| 标题 | 基于大数据分析的运动员损伤康复建模研究 |
| 范文 | 王慧 摘 要： 目前对于运动员损伤康复的研究是通过对影响运动员损伤康复的因素采用多元方差重复测量方法进行分析，但是并没有对这些因素的影响效果做精准的分析和有效预测，影响康复和机能恢复。故提出一种基于大数据分析的运动员损伤康复建模方法，模型从统计学角度对损伤康复因素进行多层线性分析，得到影响因素与损伤康复的关系来描述运动损伤的发生规律，对损伤康复因素进行主成分分析得到运动损伤产生的直接影响因素，可对损伤康复影响因素进行有效预测，由此完成运动员损伤康复研究。实验结果表明，预测结果与真实结果符合度较高，证明该方法对运动员损伤康复数据分析结果有效。 关键词： 大数据分析； 主成分分析； 多层线性分析； 损伤康复； 多元方差； 有效预测 中图分类号： TN911.1?34； G804.53 文献标识码： A 文章编号： 1004?373X（2018）11?0149?04 Research on athletes′ injury rehabilitation modeling based on big data analysis WANG Hui （Shanghai Jian Qiao University， Shanghai 201306， China） Abstract： For the current study on athletes′ injury rehabilitation， the multivariate variance repeatedly?measured method is used to analyze the factors influencing the athletes′ injury rehabilitation， but the impact effects of these factors （rehabilitation and functional recovery） aren′t analyzed and predicted accurately. Therefore， an athletes′ injury rehabilitation modeling method based on big data analysis is presented. In the model， the multilayer linear analysis is performed for the injury rehabilitation factors from the perspective of statistics to get the relation between the influence factors and injury rehabilitation for the description of the occurrence regularity of sports injury. The principal component analysis is carried out for the injury rehabilitation factors to obtain the direct influence factors produced by sports injury， which can effectively predict the influence factors of injury rehabilitation， so as to complete the research on athletes′ injury rehabilitation. The experimental results show that the prediction results are in good agreement with the actual results， and this method has effective data analysis results for athletes′ injury rehabilitation. Keywords： big data analysis； principal component analysis； multilayer linear analysis； injury rehabilitation； multivariate variance； effective prediction0 引 言 随着体育事业的快速发展和人们对体育事业的热爱，运动员为取得更好的成绩经常会进行超过身体的负荷训练[1]，竞技运动项目训练强度较大，高频率的比赛极为常见，许多高水平的运动员因训练计划、各训练阶段侧重点的不同，会有各种性质的损伤[2]。损伤后的运动员不能及时返回损伤前状态，使以往的训练结果被破坏，影响运动员专业水平的提升。因此，运动员的损伤康复研究工作是目前体育学界研究的重点对象[3]。目前对影响运动员损伤康复因素的分析采用多元方差重复测量方法，但是并没有对这些因素的影响效果做精准的分析和有效預测，影响康复效果[4?5]。本文提出一种基于大数据分析的运动员损伤康复研究方法，从统计学角度对损伤康复因素进行多层线性分析，得到影响因素与损伤康复的关系来描述运动损伤的发生规律，对损伤康复因素进行主成分分析得到运动损伤产生的直接影响因素，可对损伤康复影响因素进行有效预测，由此完成运动员损伤康复研究。实现对运动员损伤康复研究进行大数据分析的目的。1 基于大数据分析的运动员损伤康复1.1 运动员损伤康复的多层线性模型 从统计学角度分析，将影响运动员损伤康复的因素划分为外在因素和运动员个体内部因素两种，将其输入至多层线性模型中进行分析。多层线性模型处理运动员损伤康复因素数据时，先以外部因素的特征变量数据建立回归方程，再把因变量用该方程中的斜率与截距表示，进行二次回归把个体内在因素的特征变量作为自变量得到分析模型。 如果影响运动员损伤康复的内在因素上有[s]个自变量[x1，x2，…，xs，]影响运动员损伤康复的外在因素上有[t]个自变量[w1，w2，…，wt，]可由此建立两个运动员损伤康复水平模型。 水平1： [ymn=β0n+β1nx1mn+β2nx2mn+…+βsnxsmn+emn] （1） 水平2： [β0j=γ00+γ01w1n+…+γ0twtn+μ0n ?βtn=γt0+γt1w1n+…+γstwtn+μtn] （2） 式中： [emn?N0，σ2e，μ?0，τ00] （3） [μ0n?μsn?N0，Σ，Σ=varμ0n?μsn=τ00 …τ0s???τs0…τss] （4） [covemn，μ0n=emn，μ1ncovμmn1，μmn2=0，n1≠n2] （5） 式中：[β0n]表示第[n]个影响因素自变量康复截距系数；[β1n…βsn]分别表示第[n]个影响因素自变量对损伤康复回归的斜率。 式（5）表明个体间的随机误差在组内相互独立。随机误差服从[P]维正态分布，外在影响因素与个体内在因素的误差项是相互独立的。因为[γst]的个体内在因素不是随机变异的，所以叫个体内在因素的固定参数。[xmn，][wn]分别称为外在影响因素与个体内在因素上的预测变量。[emn，] [μ0n，…，μsn]分别为外在影响因素与个体内在因素上的随机效应，表明各影响因素水平上单位测量误差，[σ2e，Σ]分别称为外在影响因素与个体内在因素上的随机效应方差。1.2 基于主成分分析的损伤康复研究 由1.1节可知运动损伤的发生规律，采用主成分分析方法对个体内在影响因素数据进行标准化处理得到对应矩阵，计算矩阵特征值以及各个特征值对应的特征向量，算出各个主成分由高到低的方差贡献率，得到影响损伤康复的主要个体内在影响因素。计算出个体内在因素的主成分值，即可分析出该康复影响因素占总影响因素的比重，预测出该影响因素对损伤康复的重要性。 在个体内在影响因素中有5个指标，为[x1，x2，…，x5，][n]个运动员的个人内在影响因素数据矩阵表示为： [X=x11x12…x15x21x22…x25????xn1xn2…xn5=X1 X2 … Xp] （6） 将5个原有的个体内在影响因素变量经线性变换组合为5个新的变量： [F1=a11X1+a12X2+…+a15X5F2=a21X1+a22X2+…+a25X5 ?F5=a51X1+a52X2+…+a55X5] （7） 式中：[F1]表示第一主成分；[ast]表示第二主成分；[t]表示第[t]个运动员。所有主成分的系数平方和是1，则：[a2s1+a2s2+…+a2s5=1] （8） 每个内在影响因素相互独立： [CovFs，Ft=0，s≠t，s，t=1，2，…，5] （9） 每个个体内在影响因素的方差依次递减，则： [VarF1≥VarF2≥…≥VarF5] （10） 求出式（6）的系数矩阵[ast]。对数据样本标准化： [x*st=xst-XtSt] （11） 计算出康复影响因素系数矩阵： [R=1n-1X*X*T] （12） 求出[R]值，求解损伤康复特征方程[λI-R=0，]得到5个非负特征值[λs，]并按其大小顺序排列，即[λ1≥][λ2≥…≥λ5≥0]。定义[λt]为第[t]个个体内在因素[Ft]的方差贡献，[λjs=15×100%]为第[t]个个体内在因素[Ft]的方差贡献率，前[z]个个体内在因素的方差贡献率之和[s=1zλst=1mλt×][100%]为前[z]个个体内在因素的累计贡献率。个体内在因素个数为[z]。取多少要根据具体情况确定，通常是以贡献率之和大于85%为标准。计算个体内在因素的主成分值。主成分值的大小表明对损伤康复的影响程度。确定个体内在因素的主成分个数之后，只要求出各个特征值所对应的特征向量就可以根据式（6）求出各个体内在因素的主成分值。即可分析出该康复影响因素占总影响因素的比重，预测出该影响因素对损伤康复的重要性。2 实验结果分析2.1 数据来源与实验平台 研究对象来自于全国各个地区的职业运动员学生，包含有63%国家二级运动员，分别来自辽宁、河南、山西、江苏、浙江、山东省体育运动职业技术学院中的田径运动项目的学生，根据年级和成绩分成5组进行测试。调查总人数为1 236人，其中男性618名，女性618名，参与测试的运动员年龄在16～25岁之间。实验平台为统计软件，使用HLM软件进行数据处理。2.2 实验方法 用调查问卷的方法对运动员的基本信息、损伤情况、康复情况、训练强度4个部分进行統计。给不同地区、不同性别、不同年龄段的运动员给出1 238份测试调查问卷，反馈1 226份，反馈率99%，其中有效问卷数量为1 115份，有效反馈率为90%；每个运动员测试5次，每次测试间隔不同时间。实验要求运动员以回答选择题方式填写损伤康复情况。 测试运动员的康复影响因素变量主要有内在因素个体特征，包括运动员年龄、性别、等级、性格和焦虑状况；外在因素有运动员损伤康复所需时间、运动员康复锻炼量、非康复锻炼量。焦虑是康复过程的压力程度同样使用0～6级表示。康复锻炼量是指运动员为了保持先前的体能而进行的康复期运动量的多少。非康复锻炼量是运动员做其他与专业运动无关的活动量，在时间上体现为不确定性。运动员等级是指平时平均成绩划分的级别。性格是指运动员的乐观与悲观程度，用7个等级表示。焦虑状况是指运动员自身的压力情况。性别男性是1，女性是0。 2.3 研究结果与分析2.3.1 运动员损伤康复随时间变化的分析 通过统计调查问卷上运动员的康复情况来判断其是否因时间和运动员个体差异不同而有所差异，分析结果如表1所示。Coefficient是康复系数，standard error是标准误差，是数据统计量的标准差。t?ratio统计系数与标准误差比率[6]，P?value结果的统计学意义是结果真实程度（能够代表总体）的一种估计方法[7]，P?value值为结果可信程度的一个递减指标[8]。Variance为方差[9]，df为小样本统计量，[χ2]为显著性检验指标[10]。 康复时间斜率的方差和运动员个体均值截距说明每个运动员的斜率是不同的，不同运动员的康复时间是不固定的，斜率的方差也可以说明每个运动员的康复程度随时间变化不是同步的。但都有一个规律，康复时间越长则康复程度越高。2.3.2 外在影响因素对损伤康复影响的分析 康复活动与非康复活动分析结果见表2。 由表2可知，康复情况除了与康复时间有关以外，还与运动员在康复期内做的非康复锻炼量有关。研究结果说明，康复?非康复锻炼和康复?锻炼之间的关系随运动员个体不同而有显著变化。由计算可知，运动员个人内在效应方差相对于上一个实验方差降低了，表明新加入的影响因素使分析的性能加强，证明可以用康复锻炼量、非康复锻炼量来说明对损伤康复的影响。运动员所做的非康复锻炼活动多则康复进度变缓。运动员所做的康复锻炼活动多则康复进度加快。2.3.3 运动员个体内部因素对康复的影响 个体内部因素对损伤康复的影响见表3。从表3可以看出，年龄是康复截距的重要自变量，年龄大的运动员，相对康复程度较低；性别方面，说明男性运动员比女性运动员的康复程度低。男性运动员在康复状况较差的时间段做的康复锻炼较多；对于女性运动员，在康复程度越高的日子做的康复锻炼就越多。在年龄方面，岁数大的运动员的非康复锻炼量与康复程度呈负相关；岁数小的运动员的非康复锻炼量与康复程度呈正相关。实验结果证明：岁数大的运动员在康复程度较高的情况下完成的康复锻炼量较岁数小的运动员要多，而且康复锻炼数量越多，康复程度越高。 对调查的1 115个运动员的5个内在影响因素数据建立数据集矩阵。使用统计软件对调查问卷中的个体内在康复影响因素数据集矩阵做主成分分析，个体内在康复损伤影响因素的积累方差贡献率见图1，年龄占55%，性别占35%，它们2个主成分的积累方差贡献率已经达到90%。由于积累贡献率大于85%即可认为前2个主成分年龄和性别已经可以表示之前5个影响因素数据主要部分信息，直接影响因素的提取。 将上面分析的1 115组数据中后10组数据与运动员实际康复程度进行对比，用于对比检验主成分预测符合程度。从图2可以看出，预测结果的最大符合度为99%，最小符合度为93%。经过对多次分析预测结果显示，只要预测的符合度与真实结果之间相差小于8%，即可以认为是准确有效的预测。本文方法预测的主要影响因素结果的误差都小于8%，证明预测的结果完全符合要求。3 结 语 现阶段对运动员损伤康复研究中通过对影响运动员损伤康复的因素采用多元方差重复测量方法进行分析，但是并没有对这些因素的影响效果做精准的分析和有效预测，影响康复和机能恢复。使用基于大数据的分层线性模型方法对损伤康复数据进行分析，可得到影响因素与损伤康复的关系，用于描述运动损伤的发生规律，对个体内在影响因素进行主成分分析，得到个体内在主要影响因素，运动损伤产生的主要影响因素可对损伤康复影响因素进行有效预测，由此完成运动员损伤康复研究。 但本文提出的基于大数据分析的运动员损伤康复研究方法，由于问卷调查的问题有限，没有对过多外在因素进行调查，仅对个体内在影响因素做了主成分分析，没有对外在影响因素进行主成分分析。对其他外在因素也进行主成分分析，使损伤康复影响因素更加明确，做出全面有效预测是以后对运动员损伤康复研究的一個重点方向。 参考文献 [1] 吴凯峰， 刘万涛， 李彦虎，等.基于云计算的电力大数据分析技术与应用[J].中国电力，2015，48（2）：111?116. WU Kaifeng， LIU Wantao， LI Yanhu， et al. Cloud?computing based power big data analysis technology and its application [J]. Electric power， 2015， 48（2）： 111?116. [2] 李倩伟，唐丙寅.基于大数据分析的移动对象轨迹预测方法[J].计算机测量与控制，2016，24（10）：198?201. LI Qianwei， TANG Bingyin. Moving object trajectory prediction method based on large data analysis [J]. Computer measurement & control， 2016， 24（10）： 198?201. [3] 王德文，孙志伟.电力用户侧大数据分析与并行负荷预测[J].中国电机工程学报，2015，35（3）：527?537. WANG Dewen， SUN Zhiwei. Big data analysis and parallel load forecasting of electric power user side [J]. Proceedings of the CSEE， 2015， 35（3）： 527?537. [4] 陈世敏.大数据分析与高速数据更新[J].计算机研究与发展，2015，52（2）：333?342. CHEN Shimin. Big data analysis and data velocity [J]. Journal of computer research and development， 2015， 52（2）： 333?342. [5] 郭平，王可，罗阿理，等.大数据分析中的计算智能研究现状与展望[J].软件学报，2015，26（11）：3010?3025. GUO Ping， WANG Ke， LUO Ali， et al. Computational intelligence for big data analysis： current status and future prospect [J]. Journal of software， 2015， 26（11）： 3010?3025. [6] 张滨，乐嘉锦，孙莉，等.基于列存储的大数据分析系统物化策略研究[J].计算机研究与发展，2015，52（5）：1061?1070. ZHANG Bin， LE Jiajin， SUN Li， et al. Materialization strategies in big data analysis system based on column?store [J]. Journal of computer research and development， 2015， 52（5）： 1061?1070. [7] NAM J S， LEE K E， JUN A Y， et al. Dilemmas of Korean athletes with a spinal cord injury to participate in sports： a survey based on the ICF core set for spinal cord injury [J]. Annals of rehabilitation medicine， 2016， 40（5）： 893?901. [8] 张孟利，周天天，刘朝晖.太极拳在脊髓损伤康复中应用的进展[J].中国康复理论与实践，2016，22（11）：1301?1303. ZHANG Mengli， ZHOU Tiantian， LIU Chaohui. Advance in Taiji Quan in rehabilitation for spinal cord injury （review） [J]. Chinese journal of rehabilitation theory and practice， 2016， 22（11）： 1301?1303. [9] BEJAR M P， FISHER L A， NAM B H， et al. High?level south Korean athletes′ experiences of injury and rehabilitation [J]. Sport psychologist， 2016， 31（1）： 16?29. [10] 徐辰华，李智，李成县，等.铸铝电解槽电压过程控制仿真研究[J].计算机仿真，2016，33（5）：358?362. XU Chenhua， LI Zhi， LI Chengxian， et al. Simulation of cell voltage at the aluminum electrolysis process [J]. Computer simulation， 2016， 33（5）： 358?362. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。