孫華飛

(蕪湖職業(yè)技術(shù)學(xué)院 體育教學(xué)部，安徽 蕪湖 241003)

青少年籃球訓(xùn)練運動是目前青少年體育學(xué)習(xí)課程之一，為了獲取較好的籃球運動成績，青少年運動員需要高頻率參與籃球訓(xùn)練運動。而訓(xùn)練運動導(dǎo)致的關(guān)節(jié)損傷問題頻頻出現(xiàn)，使青少年身體出現(xiàn)不適。因此，青少年籃球訓(xùn)練運動中關(guān)節(jié)損傷預(yù)警十分重要。損傷預(yù)警可在青少年運動員即將出現(xiàn)關(guān)節(jié)損傷時及時提醒運動員或者老師，以免出現(xiàn)嚴(yán)重的損傷問題。目前，針對青少年籃球訓(xùn)練運動中關(guān)節(jié)損傷預(yù)警方面的研究不多，但針對人體動作、行為識別方面的研究較多。根據(jù)相關(guān)文獻記載，人體行為識別可直接體現(xiàn)人體的動作狀態(tài)，從而體現(xiàn)其健康狀態(tài)。

丁文文等[1]使用線性動態(tài)系統(tǒng)反演模型識別人體行為，對人體動作識別效果較好。南靜等[2]設(shè)計的人體行為識別學(xué)習(xí)模型具有輕量型特征，對人體行為識別精度較高。雖然兩種模型對人體行為、動作的識別精度都較高，但是，針對青少年籃球訓(xùn)練運動中的關(guān)節(jié)損傷識別問題，是否存在高精度識別效果還有待測試，畢竟關(guān)節(jié)損傷與人體行為識別問題存在差異，人體行為識別屬于可視層次的識別問題，關(guān)節(jié)在人體之中不具備可視特征。

結(jié)合前人研究基礎(chǔ)，構(gòu)建了基于CNN-LSTM的青少年籃球訓(xùn)練運動中關(guān)節(jié)損傷預(yù)警模型，并通過實驗驗證該模型對運動關(guān)節(jié)損傷識別與預(yù)警的精度較高。

1 基于CNN-LSTM的青少年籃球訓(xùn)練運動中關(guān)節(jié)損傷預(yù)警模型

基于CNN-LSTM的青少年籃球訓(xùn)練運動中關(guān)節(jié)損傷預(yù)警模型主要分為可穿戴傳感器模塊、無線通信模塊、預(yù)警模塊、STM32處理器、蜂鳴器。其結(jié)構(gòu)如圖1所示。

圖1 基于CNN-LSTM的青少年籃球訓(xùn)練運動中關(guān)節(jié)損傷預(yù)警模型

可穿戴傳感器的功能是采集青少年在籃球訓(xùn)練時的關(guān)節(jié)受力信號，通過無線傳輸模塊將采集的關(guān)節(jié)受力信號發(fā)送至核心處理器STM32，處理器使用基于獨立成分分析和經(jīng)驗?zāi)B(tài)分解的關(guān)節(jié)受力信號去噪方法、基于CNN-LSTM的關(guān)節(jié)損傷識別模型，將采集的關(guān)節(jié)受力信號去噪后，識別青少年籃球訓(xùn)練運動中關(guān)節(jié)是否存在損傷，如果存在損傷，處理器將驅(qū)動蜂鳴器進行預(yù)警[3]。傳感器的結(jié)構(gòu)如圖2所示。

圖2 可穿戴傳感器模塊結(jié)構(gòu)圖

此傳感器與其他傳感器的差異在于，其可以自動集合柔性太陽能面板的能量，從而保證采集青少年籃球訓(xùn)練運動中關(guān)節(jié)受力數(shù)據(jù)時不會出現(xiàn)電源中斷的問題[4]。柔性太陽能板將電能傳輸至升降電壓調(diào)節(jié)器后，此調(diào)節(jié)器可根據(jù)傳感器的需求調(diào)節(jié)電壓并執(zhí)行能量存儲程序，電能量存儲到需求量后，通過電壓調(diào)節(jié)器將電能發(fā)送至微控制單元MCU，完成傳感器的電能供應(yīng)。且該傳感器具有關(guān)節(jié)受力信號數(shù)據(jù)采集功能，主要通過微控制單元MCU采集關(guān)節(jié)受力數(shù)據(jù)，該單元將數(shù)據(jù)整理后用于和其他模塊進行數(shù)據(jù)傳輸。

1.1 基于獨立成分分析和經(jīng)驗?zāi)B(tài)分解的關(guān)節(jié)受力信號去噪方法

經(jīng)驗?zāi)B(tài)分解算法可把可穿戴傳感器采集的關(guān)節(jié)受力信號分解成具備時間尺度的內(nèi)蘊模態(tài)函數(shù)(intrinsic mode function，IMF)分量，此時，IMF分量中極值點數(shù)量和過零點數(shù)量必須小于1，且通過極大值點與極小值點提取的包絡(luò)線均值是0。

關(guān)節(jié)受力信號y(t)在使用經(jīng)驗?zāi)B(tài)算法分解后變成多個IMF和一個余項的和值如式(1)所示。

(1)

式中，IMFh(t)、sH(t)依次是第h個IMF分量、余項。若關(guān)節(jié)受力信號y(t)存在噪聲，那么IMFh(t)存在的噪聲就屬于加性噪聲，此時：

IMFh(t)=xh+mh，

(2)

式中，xh、mh依次是未受噪聲侵襲的原始信號、噪聲信號。

關(guān)節(jié)受力信號y(t)分解完畢便可獲取多個頻率存在差異的本征模態(tài)函數(shù)，各個IMF形態(tài)均存在差異。存在噪聲的關(guān)節(jié)受力信號y(t)被分解后，噪聲在各層IMF中的分布狀態(tài)并不一致。若可以將分解獲取的IMF執(zhí)行有效去噪，將去噪后的全部IMF執(zhí)行累加重構(gòu)便可獲取去噪后關(guān)節(jié)受力信號。使用獨立成分分析算法將關(guān)節(jié)受力信號每層IMF執(zhí)行去噪，在此過程中，關(guān)節(jié)受力信號的數(shù)量需要多于獨立源數(shù)量。而存在噪聲的關(guān)節(jié)受力信號在經(jīng)驗?zāi)B(tài)分解后，各層僅存在一個IMF分量，并不能滿足獨立成分分析算法的應(yīng)用條件。

因為存在噪聲信號的關(guān)節(jié)受力信號分解后，首層IMF的成分大部分都是噪聲，有效信號信息極少，所以使用平移不變的經(jīng)驗?zāi)B(tài)分解思想，設(shè)計獨立成分分析算法的關(guān)節(jié)受力信號多維輸入向量[5-7]。

關(guān)節(jié)受力信號分解后，將首層IMF實施多次移位處理，獲取差異的噪聲樣本；把多次移位后的噪聲樣本和剩下的IMF疊加便可獲取新的信噪比固定的含噪信號。因為新獲取的含噪關(guān)節(jié)受力信號中，目標(biāo)信號并沒有失真，所以新獲取的含噪信號使用經(jīng)驗?zāi)B(tài)分解算法處理后，每個信號同一層次中IMF存在的信號信息基本一致，僅僅是噪聲形態(tài)存在差異。因此，能夠把這樣的信號分解為獨立成分分析算法的多維輸入數(shù)據(jù)，通過獨立成分分析算法將每一層次的IMF實施去噪時，多維輸入數(shù)據(jù)的詳細(xì)設(shè)計方法是：

(1)將關(guān)節(jié)受力信號y(t)實施經(jīng)驗?zāi)B(tài)分解，獲取Z個IMF，將其設(shè)成IMF1，IMF2，...，IMFZ：

(3)

(3)建立新的含噪關(guān)節(jié)受力信號yβ(t)：

yβ(t)=y(t)+IMF1β(t)，

(4)

(4)依次將yβ(t)執(zhí)行Z層經(jīng)驗?zāi)B(tài)分解并移位，移位后獲取的IMF是IMF1β，IMF2β，...，IMFZβ。

將j層IMFj分量執(zhí)行去噪時，輸入向量設(shè)成Q維向量集合kj=IMFj1，IMFj2，...，IMFjQ，輸入信號設(shè)計完畢，便可使用獨立成分分析算法將關(guān)節(jié)受力信號的各層IMF執(zhí)行去噪處理。

綜上所述，基于獨立成分分析和經(jīng)驗?zāi)B(tài)分解的關(guān)節(jié)受力信號去噪方法的操作步驟是：

(1)將關(guān)節(jié)受力信號y(t)執(zhí)行經(jīng)驗?zāi)B(tài)分解；

(2)將分解后關(guān)節(jié)受力信號作為獨立成分分析算法的輸入向量集合；

(4)關(guān)節(jié)受力信號重構(gòu)，累加IMFje與余項sH(t)，獲取去噪后關(guān)節(jié)受力信號ye(t)：

(5)

1.2 基于CNN-LSTM的關(guān)節(jié)損傷識別模型

將式(5)中去噪后的關(guān)節(jié)受力信號ye(t)作為基于CNN-LSTM的關(guān)節(jié)損傷識別模型的輸入樣本，輸入CNN-LSTM模型完成損傷級別識別。在識別關(guān)節(jié)損傷之前，先對關(guān)節(jié)損傷的異常受力邊界進行針對性研究，合理設(shè)置關(guān)節(jié)異向受力邊界[8]。

1.2.1 關(guān)節(jié)異向受力邊界設(shè)置

在青少年籃球訓(xùn)練運動中，關(guān)節(jié)異向受力邊界代表青少年在籃球訓(xùn)練運動中反關(guān)節(jié)與肌腱承載的極限條件。關(guān)節(jié)的動作主要是屈伸、旋前/旋后、環(huán)轉(zhuǎn)。肘關(guān)節(jié)的動作分別是屈曲、伸展、旋前/旋后。根據(jù)設(shè)置的初始位置，設(shè)置屈伸運動的方向角是ωε，ε∈(εmin，εmax)，ε代表屈伸的極限條件，括號中的參數(shù)依次是屈伸最小值與屈伸最大值。

伸展運動的約束條件主要受關(guān)節(jié)前韌帶的張力所影響，肘關(guān)節(jié)前韌帶損傷主要因伸展動作超出關(guān)節(jié)前韌帶的張力的約束范圍[9]。將旋前/旋后的邊界條件設(shè)成(bmin，bmax)，bmin、bmax依次是旋前/旋后的最小值與最大值。環(huán)轉(zhuǎn)動作屬于萬向運動，基于球形坐標(biāo)系里必須結(jié)合屈伸運動、旋前/旋后動作設(shè)置邊界條件，設(shè)置轉(zhuǎn)動方向是ω，此方向的最大轉(zhuǎn)動值、最小轉(zhuǎn)動值依次是ωmax、ωmin。

當(dāng)青少年進行籃球訓(xùn)練運動時，反關(guān)節(jié)與肌腱可接受的極限角度就是關(guān)節(jié)異向受力邊界。如果可穿戴傳感器模塊采集的關(guān)節(jié)受力數(shù)據(jù)去噪后是(ωt，εt，bt)∈ye(t)，且此數(shù)據(jù)源于肘關(guān)節(jié)，其中，bt代表t時刻的自轉(zhuǎn)角度，如果bt不大于bmin，那么代表旋前運動大于限值；肘關(guān)節(jié)的屈伸角度設(shè)成ε，伸直時，ε與εmin相等，若ε小于εmin，那么伸展動作處于關(guān)節(jié)受力最大狀態(tài)，屈曲幅度越大，ε便越大，如果ε大于εmax，那么屈曲動作處于受力極限狀態(tài)。

結(jié)合極限位置和差異關(guān)節(jié)的運動與訓(xùn)練特征，分析合理動作區(qū)間是：屈伸動作的關(guān)節(jié)異向受力邊界是(ωt≠ωε，εt<εmin或εt>εmin)，旋前旋后動作的關(guān)節(jié)異向受力邊界是(εt<εmin或εt>εmax)。針對萬向動作而言，此動作的關(guān)節(jié)異向受力邊界是(ωt<ωmin或ωt>ωmax，εt<1.1ε下(ωt)或εt>1.1ε上(ωt))。其中，ε下(ωt)、ε上(ωt)依次是青少年籃球訓(xùn)練運動中上臂繞肩關(guān)節(jié)方向運動時，方向為上與下的極限位置。引入數(shù)值1.1是因為平時訓(xùn)練時，會經(jīng)常拉伸韌帶與肌腱，在10%范圍內(nèi)是不會出現(xiàn)損傷的，超過10%便會出現(xiàn)損傷。

1.2.2 關(guān)節(jié)損傷識別

把式(5)中去噪后的關(guān)節(jié)受力信號ye(t)作為CNN-LSTM模型的輸入樣本，在CNN模型里執(zhí)行卷積處理，可在空間角度獲取多個關(guān)節(jié)受力特征圖。各個特征圖尺寸是N×M，首層卷積使用t個卷積核，各個卷積核尺寸是H×M。第j次卷積運算方法是：

sj=Relu(Vj*ye(t)+cj)，

(6)

式中，Vj、cj依次是卷積核、偏置；*代表卷積處理；Relu是激活函數(shù)。在卷積層中獲取的特征是S=[s1，s2，...，st]，最后輸出層kj會輸出維度大小是N×1個向量。

基于CNN-LSTM模型中，把S=[s1，s2，...，st]輸入至LSTM模型的輸入門、遺忘門、輸出門，以此獲取關(guān)節(jié)受力信號的時序特征Rt。LSTM更新運算方法是：

(7)

式中，fg、fj、fj、fo依次是遺忘門、輸入門、輸入節(jié)點以及輸出門；Jg、Jj、Jf、Jo是fg、fj、fj、fo的權(quán)值；cg、cj、cf、co是fg、fj、fj、fo的偏置。

LSTM模型的全連接層使用Softmax分類器識別青少年籃球訓(xùn)練運動中關(guān)節(jié)信號特征的損傷程度。

SoftmaxRt=qt，

(8)

青少年籃球訓(xùn)練運動中關(guān)節(jié)信號特征的損傷識別標(biāo)簽是：

(9)

損傷級別如表1所示。

表1 損傷級別

2 實驗分析

實驗使用32 G內(nèi)存、80 GB硬盤大小的計算機，在MATLAB平臺中，使用Keras2.24工具構(gòu)建CNN-LSTM模型的應(yīng)用程序，并編寫實驗條件測試其應(yīng)用效果。實驗中，CNN-LSTM模型的參數(shù)設(shè)置條件如表2所示。

表2 CNN-LSTM模型參數(shù)設(shè)置

在采集的關(guān)節(jié)受力原始正演信號里導(dǎo)入噪聲信號，使用CNN-LSTM模型對其進行去噪處理，信號幅值變化如圖3所示。在原始正演信號里導(dǎo)入噪聲信號后，原始正演信號的有效信息基本不能被準(zhǔn)確分辨，使用這種信號用來預(yù)警關(guān)節(jié)損傷信息，并不準(zhǔn)確。為此，CNN-LSTM模型對其進行去噪，去噪后的信號幅值變化和原始正演信號幅值變化如圖4所示。

圖3 含噪關(guān)節(jié)受力信號幅值變化

圖4 去噪后信號正演曲線變化和原始正演曲線對比

CNN-LSTM模型去噪后的關(guān)節(jié)受力信號幅值正演曲線和原始正演曲線變化吻合度較高，說明CNN-LSTM模型可以大幅降低噪聲信號對關(guān)節(jié)受力信號的負(fù)面影響。

證實CNN-LSTM模型對關(guān)節(jié)受力信號去噪能力后，使用CNN-LSTM模型對多個青少年籃球訓(xùn)練運動中的關(guān)節(jié)損傷進行識別，識別結(jié)果如圖5所示。

圖5 關(guān)節(jié)損傷識別結(jié)果

由圖5可知，CNN-LSTM模型對20位青少年運動員的關(guān)節(jié)損傷級別識別結(jié)果具有實際應(yīng)用意義，與實際損傷級別一致。

測試CNN-LSTM模型、文獻[1]和[2]模型對多個青少年籃球訓(xùn)練運動中的關(guān)節(jié)損傷進行識別與預(yù)警，3個模型的預(yù)警錯誤次數(shù)對比結(jié)果如圖6～8所示。

圖6 CNN-LSTM模型對青少年籃球訓(xùn)練運動中關(guān)節(jié)損傷預(yù)警效果

圖7 文獻[1]模型對青少年籃球訓(xùn)練運動中關(guān)節(jié)損傷預(yù)警效果

圖8 文獻[2]模型對青少年籃球訓(xùn)練運動中關(guān)節(jié)損傷預(yù)警效果

對比圖6～8可知，CNN-LSTM模型對多個青少年籃球訓(xùn)練運動中的關(guān)節(jié)損傷進行識別與預(yù)警后，預(yù)警錯誤次數(shù)是0次，文獻[4-5]模型的預(yù)警錯誤次數(shù)是2次，對比之下，CNN-LSTM模型的預(yù)警精度最高。

3 結(jié)語

針對青少年籃球訓(xùn)練運動中關(guān)節(jié)損傷預(yù)警這一問題進行深入探討，構(gòu)建了基于CNN-LSTM的青少年籃球訓(xùn)練運動中關(guān)節(jié)損傷預(yù)警模型，該模型主要通過穿戴傳感器采集青少年運動員的關(guān)節(jié)受力信號，并對此信號進行有效去噪后，使用CNN-LSTM模型，識別關(guān)節(jié)損傷級別，通過蜂鳴器發(fā)出預(yù)警提示。經(jīng)過實驗測試，CNN-LSTM模型的應(yīng)用效果如下：

CNN-LSTM模型去噪后的關(guān)節(jié)受力信號正演曲線和原始正演曲線變化吻合度較高，信號失真度小。

CNN-LSTM模型對多個青少年籃球訓(xùn)練運動中的關(guān)節(jié)損傷進行識別與預(yù)警后，識別結(jié)果與實際情況一致，預(yù)警錯誤次數(shù)是0次，預(yù)警精度高。

籃球訓(xùn)練運動時，運動損傷在所難免，目前我國運動領(lǐng)域?qū)\動損傷的關(guān)注程度并不高，所以，青少年籃球訓(xùn)練運動中，需要具備充足的運動損傷防范意識。體能條件是青少年在籃球訓(xùn)練運動中避免關(guān)節(jié)損傷的前提，為此，合適、科學(xué)的體能訓(xùn)練方案，可以保證青少年運動員在進行籃球訓(xùn)練運動時，具有較好的負(fù)荷承受能力。為此，為了防止青少年在籃球訓(xùn)練運動中出現(xiàn)嚴(yán)重的關(guān)節(jié)損傷，平時可多進行體能訓(xùn)練。