就得到了該運(yùn)動(dòng)員的活動(dòng)分類情況，并可以通過特征值來檢查相關(guān)運(yùn)動(dòng)位移曲線是否具備運(yùn)動(dòng)損傷傾向.

3 實(shí)驗(yàn)及結(jié)果分析

3.1 實(shí)驗(yàn)對(duì)象

招募了16名健康慢跑運(yùn)動(dòng)員和4名存在膝關(guān)節(jié)歷史的慢跑運(yùn)動(dòng)員(實(shí)驗(yàn)間可開展低強(qiáng)度運(yùn)動(dòng))進(jìn)行實(shí)驗(yàn).受試者在研究人員幫助下合理佩戴陀螺儀，并在400 m環(huán)形跑道進(jìn)行低強(qiáng)度運(yùn)動(dòng)，通過對(duì)不同類別(健康、易損傷)的慢跑運(yùn)動(dòng)員的動(dòng)作進(jìn)行訓(xùn)練.由8名健康運(yùn)動(dòng)員和2名存在運(yùn)動(dòng)損傷歷史的運(yùn)動(dòng)員構(gòu)建基礎(chǔ)訓(xùn)練集，另外10名運(yùn)動(dòng)員(8健康+2損傷)作為測(cè)試集合.研究主要考察了原地踏步走、步行、慢跑、沖刺跑、跳繩、立定跳遠(yuǎn)六個(gè)動(dòng)作的相關(guān)數(shù)據(jù).每個(gè)動(dòng)作持續(xù)約1 min，整個(gè)訓(xùn)練過程持續(xù)約10 min.訓(xùn)練過程中相關(guān)數(shù)據(jù)均被有效記錄至儲(chǔ)存卡上，后續(xù)處理過程中，由R軟件自動(dòng)執(zhí)行峰值對(duì)齊和曲線錄入，研究人員并沒有實(shí)施數(shù)據(jù)干涉.

3.2 分類評(píng)估

在Python軟件環(huán)境中，采用DWT和隨機(jī)森林算法，對(duì)上述數(shù)據(jù)進(jìn)行有效分類，誤差矩陣見表1.

表1 隨機(jī)森林算法的誤差矩陣

基于表1的誤差矩陣，進(jìn)一步考察訓(xùn)練集中隨機(jī)森林算法分類器精度、召回率和F值水平，結(jié)果見表2.

表2 分類器精度、召回率和F值

根據(jù)表2可見，采用隨機(jī)森林算法作為分類器，訓(xùn)練集的F值均大于0.90，從大小排序來看，原地踏步走、步行和慢跑的F值大于0.98，說明三者的測(cè)試精度最高；沖刺跑和跳繩均大于0.97，測(cè)試精度稍低，但仍處于較高水平；立定跳遠(yuǎn)的F值為0.946，精度最低，這可能是因?yàn)橥勇輧x在大幅度改變方向過程中，受到外界影響較大，因此測(cè)量精度有所下降.

基于上述訓(xùn)練集的基礎(chǔ)數(shù)據(jù)庫，再次錄入10名運(yùn)動(dòng)員的相關(guān)數(shù)據(jù)，測(cè)試結(jié)果如表3所示.

表3 測(cè)試集判定情況

由表3可見，基于訓(xùn)練集的分類標(biāo)準(zhǔn)，測(cè)試集的10位運(yùn)動(dòng)員判定結(jié)果均正確，由此可見研究所構(gòu)造的基于DWT和隨機(jī)森林算法的運(yùn)動(dòng)員損傷可能性監(jiān)測(cè)系統(tǒng)具備較高的精準(zhǔn)度.

3.3 對(duì)比測(cè)試

為了說明DWT和隨機(jī)森林算法(RF)所構(gòu)造的監(jiān)測(cè)系統(tǒng)的表現(xiàn)，研究納入徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF Network)和樸素貝葉斯分類器(Naive Bayes)進(jìn)行對(duì)比分析.首先考察三類分類器進(jìn)行訓(xùn)練和損傷監(jiān)測(cè)所需時(shí)間，結(jié)果見表4.

表4 三類分類器測(cè)試與訓(xùn)練時(shí)間

由表4可見，通過三類分類器的比較可以看出，隨機(jī)森林算法的訓(xùn)練時(shí)間較短，訓(xùn)練完成后測(cè)試時(shí)間接近0s，整體運(yùn)行效率最高.徑向基函數(shù)采用前饋式逼近方案，訓(xùn)練和測(cè)試時(shí)間比較接近，在小范圍測(cè)試中用時(shí)較短，但在樣本進(jìn)一步擴(kuò)大的情況下整體效率不容樂觀.樸素貝葉斯分類器訓(xùn)練時(shí)間超過5 min，這是由于樸素貝葉斯分類器需要測(cè)得先驗(yàn)系數(shù)和權(quán)值，整體計(jì)算過程較為復(fù)雜，但測(cè)試過程中就能夠?qū)崿F(xiàn)較快的處理.總的來看，由于該研究納入了DWT方法，有效提升了測(cè)試效率，使得三維特征值實(shí)現(xiàn)了降維，極大地提升了訓(xùn)練效率.其次，隨機(jī)森林算法兼顧兩個(gè)階段的運(yùn)算速度，應(yīng)用前景更開闊.

4 結(jié)論

該文構(gòu)建了一種基于DWT和隨機(jī)森林算法的運(yùn)動(dòng)員損傷可能性監(jiān)測(cè)系統(tǒng)，該系統(tǒng)能夠利用DWT算法實(shí)現(xiàn)對(duì)三維加速度矢量數(shù)據(jù)的離散化，進(jìn)而通過隨機(jī)森林算法對(duì)運(yùn)動(dòng)損傷的移動(dòng)位移曲線進(jìn)行繪制.其次，系統(tǒng)采用了智能穿戴設(shè)備，通過3個(gè)陀螺儀測(cè)量單腿應(yīng)力水平，提取小腿、大腿和臀部的相關(guān)加速度數(shù)據(jù)，計(jì)算膝關(guān)節(jié)和髖關(guān)節(jié)的應(yīng)力情況，進(jìn)而繪制成移動(dòng)位移曲線，進(jìn)而通過分類器與運(yùn)動(dòng)損傷數(shù)據(jù)庫進(jìn)行對(duì)比，考察運(yùn)動(dòng)員的損傷可能性.研究所提出的系統(tǒng)框架對(duì)于運(yùn)動(dòng)員的損傷傾向監(jiān)測(cè)有著重要意義：(1)能夠有效識(shí)別運(yùn)動(dòng)員的運(yùn)動(dòng)損傷傾向；(2)通過運(yùn)動(dòng)員損傷可能性位移曲線針對(duì)性地提出防范建議；(3)系統(tǒng)整體成本較低，測(cè)試精度較高，易于大范圍推廣.