訓(xùn)練場地環(huán)境下杰出運(yùn)動員中樞疲勞ANN預(yù)測模型的構(gòu)建

周文婷++孟琪

摘要：目的：構(gòu)建可預(yù)測訓(xùn)練場地環(huán)境綜合因素影響下的杰出單板U型場地滑雪運(yùn)動員中樞疲勞情況的人工神經(jīng)網(wǎng)絡(luò)模型（ANN）。方法：分3次對單板U行場地滑雪國家隊在哈爾濱體育學(xué)院帽兒山滑雪場的訓(xùn)練場地環(huán)境指標(biāo)進(jìn)行測試，并對運(yùn)動員的聲喜好等情況進(jìn)行問卷調(diào)查和訪談，測試及調(diào)查指標(biāo)包括聲學(xué)指標(biāo)和環(huán)境指標(biāo)。以閃光融合頻率評價運(yùn)動員的中樞疲勞情況。將上述指標(biāo)納入ANN模型的構(gòu)建，包括訓(xùn)練次數(shù)、隱藏層設(shè)計、函數(shù)的選擇和模型的檢驗等。結(jié)果：14個主、客觀指標(biāo)變量與單板U型場地滑雪運(yùn)動員的中樞疲勞顯著相關(guān)，2個不相關(guān)。在3層結(jié)構(gòu)（1個隱藏層）的ANN模型中，隱藏節(jié)點(diǎn)數(shù)、訓(xùn)練次數(shù)和訓(xùn)練函數(shù)分別在25、800和TRAINOSS時效果最優(yōu)。分別構(gòu)建了可預(yù)測運(yùn)動員中樞疲勞的ANN通用模型和分組模型，并獲得了上述模型的最優(yōu)網(wǎng)絡(luò)參數(shù)及預(yù)測結(jié)果。結(jié)論：成功構(gòu)建了可預(yù)測訓(xùn)練場地環(huán)境綜合因素下杰出單板U型場地滑雪運(yùn)動員中樞疲勞情況的ANN模型。

關(guān)鍵詞：訓(xùn)練場地環(huán)境；綜合因素；單板U型場地滑雪；中樞疲勞；預(yù)測；人工神經(jīng)網(wǎng)絡(luò)

中圖分類號：G804 文獻(xiàn)標(biāo)識碼：A

文章編號：1008-2808（2015）06-0008-07

作為技巧類難美項群雪上運(yùn)動項目，單板U型場地滑雪因其運(yùn)動員需要在3-4min內(nèi)完成6-8個高難度空中翻轉(zhuǎn)動作，故在訓(xùn)練和比賽中易因精神高度緊張，注意力集中而產(chǎn)生中樞疲勞。中樞疲勞是中樞為防止機(jī)體發(fā)生過度機(jī)能衰竭而出現(xiàn)的保護(hù)性抑制，可受多種因素影響并存在顯著的個體差異，環(huán)境可能是其中一個重要因素。眾多研究發(fā)現(xiàn)，環(huán)境聲音對環(huán)境中個體的心理疲勞影響顯著，其他環(huán)境因素則可能與環(huán)境聲音協(xié)同發(fā)揮作用。

當(dāng)前，主流的預(yù)測方法分為基于人工智能的預(yù)測方法和基于統(tǒng)計學(xué)的算法，前者包括支持向量機(jī)、貝葉斯網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)（artificial neuralnetwork，ANN）等，后者如序列邏輯回歸模型。不同于以往的理論推導(dǎo)公式，ANN可通過分析和學(xué)習(xí)大量已有的評價數(shù)據(jù)，總結(jié)出研究對象與影響因素之間的關(guān)系，并由這些“關(guān)系”預(yù)測未知結(jié)果，在60余年的發(fā)展中，不斷完善和加人多種算法，從而在工業(yè)、醫(yī)學(xué)、商業(yè)等眾多領(lǐng)域廣泛用于識別和預(yù)測，多項采用該技術(shù)建立的預(yù)測模型，其準(zhǔn)確率都達(dá)到了70%以上。根據(jù)學(xué)習(xí)策略和互聯(lián)模式連接方式的不同，ANN分為多種類型，而BP（Back Propogation）神經(jīng)網(wǎng)絡(luò)因較其它神經(jīng)網(wǎng)絡(luò)具有普遍性強(qiáng)和運(yùn)算過程清晰等優(yōu)勢，特別適于求解內(nèi)部機(jī)制復(fù)雜的問題，應(yīng)用最為廣泛。

提高訓(xùn)練效果，延緩運(yùn)動疲勞出現(xiàn)和快速從疲勞中恢復(fù)是當(dāng)前運(yùn)動訓(xùn)練亟待解決的問題，而通過訓(xùn)練場地的環(huán)境指標(biāo)預(yù)測運(yùn)動員的中樞疲勞情況，進(jìn)而調(diào)整相關(guān)環(huán)境指標(biāo)以延緩運(yùn)動員中樞疲勞的出現(xiàn)或使其迅速得以恢復(fù)，將可能是提高訓(xùn)練效果的新手段。為此，本研究首次通過BP網(wǎng)絡(luò)技術(shù)構(gòu)建訓(xùn)練場地綜合因素影響下單板U型場地滑雪項目杰出運(yùn)動員的中樞疲勞預(yù)測模型，旨在為其將來的應(yīng)用提供參考。

1 實驗對象和方法

1.1 實驗對象

國家單板U型場地滑雪隊41名（女17/男24）杰出運(yùn)動員參與研究。所有運(yùn)動員均為國家一級以上運(yùn)動員，平均年齡和平均訓(xùn)練年限分別為20.3±5.2yrs和12.6±5.7yrs。

1.2 實驗方法

1.2.1 輸入數(shù)據(jù)的采集

（1）選址。所有評價數(shù)據(jù)進(jìn)行采集時，需要選擇具有典型性的調(diào)查地點(diǎn)。雖然調(diào)研得知國家單板U型場地滑雪隊有多處訓(xùn)練場地，但日常訓(xùn)練主要集中于哈爾濱體育學(xué)院帽兒山滑雪場。為此，本研究選取該滑雪場作為測試地點(diǎn)。

（2）主觀調(diào)查。采用調(diào)查問卷研究影響因素與運(yùn)動員在訓(xùn)練場地環(huán)境下主觀感受間的關(guān)系，其中聲環(huán)境主觀感受包括聲舒適度、主觀響度、聲喜好等指標(biāo)，其他環(huán)境主觀感受包括溫度感受、濕度感受、亮度感受和風(fēng)速感受。具體過程包括：

A.問卷設(shè)計：首先提出研究假設(shè)，對研究對象進(jìn)行界定；其次采用結(jié)構(gòu)訪談和無結(jié)構(gòu)訪談相結(jié)合的形式對主觀響度、聲舒適度和聲喜好的研究內(nèi)容進(jìn)行補(bǔ)充，提出問卷題目的設(shè)計方案；最后完成主觀響度、聲舒適度和聲喜好的量表、使用者特征量表和環(huán)境調(diào)查量表。

B.信度與效度分析：通過5位專家對問卷的效度進(jìn)行檢驗，評價結(jié)果良好。采用Cronbachα信度進(jìn)行問卷的信度檢驗，結(jié)果，環(huán)境因子信度αl=0.713，聲音因子信度α2=0.821，信度滿足調(diào)查的要求。

C.正式調(diào)查：調(diào)查以實地發(fā)放問卷結(jié)合訪談的形式進(jìn)行，分別于2014年11月、2015年1月和3月對在帽兒山滑雪場訓(xùn)練的杰出單板U型場地滑雪運(yùn)動員發(fā)放121份問卷，回收有效問卷115份，回收率95.0%。調(diào)查結(jié)果通過SPSS14.0軟件錄入和進(jìn)行分類研究。

（3）客觀測量。除主觀感受外，可能影響中樞疲勞評價結(jié)果的一些客觀物理指標(biāo)也被測試，包括聲壓級、混響時間、溫度、濕度、照度及風(fēng)速。聲壓級測量使用聲級計記錄A聲級數(shù)據(jù)，并保證測量位置離U型槽壁面和其它主要反射面不小于Im，距地面1.2m-1.5m，每3-5s記錄一次，每個地點(diǎn)記錄100個數(shù)據(jù)，取平均值為測量點(diǎn)的A聲級?；祉憰r間使用無指向聲源作為聲源點(diǎn)，在一定的距離上設(shè)置若干個測量點(diǎn)，在聲源停止發(fā)聲時，用高保真錄音機(jī)記錄聲壓級衰減的過程，并用OldB的軟件進(jìn)行分析。由于測試時滑雪場內(nèi)的溫濕度變化緩慢，因此在調(diào)查問卷結(jié)束之后，只對每一個點(diǎn)使用溫濕度計記錄1組溫濕度的數(shù)據(jù)。測量的照度值一般指水平工作面照度。對滑雪場而言，統(tǒng)一選取運(yùn)動員在U型槽上躍起的平均高度，即男子3.0m，女子2.0m作為水平工作面標(biāo)準(zhǔn)高度，每記錄一份問卷之后，對測量點(diǎn)水平工作面照度計量一次。風(fēng)速測量使用手持式風(fēng)速儀，測試過程中持續(xù)記錄，取平均值為測試點(diǎn)的風(fēng)速。為驗證模型準(zhǔn)確度，分別對運(yùn)動員的中樞疲勞情況進(jìn)行了測試，方法采用閃光融合頻率測試，測試時間分別為訓(xùn)練前30min、訓(xùn)練30min、訓(xùn)練60min、訓(xùn)練90min、訓(xùn)練后即刻及訓(xùn)練后30min。

（4）數(shù)據(jù)分析。采用Matlab7平臺進(jìn)行ANN預(yù)測模型的構(gòu)建。問卷調(diào)查及測試獲得的主、客觀指標(biāo)的描述采用以平均值±標(biāo)準(zhǔn)差（x±s）；主、客觀指標(biāo)與運(yùn)動員中樞疲勞的相關(guān)性檢驗采用Pear-son/Spearman相關(guān)分析（雙尾），各指標(biāo)在訓(xùn)練及檢驗組間的差異則采用配對t檢驗（雙尾）。SPSS 14.0軟件包統(tǒng)計分析，非常顯著性水平與顯著性水平分別定為0.01和0.05。

1.2.2 單板U型場地滑雪運(yùn)動員中樞疲勞ANN模型的構(gòu)建 以上述與運(yùn)動員中樞疲勞相關(guān)的變量作為輸入變量，個體中樞疲勞為輸出變量。因樣本量有限，在模型分析過程中，80%的數(shù)據(jù)用于訓(xùn)練而20%數(shù)據(jù)用于檢驗；在模型評價過程中，70%的數(shù)據(jù)用于訓(xùn)練，10%為無效數(shù)據(jù)，20%的數(shù)據(jù)用于檢驗。

（1）隱藏層及節(jié)點(diǎn)設(shè)計。參考相關(guān)文獻(xiàn)，ANN模型采用3層結(jié)構(gòu)（1個隱藏層），隱藏節(jié)點(diǎn)數(shù)范圍從5-35，網(wǎng)絡(luò)的訓(xùn)練次數(shù)設(shè)定為100-3000次，分別計算訓(xùn)練及檢驗組的誤差與相關(guān)系數(shù)。

（2）函數(shù)選擇。ANN的函數(shù)主要包括傳遞函數(shù)、訓(xùn)練函數(shù)和學(xué)習(xí)函數(shù)。因?qū)W習(xí)函數(shù)對運(yùn)算的結(jié)果影響較小，故僅調(diào)整傳遞函數(shù)和訓(xùn)練函數(shù)。本研究以純線性函數(shù)PURELIN作為傳遞函數(shù)，訓(xùn)練函數(shù)為TRAINLM、TRAINOSS和TRAINCGB這3種經(jīng)典的Matlab訓(xùn)練函數(shù)。隱藏節(jié)點(diǎn)數(shù)及網(wǎng)絡(luò)訓(xùn)練次數(shù)參照上述：隱藏層及節(jié)點(diǎn)設(shè)計的結(jié)果，分別計算訓(xùn)練及檢驗組的誤差與相關(guān)系數(shù)。

（3）模型的檢驗。數(shù)據(jù)被分為10組，其中8組用于輸入數(shù)據(jù)，1組作為檢驗數(shù)據(jù)，1組作為預(yù)測數(shù)據(jù)，以進(jìn)行模型的過擬合檢驗。隱藏節(jié)點(diǎn)數(shù)及網(wǎng)絡(luò)訓(xùn)練次數(shù)參照上述：（1）隱藏層及節(jié)點(diǎn)設(shè)計的結(jié)果，訓(xùn)練模型參照；（2）函數(shù)選擇的結(jié)果，分別計算有/無檢驗測試下訓(xùn)練及檢驗組的誤差與相關(guān)系數(shù)。

2 結(jié)果與分析

2.1 影響單板U型場地滑雪運(yùn)動員中樞疲勞的因素

鑒于與ANN模型無關(guān)的輸人數(shù)據(jù)會影響預(yù)測結(jié)果，故輸入網(wǎng)絡(luò)前，需要分析整理出聲音、使用者、空間和環(huán)境等影響因素與中樞疲勞的關(guān)系，如表1所示，16個指標(biāo)被選為運(yùn)動員中樞疲勞預(yù)測模型的輸入變量，輸出變量為個體的中樞疲勞。相關(guān)檢驗發(fā)現(xiàn)，上述變量中，14個變量與單板U型場地滑雪運(yùn)動員的中樞疲勞顯著相關(guān)，故2個與中樞疲勞不相關(guān)的要素，A1及A6，在接下來的模型構(gòu)建中不納入網(wǎng)絡(luò)計算。

2.2 單板U型場地滑雪運(yùn)動員中樞疲勞ANN模型的構(gòu)建

業(yè)已證實，BP神經(jīng)網(wǎng)絡(luò)中隱藏層的數(shù)量為1層或2層時就可以解決現(xiàn)有的各種分類問題，故本研究選擇1個隱藏層的3層結(jié)構(gòu)ANN模型。此外，關(guān)于隱藏層的節(jié)點(diǎn)數(shù)，若數(shù)量較少，則網(wǎng)絡(luò)不能進(jìn)行訓(xùn)練或降低網(wǎng)絡(luò)訓(xùn)練的性能；若節(jié)點(diǎn)數(shù)較多，雖然可能降低網(wǎng)絡(luò)的訓(xùn)練誤差，但訓(xùn)練中也容易出現(xiàn)“過擬合”或?qū)е戮W(wǎng)絡(luò)訓(xùn)練時間的提高。

根據(jù)隱藏層節(jié)點(diǎn)數(shù)確定的最基本原則，本研究選擇5-35的隱藏節(jié)點(diǎn)數(shù)范圍，ANN模型中訓(xùn)練及檢驗組的誤差與相關(guān)系數(shù)見圖2。由圖2（b）可見，當(dāng)隱藏節(jié)點(diǎn)數(shù)的變化范圍為5-35時，檢驗組相關(guān)系數(shù)的變化范圍為0.54-0.68，當(dāng)隱藏節(jié)點(diǎn)數(shù)從30變?yōu)?5時，檢驗組的相關(guān)系數(shù)由0.64降為0.61，表明隱藏節(jié)點(diǎn)數(shù)為25是ANN模型在3層結(jié)構(gòu)下的最優(yōu)節(jié)點(diǎn)數(shù)。

迭代次數(shù)是BP人工神經(jīng)網(wǎng)絡(luò)的運(yùn)算次數(shù)，增加網(wǎng)絡(luò)的迭代次數(shù)可減少網(wǎng)絡(luò)的訓(xùn)練誤差，但會增加網(wǎng)絡(luò)的訓(xùn)練時間。為確定合適的迭代次數(shù)對網(wǎng)絡(luò)預(yù)測效果的影響，本研究分別訓(xùn)練了100次、200次、300次、400次、500次、600次、700次、800次、900次、1000次、2000次和3000次，不同訓(xùn)練次數(shù)下ANN模型中訓(xùn)練及檢驗組的誤差及相關(guān)系數(shù)見圖3。由圖3（b）可見，檢驗組的相關(guān)系數(shù)在訓(xùn)練次數(shù)為100時最低，僅為0.39，隨著訓(xùn)練次數(shù)的增加，檢驗組的相關(guān)系數(shù)逐漸好轉(zhuǎn)，并在訓(xùn)練次數(shù)增至400-800時達(dá)到0.67-0.69的較好水平。然而，當(dāng)訓(xùn)練次數(shù)繼續(xù)由900增加至3000的過程中，檢驗組的相關(guān)系數(shù)不再增加，而是從0.67逐漸降至0.58，其原因可能是因為網(wǎng)絡(luò)的迭代次數(shù)過多，導(dǎo)致網(wǎng)絡(luò)的“過擬合”，使其泛化能力降低，即網(wǎng)絡(luò)從“靈活理解”變?yōu)椤昂唵斡洃洝保诡A(yù)測的準(zhǔn)確率下降，故800次被作為ANN模型的最優(yōu)訓(xùn)練次數(shù)用于模型構(gòu)建。

根據(jù)前面結(jié)果，不同訓(xùn)練函數(shù)下ANN模型中的隱藏節(jié)點(diǎn)數(shù)及訓(xùn)練次數(shù)均設(shè)定為25和800，該模型中訓(xùn)練及檢驗組的誤差與相關(guān)系數(shù)見圖4。

由圖可見，TRAINOSS訓(xùn)練函數(shù)下ANN模型的訓(xùn)練效果較其他訓(xùn)練函數(shù)更好，其檢驗組的相關(guān)系數(shù)為0.72，說明選用該訓(xùn)練函數(shù)時，網(wǎng)絡(luò)的收斂速度較慢，訓(xùn)練誤差最小；而選用訓(xùn)練函數(shù)TRAINM時，網(wǎng)絡(luò)的收斂速度快，但誤差較大，因此在三種訓(xùn)練函數(shù)中最不利于ANN模型的訓(xùn)練效果。

根據(jù)前面結(jié)果，有/無驗證測試條件下ANN模型中的隱藏節(jié)點(diǎn)數(shù)及訓(xùn)練次數(shù)均設(shè)定為25和800，訓(xùn)練函數(shù)采用TRAINOSS，該模型中訓(xùn)練及檢驗組的標(biāo)準(zhǔn)差與相關(guān)系數(shù)見表2。由表可見，有驗證測試條件下ANN模型的檢驗組標(biāo)準(zhǔn)差較無驗證測試條件下檢驗組的誤差小，表明所有ANN模型在此步均需進(jìn)行驗證測試。

2.3 單板U型場地滑雪運(yùn)動員中樞疲勞的ANN模型

根據(jù)影響運(yùn)動員中樞疲勞的各變量權(quán)重，本研究分別構(gòu)建了可預(yù)測單板U型場地滑雪運(yùn)動員中樞疲勞的ANN通用模型（General 1和General 2，即G1和G2）和分組模型。ANN通用模型分別選取不同數(shù)量的變量，所有可能會影響單板U型場地滑雪運(yùn)動員中樞疲勞的16個主、客觀指標(biāo)均被選為預(yù)測模型G1的輸入變量，而G2中的輸入變量為14個與運(yùn)動員中樞疲勞相關(guān)的主、客觀指標(biāo)。

此外，由于運(yùn)動員中樞疲勞受年齡、運(yùn)動等級和訓(xùn)練年限影響較大，本研究還據(jù)此構(gòu)建了相應(yīng)的ANN分組模型，即ANN年齡模型（Agel-3，即A1、A2和A3）、ANN運(yùn)動等級模型（Sport Gradel-3，即SGI、SG2和SG3）及ANN訓(xùn)練年限模型（Training Lengthl-3，即TLI、TL2和TL3）。上述模型的樣本分別分為低齡組（<18yrs組）、適齡組（18-22yrs組）和熟齡組（>23yrs組）；國家一級、健將組和國際健將組；以及低年限組（<7yrs組）、中年限組（8-13yrs組）和高年限組（>14yrs組），ANN模型則分別命名為A1、A2、A3；SGI、SG2、SG3；和TLI、TL2、TL3，各模型參數(shù)見表3。

在對上述ANN模型進(jìn)行數(shù)輪測試后，獲得的最優(yōu)網(wǎng)絡(luò)及其預(yù)測結(jié)果見表4。從中可見，在兩種通用ANN模型中，G1模型的預(yù)測結(jié)果與實際測試結(jié)果的相關(guān)系數(shù)僅為0.44，預(yù)測準(zhǔn)確度并不理想，而G2模型的預(yù)測結(jié)果較C1明顯好轉(zhuǎn)，其相關(guān)系數(shù)為0.68，準(zhǔn)確度較好，可作為單板U型場地滑雪運(yùn)動員中樞疲勞的ANN通用預(yù)測模型。此外，研究還發(fā)現(xiàn)，當(dāng)將樣本按相應(yīng)標(biāo)準(zhǔn)分組后，ANN年齡模型、ANN運(yùn)動等級模型和ANN訓(xùn)練年限模型的各組模型預(yù)測結(jié)果均較好，相關(guān)系數(shù)均達(dá)到0.70以上，預(yù)測效果好于通用模型，故可用于單板U型場地滑雪運(yùn)動員中樞疲勞的分組預(yù)測。

3 結(jié)論

14個主、客觀指標(biāo)變量與單板U型場地滑雪運(yùn)動員的中樞疲勞顯著相關(guān)，2個不相關(guān)。在3層結(jié)構(gòu)（1個隱藏層）的ANN模型中，隱藏節(jié)點(diǎn)數(shù)、訓(xùn)練次數(shù)和訓(xùn)練函數(shù)分別在25、800和TRAINOSS時效果最優(yōu)。分別成功構(gòu)建了可預(yù)測訓(xùn)練場地環(huán)境綜合因素下運(yùn)動員中樞疲勞情況的ANN通用模型G2和分組模型A1、A2、A3；SG1、SG2、SG3；及TL1、TL2、TL3，并獲得了上述模型的最優(yōu)網(wǎng)絡(luò)參數(shù)及預(yù)測結(jié)果。