基于知識(shí)圖譜的體育人工智能研究分析

路來冰 王艷 馬憶萌 許金富

摘? ? 要：以Web of Science數(shù)據(jù)庫(kù)1994年以來“體育” “鍛煉” “運(yùn)動(dòng)”“機(jī)器學(xué)習(xí)” “深度學(xué)習(xí)” “計(jì)算機(jī)視覺”等關(guān)鍵詞為主題的926篇文獻(xiàn)為數(shù)據(jù)來源，利用“Cite Space V”軟件進(jìn)行可視化處理和分析，以知識(shí)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(jìn)展和發(fā)展方向。認(rèn)為：1）體育人工智能研究地區(qū)分布較廣，美國(guó)處于世界領(lǐng)先水平，中國(guó)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(tuán)隊(duì)集中在美國(guó)高校，以開發(fā)與完善針對(duì)不同人群的，基于機(jī)器學(xué)習(xí)與深度學(xué)習(xí)技術(shù)的智能穿戴設(shè)備為主要研究方向。3）體育人工智能研究涉及到多個(gè)學(xué)科，主要運(yùn)用和借鑒工程學(xué)、計(jì)算機(jī)科學(xué)和體育科學(xué)的研究方法和理論。4）體育人工智能研究的熱點(diǎn)分為三大聚類群，具體是體質(zhì)健康促進(jìn)、運(yùn)動(dòng)損傷防控和運(yùn)動(dòng)能力提升。研究載體主要以基于IMU的智能穿戴設(shè)備和基于GPU的計(jì)算機(jī)視覺分析為主。研究算法從機(jī)器學(xué)習(xí)算法逐漸轉(zhuǎn)向深度學(xué)習(xí)算法。

關(guān)鍵詞：人工智能;體育;機(jī)器學(xué)習(xí);計(jì)算機(jī)視覺;深度學(xué)習(xí)

中圖分類號(hào)：G 80-3? ? ? ? ? 學(xué)科代碼：040303? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)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(jiǎn)稱“AI”）是研究如何讓機(jī)器做人類需要智能才能完成的事的一門學(xué)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(jī)器學(xué)習(xí)與深度學(xué)習(xí)為主要的研究方向。現(xiàn)代人工智能技術(shù)的近期目標(biāo)在于研究用機(jī)器來模仿和執(zhí)行人腦的某些智力功能，而遠(yuǎn)期目標(biāo)是用自動(dòng)機(jī)模仿人類的思維活動(dòng)和智力功能[2]。從2011年開始，人工智能技術(shù)進(jìn)入到了迅猛發(fā)展期，當(dāng)代人工智能的本質(zhì)是讓機(jī)器從數(shù)據(jù)中學(xué)習(xí)知識(shí)，而不是再對(duì)人類知識(shí)的復(fù)制，這一方法稱為“機(jī)器學(xué)習(xí)”[3]，這是讓計(jì)算機(jī)擁有自主學(xué)習(xí)的能力，而無(wú)須對(duì)其進(jìn)行事無(wú)巨細(xì)的編程的方法[4]。其算法包括人工神經(jīng)網(wǎng)絡(luò)（ANN）、決策樹、支持向量機(jī)（SVM）、K 近鄰算法等。而深度學(xué)習(xí)則是機(jī)器學(xué)習(xí)的頂尖技術(shù)，也是其重要分支，正在成為當(dāng)前人工智能各領(lǐng)域研究的最重要范式，也是當(dāng)前人工智能產(chǎn)業(yè)化的主要驅(qū)動(dòng)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(guó)際象棋博弈程序。到20世紀(jì)70年代，該程序已經(jīng)達(dá)到了專家級(jí)別（人類棋手水平的前1%）。從1997年，“深藍(lán)”（Deep Blue）的后繼者“Deeper Blue”擊敗了國(guó)際象棋特級(jí)大師G.Kasparov，到2016年阿爾法圍棋（AlphaGo）的無(wú)人能敵，機(jī)器學(xué)習(xí)的強(qiáng)大能力越來越受到世人矚目。近年來，在大眾健身、競(jìng)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(jì)算機(jī)視覺技術(shù)的單一目標(biāo)跟蹤分析[6-9]和集體運(yùn)動(dòng)項(xiàng)目技戰(zhàn)術(shù)分析預(yù)測(cè)系統(tǒng)[10-12]、技術(shù)動(dòng)作學(xué)習(xí)與評(píng)測(cè)[13-16]和基于機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的智能訓(xùn)練反饋系統(tǒng)[17-20]、運(yùn)動(dòng)營(yíng)養(yǎng)配比分析[21-22]和身體疾病識(shí)別分析[23-24]、體育賽事成績(jī)預(yù)測(cè)系統(tǒng)[25]、高效運(yùn)動(dòng)智能穿戴設(shè)備[26-27]等方面。

我國(guó)人工智能起步較晚，與美國(guó)等發(fā)達(dá)國(guó)家相比還有一定差距。我國(guó)的體育人工智能研究，主要學(xué)科集中在計(jì)算機(jī)科學(xué)，偏好基礎(chǔ)理論的算法實(shí)證研究，主要涉及運(yùn)用以神經(jīng)網(wǎng)絡(luò)為主的機(jī)器學(xué)習(xí)相關(guān)算法，涉及體育成績(jī)預(yù)測(cè)[28-31]、人體動(dòng)作識(shí)別與評(píng)價(jià)[32-37]、技戰(zhàn)術(shù)決策支持[38-39]、運(yùn)動(dòng)損傷評(píng)估[40-41]等。在人工智能技術(shù)逐步由機(jī)器學(xué)習(xí)轉(zhuǎn)向深度學(xué)習(xí)的趨勢(shì)下，相比較國(guó)外體育人工智能研究，國(guó)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(xiàng)目結(jié)合的應(yīng)用研究較少。2）在應(yīng)用研究中主要以機(jī)器學(xué)習(xí)中的簡(jiǎn)單算法為主要工具，而更為精確的深度學(xué)習(xí)算法的實(shí)踐研究不夠深入。此外，由于人工智能定義涵蓋面較廣，對(duì)于什么技術(shù)屬于人工智能，例如：VR（虛擬現(xiàn)實(shí)技術(shù)）歸屬的爭(zhēng)論，國(guó)內(nèi)的相關(guān)文獻(xiàn)的定義也不盡一致。因此，厘清與掌握國(guó)際學(xué)界對(duì)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(yīng)用的研究熱點(diǎn)以及演進(jìn)趨勢(shì)，可以進(jìn)一步豐富國(guó)內(nèi)學(xué)者對(duì)人工智能技術(shù)的應(yīng)用視野，借鑒國(guó)外高水平研究方法，發(fā)展適應(yīng)我國(guó)體育發(fā)展現(xiàn)狀的人工智能技術(shù)，使科技助力我國(guó)體育發(fā)展，早日實(shí)現(xiàn)我國(guó)由體育大國(guó)邁進(jìn)體育強(qiáng)國(guó)的目標(biāo)。

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(xì)節(jié)，工作量極大，還很可能會(huì)舍本逐末，以至于忽視全局的結(jié)構(gòu)和動(dòng)態(tài)。“Cite Space”通過計(jì)算機(jī)算法和交互式可視化將人們從一些費(fèi)時(shí)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(xué)科學(xué)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(kù)中收錄的體育人工智能相關(guān)文獻(xiàn)為研究對(duì)象，通過分析并繪制知識(shí)圖譜，解讀國(guó)外體育人工智能的應(yīng)用研究發(fā)展脈絡(luò)，為我國(guó)體育人工智能的應(yīng)用研究提供參考。

1? ?研究方法：文獻(xiàn)計(jì)量法

1.1? 文獻(xiàn)來源

本研究以Web of Science數(shù)據(jù)庫(kù)的SCIE、SSCI和A﹠HCI為文獻(xiàn)來源數(shù)據(jù)庫(kù)進(jìn)行檢索。為全面概括人工智能在體育運(yùn)動(dòng)領(lǐng)域的研究狀況，選擇“Sports”“Exercise”與 “Physical activity”作為“體育與運(yùn)動(dòng)”的釋義。人工智能的應(yīng)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(wú)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(xué)與中國(guó)工程院聯(lián)合發(fā)布的《2019人工智能發(fā)展報(bào)告》遴選了13個(gè)人工智能重點(diǎn)應(yīng)用領(lǐng)域，通過對(duì)報(bào)告的分析及前期的研究，篩選出了其中與體育運(yùn)動(dòng)結(jié)合較為緊密的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)與計(jì)算機(jī)視覺領(lǐng)域進(jìn)行重點(diǎn)分析，因此，增加“Machine Learning”“Deep Learning” 與“Computer Vision”作為共同主題檢索詞，高級(jí)檢索式如表1，文獻(xiàn)格式為Article，檢索范圍為所有年份，檢索時(shí)間為2020年4月1日，共檢索到初始文獻(xiàn)1 170篇。通過“Endnote”軟件去除重復(fù)文獻(xiàn)，并剔除與主題不符的涉及基礎(chǔ)醫(yī)學(xué)、植物學(xué)、水利學(xué)、氣象學(xué)等相關(guān)文獻(xiàn)，最終得到926篇文獻(xiàn)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(guó)德雷塞爾大學(xué)陳超美博士研發(fā)的“Cite Space Ⅴ”軟件（版本號(hào)為CiteSpace Ⅴ 5.6.R4.64-bit）?！癈ite Space Ⅴ”軟件是一種多元、分時(shí)、動(dòng)態(tài)的應(yīng)用程序和可視化軟件。該軟件在繪制各個(gè)科學(xué)領(lǐng)域的科學(xué)知識(shí)圖譜、分析不同特征和類型的引文網(wǎng)絡(luò)及識(shí)別和呈現(xiàn)科學(xué)發(fā)展新趨勢(shì)與新動(dòng)態(tài)等方面具有較強(qiáng)的技術(shù)和功能優(yōu)勢(shì)[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(jìn)而可以了解研究對(duì)象的多個(gè)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(diǎn)，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(duì)體育人工智能相關(guān)研究進(jìn)行可視化知識(shí)圖譜分析，主要包括主題確定、數(shù)據(jù)準(zhǔn)備、軟件分析設(shè)置和可視化知識(shí)圖譜分析4個(gè)部分。1）主題確定。本研究參考了國(guó)內(nèi)多部著作和學(xué)術(shù)論文的翻譯方式，同時(shí)咨詢了多位體育科學(xué)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(gè)檢索主題詞和檢索表達(dá)式的反復(fù)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(zhǔn)備。將通過WOS數(shù)據(jù)庫(kù)檢索的1 170條文獻(xiàn)導(dǎo)出到“Endnote”軟件中，剔除重復(fù)的與體育學(xué)科不相關(guān)的文獻(xiàn)，最終精選出926篇文獻(xiàn)。3）軟件分析設(shè)置。在926篇文獻(xiàn)中，最早發(fā)表年份為1994年，因此，在“Cite Space”的時(shí)間設(shè)置為1994—2020年，時(shí)間切片為1年1段。在分析研究國(guó)家（地區(qū)）、作者與學(xué)科時(shí)，閾值項(xiàng)選擇“TopN=50”，且算法不進(jìn)行裁剪。在分析研究熱點(diǎn)關(guān)鍵詞時(shí)，閾值項(xiàng)選擇“TopN%=50%”，算法選擇“關(guān)鍵路徑計(jì)算法”，并選取“整體網(wǎng)絡(luò)剪枝”裁剪方式。4）可視化知識(shí)圖譜分析。得到圖譜后，可看到每個(gè)節(jié)點(diǎn)的多方面信息。此外，通過各個(gè)年輪的顏色可判斷被引時(shí)間分布，聚類之間的知識(shí)流向也可從時(shí)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(guó)家（地區(qū)）分布

通過“Cite space V”析出的共現(xiàn)網(wǎng)絡(luò)圖譜（見圖2）可以看出，共有來自46個(gè)國(guó)家（地區(qū)）的文獻(xiàn)涉及體育人工智能研究，但不同國(guó)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(diǎn)連接線條的粗細(xì)與發(fā)文量和關(guān)聯(lián)緊密程度成正比。同時(shí)，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(guó)家（地區(qū)）及對(duì)應(yīng)的文獻(xiàn)中心性值，從中可以看出美國(guó)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(guó)紐約州立大學(xué)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(shí)別領(lǐng)域的應(yīng)用，并展望了人工智能技術(shù)的應(yīng)用前景。華盛頓大學(xué)的Bobick教授為人體動(dòng)作識(shí)別開辟了更為高效的機(jī)器學(xué)習(xí)算法[45]。除此之外，還有很多美國(guó)學(xué)者的研究在世界范圍內(nèi)被廣泛采納。其次，西班牙、英國(guó)、澳大利亞、加拿大、德國(guó)無(wú)論是發(fā)文量還是文獻(xiàn)中心性都處于世界前8位的水平。我國(guó)雖然發(fā)文量高居第2位，但是文獻(xiàn)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(xué)董曉臣教授[26]的團(tuán)隊(duì)上榜，他提出的基于過渡金屬碳化物和碳納米管復(fù)合材料的應(yīng)變傳感器為人體運(yùn)動(dòng)中智能可穿戴設(shè)備研制開拓了新的方向。

科技助力體育發(fā)展一直是我國(guó)體育領(lǐng)域研究的重點(diǎn)，以國(guó)際先進(jìn)科技加快我國(guó)人工智能相關(guān)學(xué)科的建設(shè)，加快技術(shù)轉(zhuǎn)型與硬件設(shè)備升級(jí)，以科學(xué)嚴(yán)謹(jǐn)?shù)膽B(tài)度提高研究質(zhì)量。同時(shí)，加強(qiáng)與國(guó)外學(xué)者的學(xué)術(shù)交流，重點(diǎn)拓寬具有體育科學(xué)背景學(xué)者的多學(xué)科研究視野，是我國(guó)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(luò)分析

對(duì)作者合作情況的分析是深刻把握某一學(xué)科研究領(lǐng)域及科研動(dòng)態(tài)的前提，可以有效地掌握某領(lǐng)域科研的進(jìn)程，對(duì)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(jì)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(xué)者。并列第1位的是美國(guó)加州大學(xué)圣地亞哥分校公共衛(wèi)生學(xué)院的Kerr教授與美國(guó)鮑爾州立大學(xué)運(yùn)動(dòng)科學(xué)學(xué)院的Montoye教授，發(fā)文量同為9篇。位列第3～5位的學(xué)者分別為密歇根州立大學(xué)的Pfeiffer教授、加州大學(xué)圣地亞哥分校的Godbole教授、德國(guó)紐倫堡大學(xué)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(guó)學(xué)者，并以加州大學(xué)圣地亞哥分校為主要研究機(jī)構(gòu)，這也從側(cè)面反映出美國(guó)在體育人工智能研究方面較領(lǐng)先。

作者合作網(wǎng)絡(luò)圖譜如圖3所示。其中，以加州大學(xué)圣地亞哥分校Kerr教授與Godbole教授為核心的研究團(tuán)隊(duì)，研究方向?yàn)檫\(yùn)用基于隨機(jī)森林和馬爾可夫模型為主的機(jī)器學(xué)習(xí)算法，應(yīng)用于人體可穿戴加速度計(jì)設(shè)備，用以監(jiān)測(cè)與評(píng)價(jià)中老年婦女或肥胖人群的身體活動(dòng)情況;以鮑爾州立大學(xué)Montoye教授為核心的團(tuán)隊(duì)主要采用基于ANN算法的人體加速度計(jì)，以健康成年人為研究對(duì)象，評(píng)估不同身體活動(dòng)方式的運(yùn)動(dòng)強(qiáng)度;中山大學(xué)劉曄教授團(tuán)隊(duì)則開創(chuàng)性地將深度學(xué)習(xí)算法運(yùn)用到居民體育活動(dòng)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(xué)Martin教授團(tuán)隊(duì)的研究集中在運(yùn)用基于SVM算法的腰部加速度計(jì)對(duì)運(yùn)動(dòng)能力退化人群的康復(fù)治療。此外，發(fā)文量較少但也具有團(tuán)隊(duì)研究規(guī)模的還有匹斯堡大學(xué)的Connaboy教授團(tuán)隊(duì)，其致力于運(yùn)用機(jī)器學(xué)習(xí)來預(yù)測(cè)健康人群的肌肉損傷風(fēng)險(xiǎn)研究。西班牙阿利坎特大學(xué)Martin教授團(tuán)隊(duì)聚焦于運(yùn)用基于計(jì)算機(jī)視覺技術(shù)的機(jī)器人系統(tǒng)來監(jiān)測(cè)和優(yōu)化老年人群的認(rèn)知和身體活動(dòng)方式?？梢钥闯觯诩铀俣扔?jì)的智能可穿戴設(shè)備對(duì)人體運(yùn)動(dòng)方式的識(shí)別與能量消耗評(píng)估研究具有明顯的優(yōu)勢(shì)，而這需要多學(xué)科的協(xié)同融合。

2.3? 體育人工智能研究的學(xué)科（專業(yè)）分布

人工智能研究涉及到的學(xué)科非常廣泛，例如：工程學(xué)、計(jì)算機(jī)科學(xué)、電子學(xué)、數(shù)學(xué)、醫(yī)學(xué)、心理學(xué)等。在多學(xué)科交叉的背景下對(duì)體育人工智能進(jìn)行綜合研究已經(jīng)成為趨勢(shì)，學(xué)科共現(xiàn)網(wǎng)絡(luò)圖譜見圖4。在合并重復(fù)學(xué)科聚類后，共有37個(gè)相關(guān)學(xué)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(xué)科（專業(yè)）及對(duì)應(yīng)的文獻(xiàn)中心性值?？梢钥闯鲶w育人工智能研究是以工程學(xué)為基礎(chǔ)，結(jié)合計(jì)算機(jī)科學(xué)的相關(guān)算法，在體育科學(xué)中進(jìn)行實(shí)踐運(yùn)用。

從圖4和表4可以看出，計(jì)算機(jī)科學(xué)與工程學(xué)學(xué)科的文獻(xiàn)在發(fā)文數(shù)量與文獻(xiàn)中心性值均排在前兩位。其中，兩學(xué)科的發(fā)文量相差不大，但是涉及工程學(xué)研究的文獻(xiàn)中心性要遠(yuǎn)高于計(jì)算機(jī)科學(xué)。說明體育人工智能研究雖結(jié)合了計(jì)算機(jī)科學(xué)的編程技術(shù)等相關(guān)理論知識(shí)，但重點(diǎn)采用工程學(xué)中的相關(guān)實(shí)踐原理與實(shí)現(xiàn)平臺(tái)，例如，慣性測(cè)量裝置與圖形處理器等。同時(shí)與多學(xué)科互通互融，以實(shí)現(xiàn)對(duì)人體運(yùn)動(dòng)的識(shí)別、監(jiān)測(cè)、評(píng)判等功能。這點(diǎn)從各學(xué)科的代表性高被引文獻(xiàn)也可以看出，在計(jì)算機(jī)科學(xué)的研究文獻(xiàn)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(jì)算機(jī)編程技術(shù)，并提出了一種基于時(shí)間模板和靜態(tài)向量圖像的計(jì)算機(jī)視覺算法，以實(shí)現(xiàn)對(duì)人體運(yùn)動(dòng)的精準(zhǔn)識(shí)別[47]。在計(jì)算機(jī)科學(xué)的人工智能方向的文獻(xiàn)中，Shepperd等通過比較4種預(yù)測(cè)算法：回歸、規(guī)則歸納、K近鄰算法和神經(jīng)網(wǎng)絡(luò)，提出針對(duì)不同大小、特征、數(shù)量、分布類型的人體動(dòng)作數(shù)據(jù)集要選擇合適算法[48]。在工程學(xué)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(jì)來對(duì)人類的身體活動(dòng)進(jìn)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(jì)對(duì)運(yùn)動(dòng)檢測(cè)精度的影響，認(rèn)為SVM算法可實(shí)現(xiàn)更為精準(zhǔn)的檢測(cè)[50]。在體育科學(xué)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(jì)在體力活動(dòng)中的應(yīng)用情況，認(rèn)為機(jī)器學(xué)習(xí)算法的不斷完善可以使人體活動(dòng)類型識(shí)別和能量消耗估算精度更高，并建議在未來的智能設(shè)備研發(fā)中可以進(jìn)一步豐富對(duì)體力消耗的評(píng)價(jià)指標(biāo)[51]。除此之外，其他相關(guān)學(xué)科也進(jìn)一步豐富了人工智能技術(shù)對(duì)不同人群的身體活動(dòng)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(xué)科密不可分，并在體育學(xué)科中有著廣闊的應(yīng)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(shè)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(yīng)用研究熱點(diǎn)

關(guān)鍵詞是對(duì)文獻(xiàn)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]?！癈ite 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(jìn)而析出此領(lǐng)域的研究熱點(diǎn)。運(yùn)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(biāo)簽和關(guān)鍵詞的標(biāo)簽位置以最小化重疊顯示（見圖5）?？梢钥闯鰣D5共有341個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)，703條連線，網(wǎng)絡(luò)密度為 0.012 1，圓圈越大代表該節(jié)點(diǎn)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(luò)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(gè)，并依據(jù)每個(gè)子聚類群的不同研究的應(yīng)用方向和范圍將其進(jìn)行二次聚類，以此能反映人工智能在體育領(lǐng)域的3大應(yīng)用方向，即聚類群Ⅰ：“體質(zhì)健康促進(jìn)”、聚類群Ⅱ：“運(yùn)動(dòng)損傷防控”、聚類群Ⅲ：“運(yùn)動(dòng)能力提升”（見表5），同時(shí)每個(gè)子聚類的單獨(dú)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(jìn)

此聚類群主要包括：#0“支持向量機(jī)”、#1“人工神經(jīng)網(wǎng)絡(luò)”、#2“模式識(shí)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(luò)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(shè)備是目前體育人工智能研究的熱點(diǎn)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(shè)備功能更強(qiáng)，因?yàn)槠渫ǔＪ菍?shí)時(shí)反饋[53]。在對(duì)不同人群體質(zhì)健康的研究中，基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法的智能可穿戴設(shè)備，通過對(duì)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(dòng)狀態(tài)的識(shí)別、監(jiān)測(cè)與分析，提出適合不同身體狀況個(gè)體的鍛煉方式，可以促進(jìn)健康生活習(xí)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(shè)備，測(cè)評(píng)肌肉活動(dòng)情況，進(jìn)行包括久坐行為的模式識(shí)別與檢測(cè)，研究青少年、成人的身體活動(dòng)類型與身體活動(dòng)強(qiáng)度，這是目前在體質(zhì)健康促進(jìn)領(lǐng)域人工智能技術(shù)的應(yīng)用熱點(diǎn)。

慣性測(cè)量單元（IMU）是智能可穿戴加速度計(jì)的主要技術(shù)載體，通常一個(gè)IMU包括3個(gè)單軸的加速度計(jì)和3個(gè)單軸的陀螺，將機(jī)器學(xué)習(xí)算法與IMU載體結(jié)合可以有效地對(duì)人體運(yùn)動(dòng)模式與強(qiáng)度進(jìn)行識(shí)別，兼顧了測(cè)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(yùn)動(dòng)模式識(shí)別與強(qiáng)度預(yù)測(cè)中獲得了相對(duì)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(xué)生運(yùn)動(dòng)員腘繩肌和股四頭肌肌力的預(yù)測(cè)模型并達(dá)到了較高的精準(zhǔn)度。Altun等對(duì)8名健康成年人在身體不同位置佩戴IMU，證實(shí)SVM算法對(duì)動(dòng)作識(shí)別的準(zhǔn)確率達(dá)到98.6%[56]。與此同時(shí)，ANN技術(shù)應(yīng)用于人體活動(dòng)類型識(shí)別，也可以準(zhǔn)確區(qū)分人體的日?；顒?dòng)類型和進(jìn)行運(yùn)動(dòng)能耗監(jiān)測(cè)[57]。基于ANN模型的IMU除了可以識(shí)別成年人久坐、輕度、中度和高強(qiáng)度的體育活動(dòng)類型[58]，同樣可用于預(yù)測(cè)兒童和青少年體力活動(dòng)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(yù)測(cè)下肢力量，用以改善人體步態(tài)動(dòng)作，作為評(píng)價(jià)運(yùn)動(dòng)成績(jī)或康復(fù)情況的定量指標(biāo)[61]。對(duì)于肥胖人群，基于深度學(xué)習(xí)算法的IMU也可以檢測(cè)熱量消耗，推薦適宜的體育運(yùn)動(dòng)以改善體質(zhì)[62]（見圖6）。

有研究認(rèn)為，長(zhǎng)時(shí)間的久坐行為增加了老年人的健康風(fēng)險(xiǎn)[64]。還有研究表明，久坐時(shí)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(zhǎng)呈上升趨勢(shì)[65]。而結(jié)合機(jī)器學(xué)習(xí)與深度學(xué)習(xí)算法的慣性測(cè)量裝置可有效監(jiān)控老年人的行為方式并實(shí)施體力活動(dòng)干預(yù)。高產(chǎn)學(xué)者M(jìn)ontoye教授團(tuán)隊(duì)建立了基于腕部加速度計(jì)監(jiān)測(cè)數(shù)據(jù)的ANN模型來精準(zhǔn)計(jì)算人體活動(dòng)能量消耗情況，并提出了區(qū)分體力活動(dòng)和久坐行為的測(cè)量方法[66]。Godbole教授團(tuán)隊(duì)通過運(yùn)用基于IMU技術(shù)但更為便捷的Actigraph三軸加速度計(jì)，開發(fā)了針對(duì)老年人群步行和久坐行為識(shí)別的機(jī)器學(xué)習(xí)算法[67]。與此同時(shí)，深度學(xué)習(xí)算法中的卷積神經(jīng)網(wǎng)絡(luò)（CNN）對(duì)老年人運(yùn)動(dòng)模式識(shí)別具有更高的精度[68]。深度學(xué)習(xí)技術(shù)也可以通過監(jiān)測(cè)老年人的身體各項(xiàng)指標(biāo)，來評(píng)估健康狀況以確保老年人獨(dú)立生活的安全性[69]。此外，最新的研究將久坐行為的研究對(duì)象進(jìn)一步擴(kuò)展，例如職場(chǎng)人群、青少年學(xué)生等[70]。同時(shí)對(duì)長(zhǎng)時(shí)間坐姿與久坐行為模式的劃分更為細(xì)化，而未來加速度計(jì)與更加先進(jìn)的人工智能算法的結(jié)合將進(jìn)一步提高檢測(cè)的精度。

久坐行為引起的體力活動(dòng)不足是心血管疾病和其他慢性疾病的風(fēng)險(xiǎn)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(dòng)可以降低以上各種疾病發(fā)生的風(fēng)險(xiǎn)[71]。綜上所述，對(duì)于各年齡段的人群，運(yùn)用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法，并結(jié)合以IMU技術(shù)為核心的智能可穿戴設(shè)備能很好地實(shí)現(xiàn)對(duì)活動(dòng)方式識(shí)別與能量消耗的評(píng)估，培養(yǎng)健康的生活方式。相比于傳統(tǒng)的視頻識(shí)別，IMU有著更加高效的實(shí)時(shí)反饋性能。而結(jié)合SVM、ANN、CNN等算法模型，可使智能可穿戴設(shè)備具有媲美視頻識(shí)別的預(yù)測(cè)精準(zhǔn)度，而完善智能可穿戴設(shè)備中人工智能預(yù)測(cè)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(yùn)動(dòng)損傷防控

此聚類群主要包括：#5“遠(yuǎn)距醫(yī)療”、#7“損傷風(fēng)險(xiǎn)”。此聚類包括人工智能技術(shù)對(duì)老年人跌倒風(fēng)險(xiǎn)防控的研究，人工智能技術(shù)對(duì)健康人群與運(yùn)動(dòng)員的訓(xùn)練負(fù)荷監(jiān)控、腦震蕩評(píng)定、膝關(guān)節(jié)損傷檢測(cè)、心臟缺陷檢測(cè)、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(duì)老年人跌倒風(fēng)險(xiǎn)的檢測(cè)與防控研究。老年人跌倒是主要的健康問題之一，嚴(yán)重的會(huì)導(dǎo)致后遺癥甚至死亡。目前，人體跌倒風(fēng)險(xiǎn)檢測(cè)技術(shù)大致可分為3類：人體可穿戴式傳感器監(jiān)測(cè)、基于環(huán)境布設(shè)傳感器監(jiān)測(cè)和基于計(jì)算機(jī)視覺的監(jiān)測(cè)技術(shù)。而機(jī)器學(xué)習(xí)與深度學(xué)習(xí)技術(shù)也在不斷提升監(jiān)測(cè)的精確性，在跌倒風(fēng)險(xiǎn)檢測(cè)識(shí)別中，SVM算法在8種機(jī)器學(xué)習(xí)算法中精度最高，可達(dá)95%[73]。應(yīng)用于可穿戴式傳感器中，多以多軸加速度計(jì)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(fēng)險(xiǎn)[74-76]。在基于環(huán)境布設(shè)傳感器的研究中，通過地面振動(dòng)是檢測(cè)跌倒風(fēng)險(xiǎn)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(cè)精度低、攜帶不便、受環(huán)境影響較大的缺點(diǎn)，近年來，基于視覺傳感器的人體跌到風(fēng)險(xiǎn)檢測(cè)受到了廣泛關(guān)注。Cucchiara等用事先校準(zhǔn)好的攝像機(jī)獲得人體姿勢(shì)，提高了遮擋情況下進(jìn)行人體跌倒風(fēng)險(xiǎn)檢測(cè)的魯棒性，而運(yùn)用機(jī)器學(xué)習(xí)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(jìn)的SVM算法運(yùn)用到基于多個(gè)攝像機(jī)的人體3D模型構(gòu)建對(duì)人體動(dòng)作的分類也有很好的效果。有研究者提出了一套聲學(xué)監(jiān)測(cè)系統(tǒng)，運(yùn)用SVM算法通過區(qū)分各種聲音來進(jìn)行人體跌倒風(fēng)險(xiǎn)的檢測(cè)[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(yùn)動(dòng)損傷診斷中的應(yīng)用研究，提出樸素貝葉斯分類器可作為切合實(shí)際的應(yīng)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(shí)際應(yīng)用方面主要涉及對(duì)運(yùn)動(dòng)損傷風(fēng)險(xiǎn)的預(yù)測(cè)、量化與模擬研究。機(jī)器學(xué)習(xí)技術(shù)可在不同訓(xùn)練負(fù)荷與比賽條件下建立與制定針對(duì)職業(yè)運(yùn)動(dòng)員尤其是團(tuán)體性運(yùn)動(dòng)項(xiàng)目運(yùn)動(dòng)員的腿部拉傷、膝關(guān)節(jié)損傷與心臟缺陷的預(yù)測(cè)模型和檢測(cè)手段[82-85]?？山Y(jié)合IMU技術(shù)量化運(yùn)動(dòng)碰撞中的接觸面負(fù)荷[86]，監(jiān)測(cè)頭部運(yùn)動(dòng)荷載[87]，并可結(jié)合聲學(xué)反饋功能降低頭部損傷的風(fēng)險(xiǎn)[88]。同時(shí)，可精準(zhǔn)地量化和預(yù)測(cè)運(yùn)動(dòng)員主觀疲勞感（PRE）與運(yùn)動(dòng)負(fù)荷之間的關(guān)系，并形成科學(xué)運(yùn)動(dòng)訓(xùn)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(yùn)動(dòng)員的負(fù)性生活事件壓力感與急性運(yùn)動(dòng)損傷風(fēng)險(xiǎn)增加呈正相關(guān)[90]。目前，在足球、籃球、橄欖球、排球項(xiàng)目的運(yùn)動(dòng)損傷防控研究中，均有機(jī)器學(xué)習(xí)技術(shù)的運(yùn)用實(shí)例。與此同時(shí)，對(duì)于普通人群，通過IMU與ANN模型的結(jié)合，也能夠智能監(jiān)測(cè)下肢訓(xùn)練疲勞程度，預(yù)防運(yùn)動(dòng)損傷[91]。

綜上所述，對(duì)于老年人跌倒損傷檢測(cè)與風(fēng)險(xiǎn)防控研究多以計(jì)算機(jī)視覺技術(shù)為主，分析精度與網(wǎng)絡(luò)反饋速度的提升預(yù)測(cè)將是未來的發(fā)展方向。而在健康人群尤其是運(yùn)動(dòng)員的運(yùn)動(dòng)損傷防控研究中，人工智能技術(shù)未來的一個(gè)巨大挑戰(zhàn)是應(yīng)用相關(guān)智能模型整合所有相關(guān)變量進(jìn)行運(yùn)動(dòng)損傷風(fēng)險(xiǎn)評(píng)估和績(jī)效預(yù)測(cè)，開發(fā)更高效、簡(jiǎn)便、精準(zhǔn)的基于機(jī)器學(xué)習(xí)與深度學(xué)習(xí)算法的IMU是需要學(xué)者共同關(guān)注的話題。

2.4.3 聚類群Ⅲ：運(yùn)動(dòng)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(duì)個(gè)人運(yùn)動(dòng)項(xiàng)目與團(tuán)隊(duì)運(yùn)動(dòng)項(xiàng)目基于IMU的、與計(jì)算機(jī)視覺技術(shù)結(jié)合的體能與技戰(zhàn)術(shù)分析與預(yù)測(cè)。

人類活動(dòng)識(shí)別（HAR）可以通過機(jī)器學(xué)習(xí)或深度學(xué)習(xí)模型方法實(shí)現(xiàn)。動(dòng)作檢測(cè)的原理是指在連續(xù)的數(shù)據(jù)輸入信號(hào)中識(shí)別目標(biāo)實(shí)例，例如網(wǎng)球擊球動(dòng)作[92]。而動(dòng)作的識(shí)別或分類涉及對(duì)識(shí)別實(shí)例的進(jìn)一步解釋和標(biāo)記預(yù)測(cè)，例如：識(shí)別網(wǎng)球正、反手擊球動(dòng)作[93]。

運(yùn)動(dòng)表現(xiàn)分析主要涉及IMU對(duì)競(jìng)賽技戰(zhàn)術(shù)的識(shí)別與分析。在機(jī)器學(xué)習(xí)算法選擇中，SVM與ANN的精度較高[94]。在競(jìng)賽實(shí)戰(zhàn)應(yīng)用方面，結(jié)合機(jī)器算法的IMU可以收集與分析橄欖球運(yùn)動(dòng)員在比賽中的身體數(shù)據(jù)，提出針對(duì)每個(gè)賽場(chǎng)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(duì)高爾夫球揮桿動(dòng)作進(jìn)行分析，提高擊球精準(zhǔn)度[97]。但近年來，深度學(xué)習(xí)算法進(jìn)一步提高了IMU的檢測(cè)精度，其特殊的非結(jié)構(gòu)化數(shù)據(jù)模式較機(jī)器學(xué)習(xí)減少了計(jì)算時(shí)間[98]。其中，CNN因其具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)成為了深度學(xué)習(xí)算法的代表性算法之一，具有較高的檢測(cè)精度[99]。目前已被應(yīng)用于團(tuán)體性運(yùn)動(dòng)項(xiàng)目與個(gè)人運(yùn)動(dòng)項(xiàng)目，例如，排球[100]與跳臺(tái)滑雪[101]可結(jié)合IMU實(shí)現(xiàn)對(duì)錯(cuò)誤技術(shù)動(dòng)作的識(shí)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(jìn)一步擴(kuò)大深度學(xué)習(xí)算法在人體運(yùn)動(dòng)能力提升方面的應(yīng)用范圍[102]。預(yù)計(jì)未來的算法模型開發(fā)將逐步采用深度學(xué)習(xí)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(xué)習(xí)的優(yōu)勢(shì)[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(yīng)用于計(jì)算機(jī)對(duì)運(yùn)動(dòng)成績(jī)的分析與預(yù)測(cè)研究中，并認(rèn)為ANN將是未來的發(fā)展方向[104]。隨著社會(huì)的發(fā)展，印證了兩位學(xué)者預(yù)言的準(zhǔn)確性。#9聚類主要涉及計(jì)算機(jī)視覺對(duì)人體動(dòng)作識(shí)別的研究，使用圖形處理器（GPU）對(duì)圖像進(jìn)行處理。GPU是超大規(guī)模集成電路元件，是計(jì)算機(jī)系統(tǒng)結(jié)構(gòu)中的重要組成部分，能夠?qū)崿F(xiàn)浮點(diǎn)運(yùn)算功能。應(yīng)用方向主要為結(jié)合機(jī)器學(xué)習(xí)與深度學(xué)習(xí)技術(shù)的體育運(yùn)動(dòng)技戰(zhàn)術(shù)分析和成績(jī)預(yù)測(cè)。大多數(shù)基于視覺的研究選擇RGB模式的單攝像機(jī)設(shè)置。從單個(gè)攝像機(jī)輸出的數(shù)據(jù)與從多個(gè)攝像機(jī)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(jì)算工作量。Stein等[105]提出了一種單攝像機(jī)模式下，視頻與解析軌跡可視化相結(jié)合的團(tuán)隊(duì)運(yùn)動(dòng)數(shù)據(jù)可視化分析系統(tǒng)，可有效分析足球運(yùn)動(dòng)員的賽場(chǎng)數(shù)據(jù)。而通過建立ANN預(yù)測(cè)模型并結(jié)合單攝像機(jī)的視頻跟蹤系統(tǒng)已成功實(shí)現(xiàn)了對(duì)足球[12]、籃球[11]、板球[13]、手球[106]球員臨場(chǎng)運(yùn)動(dòng)表現(xiàn)的分析與團(tuán)隊(duì)技戰(zhàn)術(shù)模式的預(yù)測(cè)。

近年來，CNN在單幅圖像的二維狀態(tài)處理任務(wù)上具有性能優(yōu)勢(shì)。Andrej等[107]通過建立基于CNN圖像識(shí)別模型對(duì)網(wǎng)絡(luò)視頻中487類人體動(dòng)作進(jìn)行識(shí)別，發(fā)現(xiàn)模型具有強(qiáng)大的識(shí)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(duì)應(yīng)的峰值信號(hào)，可對(duì)游泳和網(wǎng)球動(dòng)作進(jìn)行高效識(shí)別[108]。Krizhevsky教授團(tuán)隊(duì)開發(fā)出了一種規(guī)模更大的深度卷積的神經(jīng)網(wǎng)絡(luò)，由5個(gè)卷積層組成，可以將ImageNet LSVRC-2010圖像分類比賽中的120萬(wàn)張高分辨率圖像分為1 000個(gè)不同的類別[109]。在此基礎(chǔ)上，有研究者還對(duì)CNN進(jìn)行了模型和數(shù)據(jù)并行化，在4個(gè)GPU上實(shí)現(xiàn)了加速度的大幅提高，并驗(yàn)證了8個(gè)GPU模型的應(yīng)用可行性[110]。

綜上所述，IMU和計(jì)算機(jī)視覺在對(duì)人體技術(shù)動(dòng)作具有很強(qiáng)的識(shí)別與分析功能，其中CNN算法在識(shí)別與預(yù)測(cè)精度上要優(yōu)于機(jī)器學(xué)習(xí)算法。在未來針對(duì)不同運(yùn)動(dòng)項(xiàng)目的動(dòng)態(tài)特征、設(shè)備限制和環(huán)境變化等不確定因素，對(duì)于更精準(zhǔn)的機(jī)器學(xué)習(xí)與深度學(xué)習(xí)算法模型的應(yīng)用將會(huì)是一個(gè)挑戰(zhàn)。選擇、調(diào)整和擴(kuò)展與特定的體育運(yùn)動(dòng)項(xiàng)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(kù)中，開展體育人工智能研究的國(guó)家（地區(qū)）中，美國(guó)處于世界領(lǐng)先水平。西班牙、加拿大、澳大利亞、英國(guó)的研究也有一定影響力。我國(guó)在發(fā)文量中排名第2，但文獻(xiàn)中心性排在第11位，說明我國(guó)體育人工智能相關(guān)領(lǐng)域的研究還沒有引起國(guó)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(tuán)隊(duì)集中在美國(guó)高校，以開發(fā)針對(duì)不同人群的，基于機(jī)器學(xué)習(xí)與深度學(xué)習(xí)技術(shù)的智能可穿戴設(shè)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(xué)、計(jì)算機(jī)科學(xué)、體育學(xué)等學(xué)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(jì)算機(jī)科學(xué)中“來”，在工程學(xué)中“蛻變”，應(yīng)用到體育學(xué)中。

4）體育人工智能的應(yīng)用研究熱點(diǎn)分為3大聚類群，即體質(zhì)健康促進(jìn)研究、運(yùn)動(dòng)損傷防控研究、運(yùn)動(dòng)能力提升研究。研究載體主要以基于IMU的智能可穿戴設(shè)備和基于GPU的計(jì)算機(jī)視覺分析為主。研究算法從機(jī)器學(xué)習(xí)算法逐漸向深度學(xué)習(xí)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(shí)證研究、從定量研究到綜合研究的發(fā)展脈絡(luò)，且不同階段的研究熱點(diǎn)與側(cè)重點(diǎn)各有不同。體育人工智能研究的未來趨勢(shì)依然呈現(xiàn)出一種更加實(shí)證化、應(yīng)用化的策略，通過不斷完善與匹配，找到更加高效與實(shí)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(shè)備與提高視覺分析系統(tǒng)的分析學(xué)習(xí)功能是未來研究的重要方向。

參考文獻(xiàn)：

[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(guó)人工智能40年[J]. 科技導(dǎo)報(bào)， 2016，34（15）：12.

[3]? 王東，利節(jié)，許莎. 人工智能[M]. 北京：清華大學(xué)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(dāng)前人工智能技術(shù)創(chuàng)新特征和演進(jìn)趨勢(shì)[J]. 智能系統(tǒng)學(xué)報(bào)，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(jī)器學(xué)習(xí)的大學(xué)體育成績(jī)預(yù)測(cè)與分析[J]. 現(xiàn)代電子技術(shù)，2017， 40（17）：116.

[29]? 校力. 一種體育運(yùn)動(dòng)結(jié)果預(yù)測(cè)的機(jī)器學(xué)習(xí)框架設(shè)計(jì)[J]. 自動(dòng)化技術(shù)與應(yīng)用，2019， 38（9）：59.

[30]? 劉昊. 基于GM（1，1）與反向傳輸神經(jīng)網(wǎng)絡(luò)的大學(xué)生體育成績(jī)預(yù)測(cè)[J]. 南京理工大學(xué)學(xué)報(bào)，2017，41（6）：760.

[31]? 常亮，孫國(guó)妹，劉雨辰. 基于灰色神經(jīng)網(wǎng)絡(luò)的體育成績(jī)預(yù)測(cè)研究[J]. 價(jià)值工程，2015（20）：191.

[32]? 董哲宇，汪千軍，李萬(wàn)杰，等. 基于神經(jīng)網(wǎng)絡(luò)的人體動(dòng)作識(shí)別方法[J]. 計(jì)算機(jī)與現(xiàn)代化，2018（3）：26.

[33]? 楊靜. 體育視頻中羽毛球運(yùn)動(dòng)員的動(dòng)作識(shí)別[J]. 自動(dòng)化技術(shù)與應(yīng)用，2018，37（10）：120.

[34]? 趙勇，巨永鋒. 基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的人體姿態(tài)估計(jì)[J]. 測(cè)控技術(shù)，2018，37（6）：9.

[35]? 尹坤陽(yáng)，潘偉，謝立東，等. 一種基于深度學(xué)習(xí)的人體交互行為分層識(shí)別方法[J]. 廈門大學(xué)學(xué)報(bào)（自然科學(xué)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(luò)深度學(xué)習(xí)的人體行為識(shí)別方法[J]. 計(jì)算機(jī)科學(xué)，2016，43（2）：56.

[37]? 丁潤(rùn)新. 基于BP神經(jīng)網(wǎng)絡(luò)的排球普修技術(shù)評(píng)價(jià)模型研究[D]. 武漢： 武漢體育學(xué)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(yīng)用[D]. 上海：上海體育學(xué)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(yīng)用[J]. 計(jì)算機(jī)工程，2010，36（24）：272.

[40]? 楊宋華. 基于大數(shù)據(jù)網(wǎng)絡(luò)的運(yùn)動(dòng)損傷評(píng)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(luò)算法的田徑運(yùn)動(dòng)損傷預(yù)警模型研究[J]. 計(jì)算機(jī)應(yīng)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(guó)外足球運(yùn)動(dòng)體能訓(xùn)練前沿?zé)狳c(diǎn)與演化分析：基于科學(xué)知識(shí)圖譜的可視化研究[J]. 體育科學(xué)，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(guó)外足球運(yùn)動(dòng)體能訓(xùn)練前沿?zé)狳c(diǎn)與演化分析：基于科學(xué)知識(shí)圖譜的可視化研究[J]. 體育科學(xué)，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.