路來冰 王艷 馬憶萌 許金富

摘? ? 要：以Web of Science數(shù)據(jù)庫1994年以來“體育” “鍛煉” “運動”“機器學習” “深度學習” “計算機視覺”等關(guān)鍵詞為主題的926篇文獻為數(shù)據(jù)來源，利用“Cite Space V”軟件進行可視化處理和分析，以知識圖譜的方式梳理近25年的體育人工智能研究，探討體育人工智能研究的進展和發(fā)展方向。認為：1）體育人工智能研究地區(qū)分布較廣，美國處于世界領(lǐng)先水平，中國的研究質(zhì)量有待提高。2）體育人工智能研究的高產(chǎn)作者與團隊集中在美國高校，以開發(fā)與完善針對不同人群的，基于機器學習與深度學習技術(shù)的智能穿戴設備為主要研究方向。3）體育人工智能研究涉及到多個學科，主要運用和借鑒工程學、計算機科學和體育科學的研究方法和理論。4）體育人工智能研究的熱點分為三大聚類群，具體是體質(zhì)健康促進、運動損傷防控和運動能力提升。研究載體主要以基于IMU的智能穿戴設備和基于GPU的計算機視覺分析為主。研究算法從機器學習算法逐漸轉(zhuǎn)向深度學習算法。

關(guān)鍵詞：人工智能;體育;機器學習;計算機視覺;深度學習

中圖分類號：G 80-3? ? ? ? ? 學科代碼：040303? ? ? ? ? ?文獻標識碼：A

Abstract： With the data source of 926 articles themed with keywords such as “physical education”， “exercise”， “sport”， “machine learning”， “deep learning” and“computer vision” in the Web of Science database since 1994， through visual processing and analysis with Cite Space V software， this paper analyzes the researches on the application of artificial intelligence technology in sports field in the past 25 years by means of knowledge graph ， and discusses the progress and development direction of sports artificial intelligence research. The conclusions are as follow： 1） Sports artificial intelligence research areas are widely distributed， with the United States in the worlds leading level， and Chinas research quality in need of improvement. 2） The prolific authors and teams of sports artificial intelligence research are mainly from universities in the US， with the development and improvement of intelligent wearable devices based on machine learning and deep learning technologies for different populations as their main research direction. 3） The research of sports artificial intelligence involves many disciplines， mainly using and drawing lessons from the research methods and theoretical perspectives of engineering， computer science and sports science. 4） The research hotspots of sports artificial intelligence are divided into three clustering groups， including “physical health promotion”， “prevention and control of sports injuries” and “improvement of sports ability”. The research carriers are IMU-based smart wearable devices and GPU-based computer vision analysis. The research algorithm gradually transforms from machine learning algorithm to deep learning algorithm.

Keywords：artificial intelligence; sports; machine learning; computer vision; deep learning

人工智能（Artificial Intelligence，簡稱“AI”）是研究如何讓機器做人類需要智能才能完成的事的一門學科[1]。人工智能經(jīng)歷了早期的博弈、專家系統(tǒng)等算法模型，已發(fā)展到了如今以機器學習與深度學習為主要的研究方向。現(xiàn)代人工智能技術(shù)的近期目標在于研究用機器來模仿和執(zhí)行人腦的某些智力功能，而遠期目標是用自動機模仿人類的思維活動和智力功能[2]。從2011年開始，人工智能技術(shù)進入到了迅猛發(fā)展期，當代人工智能的本質(zhì)是讓機器從數(shù)據(jù)中學習知識，而不是再對人類知識的復制，這一方法稱為“機器學習”[3]，這是讓計算機擁有自主學習的能力，而無須對其進行事無巨細的編程的方法[4]。其算法包括人工神經(jīng)網(wǎng)絡（ANN）、決策樹、支持向量機（SVM）、K 近鄰算法等。而深度學習則是機器學習的頂尖技術(shù)，也是其重要分支，正在成為當前人工智能各領(lǐng)域研究的最重要范式，也是當前人工智能產(chǎn)業(yè)化的主要驅(qū)動力量[5]。人工智能與體育的結(jié)合可以追溯到1959年，Newell、Simon與Shawn首次開發(fā)出了國際象棋博弈程序。到20世紀70年代，該程序已經(jīng)達到了專家級別（人類棋手水平的前1%）。從1997年，“深藍”（Deep Blue）的后繼者“Deeper Blue”擊敗了國際象棋特級大師G.Kasparov，到2016年阿爾法圍棋（AlphaGo）的無人能敵，機器學習的強大能力越來越受到世人矚目。近年來，在大眾健身、競技體育等體育領(lǐng)域，人工智能技術(shù)起到了越來越重要的輔助作用。譬如基于計算機視覺技術(shù)的單一目標跟蹤分析[6-9]和集體運動項目技戰(zhàn)術(shù)分析預測系統(tǒng)[10-12]、技術(shù)動作學習與評測[13-16]和基于機器學習與深度學習的智能訓練反饋系統(tǒng)[17-20]、運動營養(yǎng)配比分析[21-22]和身體疾病識別分析[23-24]、體育賽事成績預測系統(tǒng)[25]、高效運動智能穿戴設備[26-27]等方面。

我國人工智能起步較晚，與美國等發(fā)達國家相比還有一定差距。我國的體育人工智能研究，主要學科集中在計算機科學，偏好基礎(chǔ)理論的算法實證研究，主要涉及運用以神經(jīng)網(wǎng)絡為主的機器學習相關(guān)算法，涉及體育成績預測[28-31]、人體動作識別與評價[32-37]、技戰(zhàn)術(shù)決策支持[38-39]、運動損傷評估[40-41]等。在人工智能技術(shù)逐步由機器學習轉(zhuǎn)向深度學習的趨勢下，相比較國外體育人工智能研究，國內(nèi)的研究面臨著兩大問題：1）基礎(chǔ)算法研究過多，與具體體育項目結(jié)合的應用研究較少。2）在應用研究中主要以機器學習中的簡單算法為主要工具，而更為精確的深度學習算法的實踐研究不夠深入。此外，由于人工智能定義涵蓋面較廣，對于什么技術(shù)屬于人工智能，例如：VR（虛擬現(xiàn)實技術(shù)）歸屬的爭論，國內(nèi)的相關(guān)文獻的定義也不盡一致。因此，厘清與掌握國際學界對于體育人工智能的研究范圍和研究前沿，明晰人工智能在體育中應用的研究熱點以及演進趨勢，可以進一步豐富國內(nèi)學者對人工智能技術(shù)的應用視野，借鑒國外高水平研究方法，發(fā)展適應我國體育發(fā)展現(xiàn)狀的人工智能技術(shù)，使科技助力我國體育發(fā)展，早日實現(xiàn)我國由體育大國邁進體育強國的目標。

在研究方法選擇中，若采用傳統(tǒng)的閱讀方式，過多的注重局部細節(jié)，工作量極大，還很可能會舍本逐末，以至于忽視全局的結(jié)構(gòu)和動態(tài)?！癈ite Space”通過計算機算法和交互式可視化將人們從一些費時的事情中解脫出來，可以把精力集中在更重要的分析問題、抽象與創(chuàng)造性思維上。此軟件近十余年被各學科學者廣泛采用，是目前最具影響力的可視化信息軟件。本文采用“ Cite Space V”（5.6.R4.64-bit）可視化軟件，以 Web of Science 數(shù)據(jù)庫中收錄的體育人工智能相關(guān)文獻為研究對象，通過分析并繪制知識圖譜，解讀國外體育人工智能的應用研究發(fā)展脈絡，為我國體育人工智能的應用研究提供參考。

1? ?研究方法：文獻計量法

1.1? 文獻來源

本研究以Web of Science數(shù)據(jù)庫的SCIE、SSCI和A﹠HCI為文獻來源數(shù)據(jù)庫進行檢索。為全面概括人工智能在體育運動領(lǐng)域的研究狀況，選擇“Sports”“Exercise”與 “Physical activity”作為“體育與運動”的釋義。人工智能的應用覆蓋面較廣，因此，單以“Artificial Intelligence”作為人工智能代表性檢索詞，無法全面反映體育領(lǐng)域的研究現(xiàn)狀。2019年11月，由清華大學與中國工程院聯(lián)合發(fā)布的《2019人工智能發(fā)展報告》遴選了13個人工智能重點應用領(lǐng)域，通過對報告的分析及前期的研究，篩選出了其中與體育運動結(jié)合較為緊密的機器學習、深度學習與計算機視覺領(lǐng)域進行重點分析，因此，增加“Machine Learning”“Deep Learning” 與“Computer Vision”作為共同主題檢索詞，高級檢索式如表1，文獻格式為Article，檢索范圍為所有年份，檢索時間為2020年4月1日，共檢索到初始文獻1 170篇。通過“Endnote”軟件去除重復文獻，并剔除與主題不符的涉及基礎(chǔ)醫(yī)學、植物學、水利學、氣象學等相關(guān)文獻，最終得到926篇文獻作為本研究基礎(chǔ)。

1.2? 分析工具

本研究的分析工具采用美國德雷塞爾大學陳超美博士研發(fā)的“Cite Space Ⅴ”軟件（版本號為CiteSpace Ⅴ 5.6.R4.64-bit）?！癈ite Space Ⅴ”軟件是一種多元、分時、動態(tài)的應用程序和可視化軟件。該軟件在繪制各個科學領(lǐng)域的科學知識圖譜、分析不同特征和類型的引文網(wǎng)絡及識別和呈現(xiàn)科學發(fā)展新趨勢與新動態(tài)等方面具有較強的技術(shù)和功能優(yōu)勢[42]。其可將龐大的數(shù)據(jù)繪制為圖形或圖像直觀地呈現(xiàn)出來，進而可以了解研究對象的多個屬性，使研究者能夠在大量的數(shù)據(jù)中直接觀察到其隱含的現(xiàn)象，直觀地體現(xiàn)研究的重點，為研究決策提供依據(jù)[43]。

1.3? 研究程序

使用“Cite Space Ⅴ”軟件對體育人工智能相關(guān)研究進行可視化知識圖譜分析，主要包括主題確定、數(shù)據(jù)準備、軟件分析設置和可視化知識圖譜分析4個部分。1）主題確定。本研究參考了國內(nèi)多部著作和學術(shù)論文的翻譯方式，同時咨詢了多位體育科學領(lǐng)域及翻譯領(lǐng)域的專家，結(jié)合本文的研究目的，經(jīng)過多個檢索主題詞和檢索表達式的反復組配檢索之后，以（（“Sport”O(jiān)R“Exercise”O(jiān)R“Physical activity”）AND （“Artificial Intelligence” OR“Machine Learning” OR “Deep Learning” OR “Computer Vision” ））為檢索主題詞。 2）數(shù)據(jù)準備。將通過WOS數(shù)據(jù)庫檢索的1 170條文獻導出到“Endnote”軟件中，剔除重復的與體育學科不相關(guān)的文獻，最終精選出926篇文獻。3）軟件分析設置。在926篇文獻中，最早發(fā)表年份為1994年，因此，在“Cite Space”的時間設置為1994—2020年，時間切片為1年1段。在分析研究國家（地區(qū)）、作者與學科時，閾值項選擇“TopN=50”，且算法不進行裁剪。在分析研究熱點關(guān)鍵詞時，閾值項選擇“TopN%=50%”，算法選擇“關(guān)鍵路徑計算法”，并選取“整體網(wǎng)絡剪枝”裁剪方式。4）可視化知識圖譜分析。得到圖譜后，可看到每個節(jié)點的多方面信息。此外，通過各個年輪的顏色可判斷被引時間分布，聚類之間的知識流向也可從時間上看出。本研究數(shù)據(jù)收集、處理、分析技術(shù)路線見圖1。

2? ?研究結(jié)果分析

2.1? 體育人工智能研究的國家（地區(qū)）分布

通過“Cite space V”析出的共現(xiàn)網(wǎng)絡圖譜（見圖2）可以看出，共有來自46個國家（地區(qū)）的文獻涉及體育人工智能研究，但不同國家（地區(qū)）的發(fā)文量卻差距很大，研究質(zhì)量也參差不齊。其中，圓圈半徑的大小、節(jié)點連接線條的粗細與發(fā)文量和關(guān)聯(lián)緊密程度成正比。同時，圓圈最外層的圓環(huán)寬度越寬，其中心性越大。表2整理了發(fā)文量排在前10位的國家（地區(qū)）及對應的文獻中心性值，從中可以看出美國在體育人工智能領(lǐng)域的研究處于世界領(lǐng)先水平。其中：來自美國紐約州立大學的特聘教授Haralick[44]在1994年回顧了基于專家系統(tǒng)的視頻分析技術(shù)在人體識別領(lǐng)域的應用，并展望了人工智能技術(shù)的應用前景。華盛頓大學的Bobick教授為人體動作識別開辟了更為高效的機器學習算法[45]。除此之外，還有很多美國學者的研究在世界范圍內(nèi)被廣泛采納。其次，西班牙、英國、澳大利亞、加拿大、德國無論是發(fā)文量還是文獻中心性都處于世界前8位的水平。我國雖然發(fā)文量高居第2位，但是文獻中心性僅排在第11位。在高被引論文中，僅有來自南京工業(yè)大學董曉臣教授[26]的團隊上榜，他提出的基于過渡金屬碳化物和碳納米管復合材料的應變傳感器為人體運動中智能可穿戴設備研制開拓了新的方向。

科技助力體育發(fā)展一直是我國體育領(lǐng)域研究的重點，以國際先進科技加快我國人工智能相關(guān)學科的建設，加快技術(shù)轉(zhuǎn)型與硬件設備升級，以科學嚴謹?shù)膽B(tài)度提高研究質(zhì)量。同時，加強與國外學者的學術(shù)交流，重點拓寬具有體育科學背景學者的多學科研究視野，是我國體育人工智能研究發(fā)展的有效途徑。

2.2? 體育人工智能研究作者合作網(wǎng)絡分析

對作者合作情況的分析是深刻把握某一學科研究領(lǐng)域及科研動態(tài)的前提，可以有效地掌握某領(lǐng)域科研的進程，對某研究主題的研究現(xiàn)狀分析和前瞻性研究都有積極的意義[46]。表3中統(tǒng)計出了“Cite Space V”軟件析出的體育人工智能研究發(fā)文量前10位的學者。并列第1位的是美國加州大學圣地亞哥分校公共衛(wèi)生學院的Kerr教授與美國鮑爾州立大學運動科學學院的Montoye教授，發(fā)文量同為9篇。位列第3～5位的學者分別為密歇根州立大學的Pfeiffer教授、加州大學圣地亞哥分校的Godbole教授、德國紐倫堡大學的Eskofier教授，發(fā)文量分別為8篇、6篇、5篇。從表3可以看出，發(fā)文量前10位中有7位是美國學者，并以加州大學圣地亞哥分校為主要研究機構(gòu)，這也從側(cè)面反映出美國在體育人工智能研究方面較領(lǐng)先。

作者合作網(wǎng)絡圖譜如圖3所示。其中，以加州大學圣地亞哥分校Kerr教授與Godbole教授為核心的研究團隊，研究方向為運用基于隨機森林和馬爾可夫模型為主的機器學習算法，應用于人體可穿戴加速度計設備，用以監(jiān)測與評價中老年婦女或肥胖人群的身體活動情況;以鮑爾州立大學Montoye教授為核心的團隊主要采用基于ANN算法的人體加速度計，以健康成年人為研究對象，評估不同身體活動方式的運動強度;中山大學劉曄教授團隊則開創(chuàng)性地將深度學習算法運用到居民體育活動意愿與社區(qū)環(huán)境相關(guān)性的研究中;巴塞羅那理工大學Martin教授團隊的研究集中在運用基于SVM算法的腰部加速度計對運動能力退化人群的康復治療。此外，發(fā)文量較少但也具有團隊研究規(guī)模的還有匹斯堡大學的Connaboy教授團隊，其致力于運用機器學習來預測健康人群的肌肉損傷風險研究。西班牙阿利坎特大學Martin教授團隊聚焦于運用基于計算機視覺技術(shù)的機器人系統(tǒng)來監(jiān)測和優(yōu)化老年人群的認知和身體活動方式?？梢钥闯觯诩铀俣扔嫷闹悄芸纱┐髟O備對人體運動方式的識別與能量消耗評估研究具有明顯的優(yōu)勢，而這需要多學科的協(xié)同融合。

2.3? 體育人工智能研究的學科（專業(yè)）分布

人工智能研究涉及到的學科非常廣泛，例如：工程學、計算機科學、電子學、數(shù)學、醫(yī)學、心理學等。在多學科交叉的背景下對體育人工智能進行綜合研究已經(jīng)成為趨勢，學科共現(xiàn)網(wǎng)絡圖譜見圖4。在合并重復學科聚類后，共有37個相關(guān)學科的專業(yè)涉及體育人工智能研究。表4整理了發(fā)文量排在前10位的學科（專業(yè)）及對應的文獻中心性值?？梢钥闯鲶w育人工智能研究是以工程學為基礎(chǔ)，結(jié)合計算機科學的相關(guān)算法，在體育科學中進行實踐運用。

從圖4和表4可以看出，計算機科學與工程學學科的文獻在發(fā)文數(shù)量與文獻中心性值均排在前兩位。其中，兩學科的發(fā)文量相差不大，但是涉及工程學研究的文獻中心性要遠高于計算機科學。說明體育人工智能研究雖結(jié)合了計算機科學的編程技術(shù)等相關(guān)理論知識，但重點采用工程學中的相關(guān)實踐原理與實現(xiàn)平臺，例如，慣性測量裝置與圖形處理器等。同時與多學科互通互融，以實現(xiàn)對人體運動的識別、監(jiān)測、評判等功能。這點從各學科的代表性高被引文獻也可以看出，在計算機科學的研究文獻中，Bobick等在題為“The recognition of human movement using temporal templates”一文中開發(fā)出了更高效的計算機編程技術(shù)，并提出了一種基于時間模板和靜態(tài)向量圖像的計算機視覺算法，以實現(xiàn)對人體運動的精準識別[47]。在計算機科學的人工智能方向的文獻中，Shepperd等通過比較4種預測算法：回歸、規(guī)則歸納、K近鄰算法和神經(jīng)網(wǎng)絡，提出針對不同大小、特征、數(shù)量、分布類型的人體動作數(shù)據(jù)集要選擇合適算法[48]。在工程學的研究中，Mannini等[49]在題為“Machine Learning Methods for Classifying Human Physical Activity from On-Body Accelerometers”一文中討論了如何使用加速度計來對人類的身體活動進行分類，并著重介紹了相關(guān)算法。Cleland等分析了放置在身體不同位置的加速度計對運動檢測精度的影響，認為SVM算法可實現(xiàn)更為精準的檢測[50]。在體育科學的研究中，Bassett等在“Accelerometer-based Physical Activity： Total Volume per Day and Standardized Measures”一文中綜述了加速計在體力活動中的應用情況，認為機器學習算法的不斷完善可以使人體活動類型識別和能量消耗估算精度更高，并建議在未來的智能設備研發(fā)中可以進一步豐富對體力消耗的評價指標[51]。除此之外，其他相關(guān)學科也進一步豐富了人工智能技術(shù)對不同人群的身體活動能力與生活方式影響的研究。綜上所述，體育人工智能研究與理工類學科密不可分，并在體育學科中有著廣闊的應用前景，更高效的人工智能算法與更高精尖的智能可穿戴設備影響著人工智能在體育領(lǐng)域未來的發(fā)展道路。

2.4? 體育人工智能的應用研究熱點

關(guān)鍵詞是對文獻主題的提煉，其在關(guān)鍵詞聚類后出現(xiàn)的頻次與研究主題的熱度成正比[52]。“Cite Space”軟件可以將關(guān)鍵詞的聚類關(guān)系和頻次高低以可視化的形式直觀地呈現(xiàn)出來，進而析出此領(lǐng)域的研究熱點。運行“Cite Space V”得出體育人工智能研究的關(guān)鍵詞聚類圖譜，聚類標簽和關(guān)鍵詞的標簽位置以最小化重疊顯示（見圖5）?？梢钥闯鰣D5共有341個網(wǎng)絡節(jié)點，703條連線，網(wǎng)絡密度為 0.012 1，圓圈越大代表該節(jié)點的關(guān)鍵詞出現(xiàn)的次數(shù)越多。模塊度Q的值為 0.731 6，大于臨界值 0.3，說明共詞網(wǎng)絡的聚類效果較好;平均輪廓值為 0.734 1，大于臨界值 0.7，表明聚類結(jié)果令人信服。選取發(fā)文量大于20篇的關(guān)鍵詞子聚類群，共有10個，并依據(jù)每個子聚類群的不同研究的應用方向和范圍將其進行二次聚類，以此能反映人工智能在體育領(lǐng)域的3大應用方向，即聚類群Ⅰ：“體質(zhì)健康促進”、聚類群Ⅱ：“運動損傷防控”、聚類群Ⅲ：“運動能力提升”（見表5），同時每個子聚類的單獨輪廓值均大于0.7，說明子聚類結(jié)果令人信服。

2.4.1? 聚類群Ⅰ：體質(zhì)健康促進

此聚類群主要包括：#0“支持向量機”、#1“人工神經(jīng)網(wǎng)絡”、#2“模式識別”、#3“公共衛(wèi)生”、#4“久坐”、#6“肌電圖”。從圖3的作者合作網(wǎng)絡與圖5的關(guān)鍵詞聚類可分析出，基于人工智能技術(shù)的智能可穿戴設備是目前體育人工智能研究的熱點領(lǐng)域之一。在體育領(lǐng)域，智能傳感器比傳統(tǒng)的視頻分析設備功能更強，因為其通常是實時反饋[53]。在對不同人群體質(zhì)健康的研究中，基于機器學習和深度學習算法的智能可穿戴設備，通過對不同體質(zhì)的人群，包括兒童、青少年、成人的肌肉耐力和身體活動狀態(tài)的識別、監(jiān)測與分析，提出適合不同身體狀況個體的鍛煉方式，可以促進健康生活習慣的形成。從聚類群Ⅰ中各子聚類的代表性關(guān)鍵詞可以看出，以SVM與ANN為主要代表算法，通過在手腕或腰部等不同身體部位佩戴智能可穿戴設備，測評肌肉活動情況，進行包括久坐行為的模式識別與檢測，研究青少年、成人的身體活動類型與身體活動強度，這是目前在體質(zhì)健康促進領(lǐng)域人工智能技術(shù)的應用熱點。

慣性測量單元（IMU）是智能可穿戴加速度計的主要技術(shù)載體，通常一個IMU包括3個單軸的加速度計和3個單軸的陀螺，將機器學習算法與IMU載體結(jié)合可以有效地對人體運動模式與強度進行識別，兼顧了測量精度與穿戴便利性。在算法的可靠性方面，SVM和決策樹在運動模式識別與強度預測中獲得了相對最高的精度，而ANN、樸素貝葉斯分類等也產(chǎn)生了令人滿意的結(jié)果[54]。Akay等[55]采用SVM算法，建立了大學生運動員腘繩肌和股四頭肌肌力的預測模型并達到了較高的精準度。Altun等對8名健康成年人在身體不同位置佩戴IMU，證實SVM算法對動作識別的準確率達到98.6%[56]。與此同時，ANN技術(shù)應用于人體活動類型識別，也可以準確區(qū)分人體的日?；顒宇愋秃瓦M行運動能耗監(jiān)測[57]。基于ANN模型的IMU除了可以識別成年人久坐、輕度、中度和高強度的體育活動類型[58]，同樣可用于預測兒童和青少年體力活動類型和能量消耗[59-60]，并且可以通過分析肌電數(shù)據(jù)來預測下肢力量，用以改善人體步態(tài)動作，作為評價運動成績或康復情況的定量指標[61]。對于肥胖人群，基于深度學習算法的IMU也可以檢測熱量消耗，推薦適宜的體育運動以改善體質(zhì)[62]（見圖6）。

有研究認為，長時間的久坐行為增加了老年人的健康風險[64]。還有研究表明，久坐時間占據(jù)老年人日常生活的60%～85%，而且久坐行為隨年齡增長呈上升趨勢[65]。而結(jié)合機器學習與深度學習算法的慣性測量裝置可有效監(jiān)控老年人的行為方式并實施體力活動干預。高產(chǎn)學者Montoye教授團隊建立了基于腕部加速度計監(jiān)測數(shù)據(jù)的ANN模型來精準計算人體活動能量消耗情況，并提出了區(qū)分體力活動和久坐行為的測量方法[66]。Godbole教授團隊通過運用基于IMU技術(shù)但更為便捷的Actigraph三軸加速度計，開發(fā)了針對老年人群步行和久坐行為識別的機器學習算法[67]。與此同時，深度學習算法中的卷積神經(jīng)網(wǎng)絡（CNN）對老年人運動模式識別具有更高的精度[68]。深度學習技術(shù)也可以通過監(jiān)測老年人的身體各項指標，來評估健康狀況以確保老年人獨立生活的安全性[69]。此外，最新的研究將久坐行為的研究對象進一步擴展，例如職場人群、青少年學生等[70]。同時對長時間坐姿與久坐行為模式的劃分更為細化，而未來加速度計與更加先進的人工智能算法的結(jié)合將進一步提高檢測的精度。

久坐行為引起的體力活動不足是心血管疾病和其他慢性疾病的風險因素，例如：肥胖、糖尿病、高血壓、骨質(zhì)疏松、骨關(guān)節(jié)炎、癌癥及抑郁癥等，增加體力活動可以降低以上各種疾病發(fā)生的風險[71]。綜上所述，對于各年齡段的人群，運用機器學習和深度學習算法，并結(jié)合以IMU技術(shù)為核心的智能可穿戴設備能很好地實現(xiàn)對活動方式識別與能量消耗的評估，培養(yǎng)健康的生活方式。相比于傳統(tǒng)的視頻識別，IMU有著更加高效的實時反饋性能。而結(jié)合SVM、ANN、CNN等算法模型，可使智能可穿戴設備具有媲美視頻識別的預測精準度，而完善智能可穿戴設備中人工智能預測模型的泛化性能是未來研究的主要方向[72]。

2.4.2 聚類群Ⅱ：運動損傷防控

此聚類群主要包括：#5“遠距醫(yī)療”、#7“損傷風險”。此聚類包括人工智能技術(shù)對老年人跌倒風險防控的研究，人工智能技術(shù)對健康人群與運動員的訓練負荷監(jiān)控、腦震蕩評定、膝關(guān)節(jié)損傷檢測、心臟缺陷檢測、心理狀態(tài)反饋等方向。

在#5聚類中，探討了人工智能技術(shù)對老年人跌倒風險的檢測與防控研究。老年人跌倒是主要的健康問題之一，嚴重的會導致后遺癥甚至死亡。目前，人體跌倒風險檢測技術(shù)大致可分為3類：人體可穿戴式傳感器監(jiān)測、基于環(huán)境布設傳感器監(jiān)測和基于計算機視覺的監(jiān)測技術(shù)。而機器學習與深度學習技術(shù)也在不斷提升監(jiān)測的精確性，在跌倒風險檢測識別中，SVM算法在8種機器學習算法中精度最高，可達95%[73]。應用于可穿戴式傳感器中，多以多軸加速度計或氣壓傳感器為主要載體，依據(jù)人體各部位的加速度、角速度或重心高低變化來判別跌倒風險[74-76]。在基于環(huán)境布設傳感器的研究中，通過地面振動是檢測跌倒風險的有效手段之一[77]。但由于可穿戴傳感器與環(huán)境布局傳感器具有檢測精度低、攜帶不便、受環(huán)境影響較大的缺點，近年來，基于視覺傳感器的人體跌到風險檢測受到了廣泛關(guān)注。Cucchiara等用事先校準好的攝像機獲得人體姿勢，提高了遮擋情況下進行人體跌倒風險檢測的魯棒性，而運用機器學習中的馬爾科夫模型也可有效降低分類器的誤檢率[78]。此外，將改進的SVM算法運用到基于多個攝像機的人體3D模型構(gòu)建對人體動作的分類也有很好的效果。有研究者提出了一套聲學監(jiān)測系統(tǒng)，運用SVM算法通過區(qū)分各種聲音來進行人體跌倒風險的檢測[79]。

在#7聚類的研究中，Zelic等在1997年就開始了人工智能技術(shù)在運動損傷診斷中的應用研究，提出樸素貝葉斯分類器可作為切合實際的應用方法[80]。隨著研究不斷深化，決策樹分類器成為了目前使用最多的方法。其他方法還包括ANN、SVM等[81]。在實際應用方面主要涉及對運動損傷風險的預測、量化與模擬研究。機器學習技術(shù)可在不同訓練負荷與比賽條件下建立與制定針對職業(yè)運動員尤其是團體性運動項目運動員的腿部拉傷、膝關(guān)節(jié)損傷與心臟缺陷的預測模型和檢測手段[82-85]?？山Y(jié)合IMU技術(shù)量化運動碰撞中的接觸面負荷[86]，監(jiān)測頭部運動荷載[87]，并可結(jié)合聲學反饋功能降低頭部損傷的風險[88]。同時，可精準地量化和預測運動員主觀疲勞感（PRE）與運動負荷之間的關(guān)系，并形成科學運動訓練處方[89]。此外，Pensgaard等采用樸素貝葉斯分類算法還發(fā)現(xiàn)女子足球運動員的負性生活事件壓力感與急性運動損傷風險增加呈正相關(guān)[90]。目前，在足球、籃球、橄欖球、排球項目的運動損傷防控研究中，均有機器學習技術(shù)的運用實例。與此同時，對于普通人群，通過IMU與ANN模型的結(jié)合，也能夠智能監(jiān)測下肢訓練疲勞程度，預防運動損傷[91]。

綜上所述，對于老年人跌倒損傷檢測與風險防控研究多以計算機視覺技術(shù)為主，分析精度與網(wǎng)絡反饋速度的提升預測將是未來的發(fā)展方向。而在健康人群尤其是運動員的運動損傷防控研究中，人工智能技術(shù)未來的一個巨大挑戰(zhàn)是應用相關(guān)智能模型整合所有相關(guān)變量進行運動損傷風險評估和績效預測，開發(fā)更高效、簡便、精準的基于機器學習與深度學習算法的IMU是需要學者共同關(guān)注的話題。

2.4.3 聚類群Ⅲ：運動能力提升

此聚類群包括：#8“表現(xiàn)分析”、#9“圖形處理器”。研究方向包括針對個人運動項目與團隊運動項目基于IMU的、與計算機視覺技術(shù)結(jié)合的體能與技戰(zhàn)術(shù)分析與預測。

人類活動識別（HAR）可以通過機器學習或深度學習模型方法實現(xiàn)。動作檢測的原理是指在連續(xù)的數(shù)據(jù)輸入信號中識別目標實例，例如網(wǎng)球擊球動作[92]。而動作的識別或分類涉及對識別實例的進一步解釋和標記預測，例如：識別網(wǎng)球正、反手擊球動作[93]。

運動表現(xiàn)分析主要涉及IMU對競賽技戰(zhàn)術(shù)的識別與分析。在機器學習算法選擇中，SVM與ANN的精度較高[94]。在競賽實戰(zhàn)應用方面，結(jié)合機器算法的IMU可以收集與分析橄欖球運動員在比賽中的身體數(shù)據(jù)，提出針對每個賽場位置的最佳技戰(zhàn)術(shù)方案[95];可分析板球投球手的助跑距離及速度與投球成功率的關(guān)系，并制定合理比賽方案[96];還可以對高爾夫球揮桿動作進行分析，提高擊球精準度[97]。但近年來，深度學習算法進一步提高了IMU的檢測精度，其特殊的非結(jié)構(gòu)化數(shù)據(jù)模式較機器學習減少了計算時間[98]。其中，CNN因其具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡成為了深度學習算法的代表性算法之一，具有較高的檢測精度[99]。目前已被應用于團體性運動項目與個人運動項目，例如，排球[100]與跳臺滑雪[101]可結(jié)合IMU實現(xiàn)對錯誤技術(shù)動作的識別與分類。而現(xiàn)如今CNN算法與更加便捷的智能傳感器的結(jié)合，將進一步擴大深度學習算法在人體運動能力提升方面的應用范圍[102]。預計未來的算法模型開發(fā)將逐步采用深度學習方法，這是由于其研發(fā)了更好的硬件，以及在大數(shù)據(jù)輸入上具有更有效的模型學習的優(yōu)勢[103]。

在1995年，Lapham和Bartlett將人工智能技術(shù)中早期的專家系統(tǒng)模型應用于計算機對運動成績的分析與預測研究中，并認為ANN將是未來的發(fā)展方向[104]。隨著社會的發(fā)展，印證了兩位學者預言的準確性。#9聚類主要涉及計算機視覺對人體動作識別的研究，使用圖形處理器（GPU）對圖像進行處理。GPU是超大規(guī)模集成電路元件，是計算機系統(tǒng)結(jié)構(gòu)中的重要組成部分，能夠?qū)崿F(xiàn)浮點運算功能。應用方向主要為結(jié)合機器學習與深度學習技術(shù)的體育運動技戰(zhàn)術(shù)分析和成績預測。大多數(shù)基于視覺的研究選擇RGB模式的單攝像機設置。從單個攝像機輸出的數(shù)據(jù)與從多個攝像機輸出的數(shù)據(jù)相比，最大限度地減少了要處理的數(shù)據(jù)量，減少了計算工作量。Stein等[105]提出了一種單攝像機模式下，視頻與解析軌跡可視化相結(jié)合的團隊運動數(shù)據(jù)可視化分析系統(tǒng)，可有效分析足球運動員的賽場數(shù)據(jù)。而通過建立ANN預測模型并結(jié)合單攝像機的視頻跟蹤系統(tǒng)已成功實現(xiàn)了對足球[12]、籃球[11]、板球[13]、手球[106]球員臨場運動表現(xiàn)的分析與團隊技戰(zhàn)術(shù)模式的預測。

近年來，CNN在單幅圖像的二維狀態(tài)處理任務上具有性能優(yōu)勢。Andrej等[107]通過建立基于CNN圖像識別模型對網(wǎng)絡視頻中487類人體動作進行識別，發(fā)現(xiàn)模型具有強大的識別功能和泛化性能。CNN還可以將連續(xù)視頻處理成具有與任意事件對應的峰值信號，可對游泳和網(wǎng)球動作進行高效識別[108]。Krizhevsky教授團隊開發(fā)出了一種規(guī)模更大的深度卷積的神經(jīng)網(wǎng)絡，由5個卷積層組成，可以將ImageNet LSVRC-2010圖像分類比賽中的120萬張高分辨率圖像分為1 000個不同的類別[109]。在此基礎(chǔ)上，有研究者還對CNN進行了模型和數(shù)據(jù)并行化，在4個GPU上實現(xiàn)了加速度的大幅提高，并驗證了8個GPU模型的應用可行性[110]。

綜上所述，IMU和計算機視覺在對人體技術(shù)動作具有很強的識別與分析功能，其中CNN算法在識別與預測精度上要優(yōu)于機器學習算法。在未來針對不同運動項目的動態(tài)特征、設備限制和環(huán)境變化等不確定因素，對于更精準的機器學習與深度學習算法模型的應用將會是一個挑戰(zhàn)。選擇、調(diào)整和擴展與特定的體育運動項目相關(guān)的現(xiàn)有模型，建立更加靈活、高效的分析模型是未來重要的發(fā)展方向。

3 結(jié)論

1）在WOS數(shù)據(jù)庫中，開展體育人工智能研究的國家（地區(qū)）中，美國處于世界領(lǐng)先水平。西班牙、加拿大、澳大利亞、英國的研究也有一定影響力。我國在發(fā)文量中排名第2，但文獻中心性排在第11位，說明我國體育人工智能相關(guān)領(lǐng)域的研究還沒有引起國外同行的充分關(guān)注，研究的質(zhì)與量有待提高。

2）體育人工智能研究的高產(chǎn)作者與團隊集中在美國高校，以開發(fā)針對不同人群的，基于機器學習與深度學習技術(shù)的智能可穿戴設備為主要研究方向。

3）體育人工智能技術(shù)研究主要涉及工程學、計算機科學、體育學等學科的相關(guān)理論與研究方法。概括來講，體育人工智能技術(shù)是從計算機科學中“來”，在工程學中“蛻變”，應用到體育學中。

4）體育人工智能的應用研究熱點分為3大聚類群，即體質(zhì)健康促進研究、運動損傷防控研究、運動能力提升研究。研究載體主要以基于IMU的智能可穿戴設備和基于GPU的計算機視覺分析為主。研究算法從機器學習算法逐漸向深度學習算法轉(zhuǎn)變。

5）體育人工智能的研究體現(xiàn)出從宏觀研究到微觀研究、從原理研究到實證研究、從定量研究到綜合研究的發(fā)展脈絡，且不同階段的研究熱點與側(cè)重點各有不同。體育人工智能研究的未來趨勢依然呈現(xiàn)出一種更加實證化、應用化的策略，通過不斷完善與匹配，找到更加高效與實用的人工智能算法與模型，深入開發(fā)更加輕便與智能化的可穿戴設備與提高視覺分析系統(tǒng)的分析學習功能是未來研究的重要方向。

參考文獻：

[1]? LUCCI S， KOPEE D. 人工智能[M]. 林賜，譯. 北京：人民郵電出版社，2018：23.

[2]? 蔡自興. 中國人工智能40年[J]. 科技導報， 2016，34（15）：12.

[3]? 王東，利節(jié)，許莎. 人工智能[M]. 北京：清華大學出版社，2019：105.

[4]? SAMUEL A L. Some studies in machine learning using the game of checkers[J]. IBM Journal of Research and Development，1959，3（3）：210.

[5]? 李修全. 當前人工智能技術(shù)創(chuàng)新特征和演進趨勢[J]. 智能系統(tǒng)學報，2020，15（2）：409.

[6]? PERS J， BON M， Kovai?S， et al. Observation and analysis of large-scale human motion[J]. Human Movement? Science， 2002， 21（2）：295.

[7]? BARROS R M L， MENEZES R P， RUSSOMANNO T G， et al.Measuring handball players trajectories using an automatically trained boosting algorithm[J]. Computer Methods in Biomechanics and Biomedical Engineering， 2011， 14（1）：53.

[8]? LIU W， LIU J Y， GU X Y， et al. Deep learning based intelligent basketball arena with energy image[J]. Lecture Notes in Computer Science， 2017（10132）：601.

[9]? YUAN M. An analysis model of sports human body based on computer vision tracking technology[J]. National Technology and Management， 2017（4）：71.

[10]? HASSAN A， SCHRAPF N， TILP M. The prediction of action positions in team handball by non-linear hybrid neural networks[J]. International Journal of Performance Analysis in Sport，2017， 17（3）：293.

[11]? KEMPE M， GRUNZ A， MEMMENT D. Detecting tactical patterns in basketball： comparison of merge self-organising maps and dynamic controlled neural networks[J]. Eur J Sport Sci，2015，15（4）：249.

[12]? GRUNZ A， MEMMENT D， PERL J. Tactical pattern recognition in soccer games by means of special self-organizing maps[J]. Human Movement Science， 2012， 31（2）：334.

[13]? IYER S R， SHARDA R.Prediction of athletes performance using neural networks： An application in cricket team selection[J]. Expert Systems with Applications， 2009， 36（3）：5510.

[14]? EMMEN H H， WESSELING L G， BOOTSMA R J， et al. The effect of video-modelling and video-feedback on the learning of the tennis service by novices[J]. Journal of Sports Sciences，1985， 3（2）：127.

[15]? SANTOS O C. Training the body：the potential of AIED to support personalized motor skills learning[J]. International Journal of Artificial Intelligence in Education， 2016， 26（2）：730.

[16]? WHITESIDE D， REID M. Spatial characteristics of professional tennis serves with implications for serving aces：A machine learning approach[J]. Journal of Sports Sciences， 2017， 35（7）：648.

[17]? BACA A， KORNFEIEND P. Stability analysis of motion patterns in biathlon shooting[J].? Human Movement Science， 2012， 31（2）：295.

[18]? BACA A， KORNFEIEND P. Rapid feedback systems for elite sports training[J]. IEEE Pervasive Computing， 2006， 5（4）：70.

[19]? NOVATCHKOV H， BACA A. Artificial intelligence in sports on the example of weight training[J]. J Sports Sci Med，2013， 12（1）：27.

[20]? FISTER J. Generating the training plans based on existing sports activities using swarm intelligence[J]. Nature-Inspired Computing and Optimization， 2017（10）：79.

[21]? FISTER I， FISTER D， LJUBIC K，et al. Towards automatic food prediction during endurance sport competitions[C]. [S.I.]：IEEE， 2014：6.

[22]? SILVA B M， LOPS I M， RODRIGUES J J P， et al. Sapo fitness： a mobile health application for dietary evaluation[C].[S.I.]： IEEE， 2011：373.

[23]? CHANG A C. Primary prevention of sudden cardiac death of the young athlete： The controversy about the screening? electrocardiogram and its innovative artificial intelligence solution[J]. Pediatric Cardiology，2012， 33（3）：428.

[24]? KREPS G L， NEUHAUSER L. artificial intelligence and immediacy： Designing health communication to personally engage consumers and providers[J]. Patient Education and Counseling， 2013， 92（2）：205.

[25]? ROSENBERG L. Artificial swarm intelligence vs human experts[C]. [S.I.]： IEEE， 2016：2547.

[26]? CAI Y， SHEN J， GE G， et al. Stretchable Ti3C2TxMXene/carbon nanotube composite based strain sensor with ultrahigh sensitivity and tunable sensing range[J]. ACS Nano， 2018， 12（1）：56.

[27]? EDGECOMB S J， NORTON K I. Comparison of global positioning and computer-based tracking systems for measuring player movement distance during australian football[J]. Journal of Science and Medicine in Sport， 2006， 9（1）：25.

[28]? 王晶. 基于機器學習的大學體育成績預測與分析[J]. 現(xiàn)代電子技術(shù)，2017， 40（17）：116.

[29]? 校力. 一種體育運動結(jié)果預測的機器學習框架設計[J]. 自動化技術(shù)與應用，2019， 38（9）：59.

[30]? 劉昊. 基于GM（1，1）與反向傳輸神經(jīng)網(wǎng)絡的大學生體育成績預測[J]. 南京理工大學學報，2017，41（6）：760.

[31]? 常亮，孫國妹，劉雨辰. 基于灰色神經(jīng)網(wǎng)絡的體育成績預測研究[J]. 價值工程，2015（20）：191.

[32]? 董哲宇，汪千軍，李萬杰，等. 基于神經(jīng)網(wǎng)絡的人體動作識別方法[J]. 計算機與現(xiàn)代化，2018（3）：26.

[33]? 楊靜. 體育視頻中羽毛球運動員的動作識別[J]. 自動化技術(shù)與應用，2018，37（10）：120.

[34]? 趙勇，巨永鋒. 基于改進卷積神經(jīng)網(wǎng)絡的人體姿態(tài)估計[J]. 測控技術(shù)，2018，37（6）：9.

[35]? 尹坤陽，潘偉，謝立東，等. 一種基于深度學習的人體交互行為分層識別方法[J]. 廈門大學學報（自然科學版），2016，55（3）：413.

[36]? 王忠民，曹洪江，范琳. 一種基于卷積神經(jīng)網(wǎng)絡深度學習的人體行為識別方法[J]. 計算機科學，2016，43（2）：56.

[37]? 丁潤新. 基于BP神經(jīng)網(wǎng)絡的排球普修技術(shù)評價模型研究[D]. 武漢： 武漢體育學院，2016.

[38]? 梁成軍. 網(wǎng)球技戰(zhàn)術(shù)決策支持系統(tǒng)研究與應用[D]. 上海：上海體育學院，2011.

[39]? 王杰，虞麗娟，張輝，等. 決策樹算法在乒乓球比賽中的應用[J]. 計算機工程，2010，36（24）：272.

[40]? 楊宋華. 基于大數(shù)據(jù)網(wǎng)絡的運動損傷評估模型研究[J]. 現(xiàn)代電子技術(shù)，2018，41（6）：154.

[41]? 鐘亞平，劉鵬. 基于RBF神經(jīng)網(wǎng)絡算法的田徑運動損傷預警模型研究[J]. 計算機應用與軟件，2014，31（6）：48.

[42]? CHEN C. Cite Space II： detecting and visualizing emerging trends and transient patterns in scientific literature[J]. Journal of the American Society for Information Science and Technology， 2006， 57（3）：359.

[43]? 水祎舟，黃竹杭，耿建華. 國外足球運動體能訓練前沿熱點與演化分析：基于科學知識圖譜的可視化研究[J]. 體育科學，2016，36（1）：67.

[44]? HARALICK B M， LEE C， OTTENBERG K， et al. Review and analysis of solutions of the three point perspective pose estimation problem[J]. International Journal of Computer Vision，1994，13（3）：331.

[45]? BOBICK A F， DAVIS J W. The recognition of human movement using temporal templates[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2001， 23（3）：257.

[46]? 水祎舟，黃竹杭，耿建華. 國外足球運動體能訓練前沿熱點與演化分析：基于科學知識圖譜的可視化研究[J]. 體育科學，2016，36（1）：67.

[47]? BOBICK A F， DAVIS J W. The recognition of human movement using temporal templates[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2001， 23（3）：257.

[48]? SHEPPERD M， KADODA G. Comparing software prediction techniques using simulation[J]. IEEE Transactions on Software Engineering， 2001， 27（11）：1014.

[49]? MANNINI A， SABATINI A M. Machine learning methods for classifying human physical activity from on-body accelerometers[J]. Sensors， 2010， 10（2）：1154.

[50]? CLELAND I， KIKHIA B， NUGENT C， et al.Optimal placement of accelerometers for the detection of everyday activities[J]. Sensors， 2013， 13（7）：9183.

[51]? BASSETT D R， TROIANO R P， MCCLAIN J J， et al. Accelerometer-based physical activity total volumeper day and standandized measures[J]. Medicine & Science in Sports & Exercise， 2015， 47（4）：833.

[52]? KESSLR M M. Bibliographic coupling between scientific papers[J]. Documentation， 1963， 14（1）：10.

[53]? CHEN Y， SHEN C. Performance analysis of smartphone-sensor behavior for human activity recognition[J]. IEEE Access，2017， （5）：3095.

[54]? ZHANG S， ROWLANDS A V， MURRAY P， et al. Physical activity classification using the GENEA wrist-worn accelerometer[J]. Med Sci Sports Exercise， 2012， 44（4）：742.

[55]? AKAY M F， ABUT F， CETLN E， et al. Support vector machines for predictingthe hamstring and quadriceps muscle strength of college-aged athletes[J]. Turkish Journal of Electrical Engineering and Computer Sciences， 2017（25）：2567.

[56]? ALTUNl K， BARSHAN B， TUNCEL O. Comparative study on classifying human activities with miniature inertial and magnetic sensors[J]. Pattern Recognition， 2010， 43（10）：3605.

[57]? KIANI K， SNIJDERS C J， GELSEMA E S. Computerized analysis of daily life motor activity for ambulatory monitoring[J]. Technol Health Care， 1997， 5（4）：307.

[58] CROUTER S E， CLOWERS K G， BASSETT D R. A novel method for using accelerometer data to predict energy expenditure[J]. Journal of Applied Physiology， 2006， 100（4）：1324.

[59]? TROST S G， WONG W， PFEIFFER K A， et al. Artificial neural networks to predict activity type and energy expenditure in youth[J]. Medicine & Science in Sports & Exercise， 2012， 44（9）：1801.

[60]? AHMADI M N， PFEIFFER K A， TROST S G. Physical activity classification in youth using raw accelerometer data from the hip[J]. Measurement in Physical Education and Exercise Science， 2020：1.

[61]? LIM H， KIM B， PARK S. Prediction of lower limb kinetics and kinematics during walking by a single IMU on the lower back using machine learning[J]. Sensors （Basel， Switzerland），2019， 20（1）：130.

[62]? PEREIAR C R， PEREIAR D R， PAPA J P， et al. Convolutional neural networks applied for parkinsons disease identification[J]. Machine Learning for Health Informatics， 2016，（10）：377.

[63]? BARSHAN B， YUKSEK M C. Recognizing daily and sports activities in two open source machine learning environments using? body-worn sensor units[J].? The Computer Journal， 2014， 57（11）：1649.

[64]? CHASTIN S F M， EGERTON T， LEASK C， et al. Meta-analysis of the relationship between breaks in sedentary behavior and cardiometabolic health[J]. Obesity， 2015， 23（9）：1800.

[65]? JEFFERI B J， SARTINI C， ASH S， et al. Trajectories of objectively measured physical activity in free-living older men[J]. Medicine & Science in Sports &Exercise， 2015， 47（2）：343.

[66]? MONTOYE A H， PIVARNIK J M， MUDD L M， et al. Wrist-independent energy expenditure prediction models from raw accelerometer data[J]. Physiol Meas， 2016， 37（10）：1770.

[67] ROSENBERG D， GODBOLE S， ELLIS K， et al. Classifiers for accelerometer-measured behaviors in older women[J].Medicine & Science in Sports & Exercise，2017，49（3）：610-616.

[68]? LANGKVIST M， KARLSSON L， LOUTFI A. Sleep stage classification using unsupervised feature learning[J]. Advances in Artificial Neural Systems， 2012， 17（7）：1.

[69]? YI Y，CHENG Y， XU C. Mining human movement evolution for complex action recognition[J]. Expert Systems With Applications， 2017， 78（7）：259.

[70]? LI J， SIEGRIST J. Physical activity and risk of cardiovascular disease—a meta-analysis of prospective cohort studies[J]. International Journal of Environmental Research and Public Health， 2012， 9（2）：391.

[71]? USTER R P， GROOTEN W J， BAUMGARTNER D， et al. Detecting prolonged sitting bouts with the actiGraph GT3X[J]. Scandinavian Journal of Medicine & Science in Sports， 2020， 30（3）：572.

[72]? FARRAHI V， NIEMELA M， TJURIN P， et al. Evaluating and enhancing the generalization performance of machine learning models for physical activity intensity prediction from raw acceleration data[J]. IEEE Journal of Biomedical and Health Informatics， 2020， 24（1）：27.

[73]? LUSTREK M， CVETKOVIC B， JANKO V. Monitoring patients lifestyle with a smartphone and other devices placed freely on the body[C].[S.I.]： European Conference on Ambient Intelligence， 2014.

[74]? MATHIE M J， COSTER A C， LOVELL N H， et al. Accelerometry： providing an integrated， practical method for long-term， ambulatory monitoring of human movement[J]. Physiological Measurement， 2004， 25（2）：1.

[75]? GHASEMZADEH H， LOSEU V， JAFARI R. Structural action recognition in body sensor networks： distributed classification based on string matching[J]. IEEE Transactions on Information Technology in Biomedicine， 2010， 14（2）：425.

[76]? BIANCHI F， REDMOND S J， NARAYANAN M R， et al.Barometric pressure and triaxial accelerometry-based falls event detection[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering， 2010， 18（6）：619.

[77]? RIMMINEN H， LINDSTROM J， LINNAVUO M， et al. Detection of falls among the elderly by a floor sensor using the electric near field[J]. IEEE Transactions on Information Technology in Biomedicine， 2010， 4（6）：1475.

[78]? CUCCHIARA R， PRATI A， VEZZANI R. A multi-camera vision system for fall detection and alarm generation[J]. Expert Systems， 2007， 24（5）：334.

[79]? ZHUANG X D， HUANG J， POTAMIANOS G， et al. Acoustic fall detection using gaussian mixture models and GMM supervectors[J]. IEEE International Conference on Acoustics， 2009 （3）：19.

[80]? ZELIC I， KONONENKO I， LAVRAC N， et al. Induction of decision trees and bayesian classification applied to diagnosis of sport injuries[J]. Journal of Medical Systems， 1997， 21（6）：429.

[81]? CLAUDINO J G， CAPANEMA D D， D E SOUZA， et al. Current approaches to the use of artificial intelligence for injury risk assessment and performance prediction in team sports： a systematic review[J]. Sports Medicine Open， 2019，? 5（1）：1436.

[82]? RUDDY J D， SHIELD A J， MANIAR N， et al. Predictive modeling of hamstring strain injuries in elite australian footballers[J]. Medicine & Science in Sports & Exercise， 2018， 50（5）：906.

[83]? SUN Q L， WANG X M， FANG X L， et al. Study on knee joint injury in college football training based on artificial neural network[J]. Revista Iberica de Sistemase Tecnologias de Informacao， 2016（1）：197.

[84]? ADETIBA E， IWEANYA V C， POPOOLA S I， et al. Automated detection of heart defects in athletes based on electrocardiography and artificial neural network[J]. Cogent Engineering. 2017， 4（1）：766.

[85]? THORNTON H R， DELANEY J A， DUTHIE G M， et al. Importance of various training-load measures in injury incidence of professional rugby league athletes[J].? International Journal of Sports Physiology and Performance， 2017， 12（6）： 819.

[86]? GABBETT T J. Quantifying the physical demands of collision sports[J]. Journal of Strength and Conditioning Research，2013， 27（8）：2319.

[87]? BRENNAN J H， MITRA B， SYNNOT A， et al. Accelerometers for the assessment of concussion in male athletes： a systematic review and meta-analysis[J]. Sports Medicine， 2017， 47（3）：469.

[88]? RALSTON J， THIBADO J， WOODARD J. Advances in wearable impact sensors for monitoring and reducing brain injury risks due to cumulative head impact trauma in athletic and military environments[J]. British Journal of Sports Medicine，2017， 51（11）：60.

[89]? BARTLETT J D， CONNOR F， PITCHFORD N， et al. Relationships between internal and external training load in team-sport athletes： evidence for an individualized approach[J]. International Journal of Sports Physiology and Performance， 2017， 12（2）：230.

[90]? PENSGAARD A M， IVARSSON A， NILSTAD A， et al. Psychosocial stress factors， including the relationship with the coach， and their influence on acute and overuse injury risk in elite female football players[J]. BMJ Open Sport & Exercise Medicine， 2018， 4（1）：317.

[91]? ANCILLAO A， TEDESCO S， BARTON J， et al. Indirect measurement of ground reaction forces and moments by means of wearable inertial sensors：a systematic review[J]. Sensors， 2018， 18（8）：2564.

[92]? BULLING A， BALANKE U， SCHILE B. A tutorial on human activity recognition using body-worn inertial sensors[J]. ACM Computing Surveys， 2014， 46（3）： 1.

[93]? LECUN Y， BENGIO Y， HINTON G. Deep learning[J]. Nature， 2015， 521（7553）： 436.

[94]? BROCK H， OHGI Y. Assessing motion style errors in ski jumping using inertial sensor devices[J]. IEEE Sensors Journal， 2017， 17（12）：3794.

[95]? GABBETT T J， JENKINS D G， ABERNETHY B. Physical demands of professional rugby league training and competition using microtechnology[J]. Journal of Science and Medicine in Sport， 2012， 15（1）： 80.

[96]? MCNAMARA D J， GABBETT T J， CHAPMAN P， et al. The validity of microsensors to automatically detect bowling events and counts in cricket fast bowlers[J]. International Journal of Sports Physiology and Performance， 2015， 10（1）：71.

[97]? LAI D T， HETCHL M， WEI X， et al. On the difference in swing arm kinematics between low handicap golfers and non-golfers using wireless inertial sensors[J]. Procedia Engineering， 2011（13）：219.

[98]? RAVI D， WONG C， LO B， et al. A deep learning approach to on-node sensor data analytics for mobile or wearable devices[J]. IEEE Journal of Biomedical and Health Informatics， 2017， 21（1）： 56.

[99]? ZEBIN T， SCULLY P J， OZANYAN K B. Human activity recognition with inertial sensors using a deep learning approach[C].[S.I.]：IEEE， 2016：1.

[100]? KAUTZ T， GROH B H， HANNINK J， et al. Activity recognition in beach volleyball using a deep convolutional neural network[J]. Data Mining and Knowledge Discovery， 2017， 31（6）：1678.

[101]? BROCK H， OHGI Y. Assessing motion style errors in ski jumping using inertial sensor devices[J]. IEEE Sensors Journal， 2017， 17（12）： 3794.

[102]? RONAO C A， CHO S. Human activity recognition with smartphone sensors using deep learning neural networks[J]. Expert Systems with Applications， 2016（59）：235.

[103]? SZE V， CHEN Y H， YANG T J， et al. Efficient processing of deep neural networks a tutorial and survey[J]. Proceedings of the IEEE， 2017， 105（12）：560.

[104]? LAPHAM A C， BARTLETT R M. The use of artificial intelligence in the analysis of sports performance： A review of applications in human gait analysis and future directions for sports biomechanics[J]. Journal of? Sports? Sciences， 1995， 13（3）：229.

[105]? STEIN M， JANETZKO H， LAMPRECHT A， et al. Bring it to the pitch： combining video and movement data to enhance team sport analysis[J]. IEEE Transactions on Visualization and Computer Graphics， 2018， 24（1）：13.

[106]? HASSAN A， SCHRAPF N， TILP M. The prediction of action positions in team handball by non-linear hybrid neural networks[J]. International Journal of Performance Analysis in Sport， 2017， 17（3）：293.

[107]? ANDREJ K， GEORGE T， SHETTY S. Large-scale video

classification with convolutional neural networks[C]. IEEE.2014：1725.

[108]? VICTOR B， HE Z， MORGAN S， et al. Continuous video to simple signals for swimming stroke detection with convolutional neural networks[J]. Conference on Computer Vision and Pattern Recognition Workshops， 2017：122.

[109]? KRIZHEVSKY A， SUTSKEVER I， HINTON G E. Image net classification with deep convolutional neural networks[J].Communications of the ACM， 2017， 60（6）：84.

[110]? KRIZHEVSKY A. One weird trick for parallelizing convolutional neural networks[J]. Computer Science， 2014， 20（3）：1.