基于生理指標監測的U19、U17足球運動員訓練效果干預研究——機器學習判別應用

王 玉，萬 勃

?

基于生理指標監測的U19、U17足球運動員訓練效果干預研究——機器學習判別應用

王 玉，萬 勃

南京工程學院體育部，江蘇南京，211167。

通過機器學習判別方法評估生理指標監測過程對U19、U17梯隊足球運動員訓練效果產生的干預作用及干預程度。結果表明：實施生理監測干預的運動員梯隊與未實施監測梯隊在技術統計數據上表現出多元顯著差異（=21.56>、=29.37>）。隨著生理監測統計指標的增加，SVM機器學習算法對干預過程的判別正確率表現出提高趨勢。增加Trimp、O2max指標，U19、U17梯隊預測判別正確率分別上升12.5%、25%；增加HB、CK、T指標，U19梯隊判別準確率上升25%，U17梯隊判別準確率保持不變；增加HR*VO2max交互指標，U19梯隊判定正確率達87.5%，U17梯隊判別準確率達100%。結論：引入生理指標監控的足球訓練過程可高效反饋機體的應激反應，為運動訓練提供輔助支持。

生理指標；足球運動員；訓練效果；干預研究

競技體育的目的是贏得比賽，運動員技能掌握與機能狀態是競技比賽的基礎，技術評價及生理機能監測已廣泛應用于科學化訓練過程[1-3]。在足球訓練實踐中，運動員身體機能狀態影響制約著運動技能的發揮[4]。如何依據運動員機能狀態調整運動員負荷強度及訓練任務是完成科學化足球訓練過程的重要保證，因此，研究生理機能監測過程對訓練產生的干預作用及干預程度具有現實意義。

大數據技術的應用及數據采集精度的提高使研究者對足球訓練這一復雜現象的認識不斷深入。Castagna C（2011）[5]提出了足球訓練過程中加強運動員、教練員耐力、力量素質練習的必要性。哈根大學Krustrup P（2005）[6]以優秀女足運動員為研究對象，討論足球比賽中運動員機體的生理生化反應（疲勞模式）的體能需求與加強“運動訓練狀態”的相關性問題，強調體能在足球比賽中的重要作用。Mohr（2003）[7]將不同水平足球運動員進行實驗對比，發現運動技能、疲勞恢復與運動員級別成正相關關系，而疲勞的產生于比賽時間段、球員賽場位置不存在相關關系，但運動員體能在比賽過程中具有周期變化的特點。宮樂貞（2015）[8]利用TRIMP評價足球訓練與比賽的負荷，計算累積負荷量，監控訓練過程以及為訓練計劃的制定和調整提供依據。尹龍（2014）[9]引入知識圖譜方法對 Web of Science 足球訓練領域進行分析，描述近十年來的研究現狀和研究熱點，得出國際足球訓練研究主要涉及運動員對教練員訓練和比賽理念的執行力與成績，足球訓練中力量和耐力等體能訓練，足球訓練和比賽中損傷及預防，訓練方法與手段及負荷的可靠性等方面。劉丹（2009）[10]通過建立中國女子足球隊運動員生化指標數據庫，分析女足備戰大賽各周期機能狀態及專項有氧、無氧能力的實驗評定，對生理、生化指標訓練監控進行了綜合分析和評價。

綜合分析，目前國內外關于足球運動員訓練多是基于技術技能、身體機能離散視角討論的分類研究，所設定的研究方向與模型雖具有代表性，但缺乏綜合性及普適性使研究推廣受到限制。因此，應該繼續檢驗傳統足球訓練評價體系在足球梯隊訓練中的效度，同時探索人體指標監控干預過程在足球運動訓練中的“干預”程度，是本研究力求解決的問題，也是機器學習理論的應用實踐過程。

1 研究理論及流程設計

1.1 問題描述及分析

生理指標監測已被廣泛應用子足球運動訓練輔助支持研究[11]。其中，心率是反映運動強度最直接的指標。當心率變化范圍介于110 -180次/分區間時，心率與運動強度、能量代謝之間存在著顯著的線性關系[12]；而以平均心率、最高心率以及不同強度心率等多項指標進行分析能夠評價體能訓練的效果[13]。攝氧量（O2max）是評價機體有氧能力最常用的指標。研究表明，男子足球運動員的VO2max與整場比賽跑動距離之間呈顯著正相關（r =0 .67）[14]。血紅蛋白是反映運動強度直接而敏感的指標[15]，大負荷運動時，常與肌酸激酶（CK）指標共同檢驗機體能量代謝水平[16]。當睪酮（T）水平相對負荷訓練時期更高時，表明機體處于較好的恢復階段[17]。

經上述分析，將各類生理指標作為反映足球訓練的輔助支持具有科學性。研究確定，選取心率（HR）、攝氧量（O2max）、血紅蛋白（HB）、肌酸激酶（CK）、睪酮（T）五項主要指標作為足球U19、U17梯隊運動員的生理指標監測。其中，心率除了反映活動強度的計數指標，還包括有氧閾心率Trimp I、混氧閾心率Trimp II、無氧閾心率Trimp III三項子指標；攝氧量指標包括最大耗氧量（VO2max）、無氧域耗氧量（ATO2max）兩項測試變量。心率及相關指標監測采用Garmin Forerunner 225 專業心率儀，有氧指標測試采用MAX-II有氧測試分析儀，其他指標針對訓練周期安排，共進行五次清晨靜脈采血。

1.2 評價結構

研究主要解決生理指標在運動訓練中的干預作用及程度問題，因此，傳統足球訓練評價指標應作為評價足球訓練效果的重要組成部分，即評價結構應是技能訓練與生理生化輔助支持研究的有機結合。將心率HR、Trimp、攝氧量、血紅蛋白等生理指標數據結合傳統足球運動訓練評價體系，得出研究評價結構圖，如圖1。

圖1 U19、U17梯隊運動員訓練效果評價結構圖

1.3 流程設計

將生理指標監測引入足球梯隊訓練過程的目的是確定干預過程的意義以改進運動訓練效果，因此選取模擬比賽結果統計數據作為本研究現實意義的評判標準（dependent variable, DR）。訓練組與測試組隊員依據足球訓練評價指標均衡分配，若實施體征監測運動員組與常規訓練運動員組在多維比賽結果中表現出多元顯著差異時，認為干預研究具有意義，進一步以機器學習構造樣本訓練集及預測集，確定干預過程的效率；反之認為研究不具意義。研究流程如圖2。

圖2 研究設計流程圖

多數人體生理指標測試結果服從正態分布[18]，因此研究測試數據視為服從多元正態分布，結果以霍特林T2控制圖進行檢驗。當處于干預組的隊員其多元統計數據處于統計距離（Mahalanobis distance, MD）控制域（控制域α=0.2）之外時，依據其運動強度過量或強度不足進行提示干預，使其調整運動強度，控制身體活動狀態。

2 研究樣本與方法

2.1 測試樣本

以江蘇蘇寧足球俱樂部共48名男子足球運動員作為研究對象，其中U19梯隊、U17梯隊各24名運動員，時間跨度2014年11月至2015年2月。

2.2 實驗設計

研究目的是確定生理指標監測過程對運動員訓練產生的干預作用，結果可能出現“有作用”或“無作用”兩種情況，考慮樣本數量，實驗采用人數1:1對等配比的原則，將兩組梯隊分別分成干預組（Treatment）與控制組（Control）。為了確定生理監測干預過程對訓練結果產生的影響，對干預組采取足球運動員訓練效果實施綜合評價，同時進行生理指標數據追蹤。結果檢驗保留30次模擬比賽統計數據，采取每輪技術統計并進行多元檢驗。

2.3 研究方法

2.3.1 多元統計 足球訓練過程涉及多個獨立隊員，每個隊員對應多個觀測數據，且每個隊員具有獨立性，因此，各個隊員的觀測數據能夠表示為 P維歐氏空間內的點，可視為多元數據，而分析多元數據的統計方法即為多元統計分析。

2.3.2 機器學習 機器學習（Machine Learning, ML）是人工智能的核心，通過算法設計模擬或實現人類的學習行為以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。引入機器學習研究U19、U17梯隊運動員訓練分類的目的在于通過檢驗結果對于過程分類的精度（Accuracy）以判別生理監測干預過程的作用程度。通過支持向量機（SVM）算法，建立分類超平面作為控制訓練組與干預訓練組的決策曲面，實現高維數據結構的映射過程。

3 研究模型建立

3.1 變量及檢驗

評價足球訓練效果采用“中超聯賽每輪技術統計”方式，評價實驗組與測試組對陣雙方相關數據（考慮評價趨向，刪除了“失球”“黃牌”“紅牌”等負向指標）。若兩組球隊統計數據在多元檢驗中出現顯著差異，反映實驗過程有效，可以作為機器學習判別的支撐前提；若未能拒絕多元差異，則反映實驗設計沒有統計學意義，實施生理指標監測不具必要性。

將30組模擬比賽結果分類統計，U19梯隊技術統計數據分布如表1。

對U19梯隊干預組（x1）與控制組（x2）各項技術統計結果進行正態性檢驗，結果均未拒絕正態分布，因此總體均值相等性檢驗近似以100（1-α）%置信橢球為滿足：

表1 U19梯隊技術統計數據分布

注：表格右上部為干預組球隊統計數據分布，左下部為控制組球隊數據分布。各統計指標及含義：JQ為進球；SM為射門；SZ為射正；JQ為角球；QCRYQ為前場任意球；DQ為點球；QJCG為搶截成功；GRQC為攻入前場30米。

多元檢驗結果將作為機器學習分類的依據，建立分類超平面，有效分離生理監測過程產生的影響。

3.2 評價指標檢驗

3.2.1 足球訓練效果評價指標體系 依據研究設計，足球運動員綜合評價體系包括兩個核心內容：（1）足球訓練評價指標體系，（2）運動生理監測指標體系。傳統評價指標選取參考當前足球訓練評價的大量研究成果[16]，初步確定28個變量作為備選指標，如表2。

表2 足球訓練評價指標

指標a1-a7反映運動員無球技術水平，a8-a14反映運動員有球技術水平，a15-a17反映運動員戰術意識，a18-a22反映運動員身體素質，a23-a25反映運動員心理素質，a26-a28反映應變能力。采用以上指標對U19梯隊運動員實施十分制評分，結果進行正態性檢驗，結果多數指標評測結果不服從正態分布（表3），只有a1、a4-a6、a8、a13、a15、a19-a22、a26未拒絕服從正態分布，因此，需采取非參數及t檢驗結合的方案。

3.2.2 差異顯著性檢驗 對不符合正態分布的指標集進行Wilcoxon's Sign Rank Test檢驗，結果如表3。

表3 Wilcoxon's Sign Rank Test檢驗結果

檢驗結果表明，足球訓練評價指標a2、a3、a17、a18、a23、a25、a27的Pr值通過Wilcoxon's Sign Rank Test檢驗（P<0.05），其他指標因未表現出顯著性差異，在指標集中刪除。對a1、a4-a6、a8、a13、a15、a19-a22、a26指標進行t檢驗（過程略），結果a5、a6、a13三項指標未表現出顯著性差異被剔除，指標a1、a4、a8、a15、a19-a22、a26拒絕相等性假設，適用于機器學習模型。

其中a1、a4是表現無球技術的指標，a8表示無球技術的指標，a15表示戰術意識的指標，a19-a22表示身體素質的指標，a26表示足球隊員臨時應變能力的指標。

3.2.3 生理監測結果 生理監測結果包括有氧閾心率Trimp I、混氧閾心率Trimp II、無氧閾心率TrimpIII、最大耗氧量（VO2max）、無氧域耗氧量（ATO2max）、血紅蛋白（HB）、肌酸激酶（CK）、睪酮（T）八個具體指標分別以b1-b8表示。實施監測的同時，構建依據心率HR和VO2max交互指標，使運動員了解強度，加強訓練的互動性，該指標以b9表示。監測指標及具體數值如表4。

表4 球隊生理指標監測結果

其中b1-b3是反映Trimp的有關指標，b4、b5反映吸氧量水平的有關指標，b6-b8記錄生化指標的變化狀況，b9反映心率與最大吸氧量的交互指標。經檢驗，所有生理指標監測結果（b1-b8）均服從正態分布（過程略）。

3.3 機器學習判別理論

在多維數據分析中引入機器學習的實質是數據挖掘技術的推進。意義在于將多元化的評價指標結合，以似然度（likelihood）和假設（hypothesis）的概率去預測新實例的結果，依據結果的預測效率發現某些潛在方案。實施體征指標監測的U19、U17運動員屬于小樣本情形，機器學習采用支持向量機（Support Vector Machine，SVM）算法完成分析過程。SVM建立于統計學習VC 維理論和結構風險最小原理基礎之上，依據有限的樣本信息在模型的復雜性（即對特定訓練樣本的學習精度，Accuracy）和學習能力（即無錯誤地識別任意樣本的能力）之間尋求最佳折衷，以獲得最好的推廣能力（泛化能力）[19]，其基本原理如圖3。

圖3 SVM分類判別機制

如圖，二維平面中，C1、C2代表需要區分的兩個類別，中間的直線H是一個分類函數，代表用來將兩類樣本分開的超平面，H1、H2表示兩條直線，平行于超平面H，兩直線之間的距離稱為分類間隔（margin）。將C1、C2類別正確分開并使分類間隔最大的超平面H1、H2即為最佳分類面。超平面H用方程表示為：H：，對其進行歸一化，使得對線性可分的樣本集，滿足：

定義Lagrange乘子αi及原條件約束，得出其對偶問題：

其中sgn（）為符號函數，b表示閾值。

生理狀態處于實時監控下的足球運動員訓練過程，反映出傳統運動訓練質量評價體系無法度量的更多信息。假設足球運動訓練評價指標具有p個維度，而判別訓練質量的條件具有q個維度，則機器學習模型輸入為p維數據，輸出為q維數據。將k個運動員的樣本數據K={xi，yi|i=1,2,3…,k}，x∈Rp，y∈Rq進行訓練集與驗證集分離，足球運動訓練指標監測干預研究的本質就轉換為針對訓練集空間尋求最優分類面并確定決策函數問題。決策函數的學習能力通過訓練集檢驗，決策判定準確率越高，生理監測的干預作用越明顯。在復雜的足球訓練及比賽環境中，教練與隊員之間形成頻繁互動的網絡，技術技能、身體素質、心理素質等環節存在大量不確定因素，這些不定因素決定足球運動員訓練效果評價更趨向非線性，因此模型設定的輸入變量與輸出變量之間更近似于非線性關系。引入核函數進行特征空間映射，能夠有效處理分類屬性的非線性關系，通常Gaussian Radial Basis（RBF）核具有更高的精度，其表示方式為：

通過確定懲罰參數C的取值，訓練得到生理指標監測的足球訓練評價非線性支持向量機模型，決策函數為：

依據以上理論，通過處理“支持向量”xi和輸入空間抽取向量x之間的內積核過程，完成了機器學習算法。

4 結果與說明

多元檢驗結果表現為二分類問題，因此將U19、U17梯隊分為兩組類別標簽，干預組隊員類別標簽標記為1，控制組類別標簽標記為2，將兩類標簽數據每個類別分成兩組，設定樣本總量1/3為訓練集（train）、2/3作為測試集（test），進行機器學習預測過程的重新組合。選用RBF核函數，交叉驗證最佳參數C和σ，用訓練集對SVM分類器進行訓練，用得到的模型對測試集進行標簽預測，首先以足球訓練評價指標數據引入模型，得到結果如圖4所示。

圖4 訓練指標判定結果

圖5 增加Trimp、O2max指標判定結果

圖4顯示實施生理指標監測的足球訓練效果的判定結果，在以訓練集對預測集的預測精度上，的U19運動員（干預訓練組）存在5個誤判，判定準確率為37.5%，U17運動員組有3個出現誤判，判定正確率達62.5%。加入Trimp、O2max監控指標（b1-b5）的判定結果如圖5所示，兩組梯隊訓練效果預測正確率均有所上升，U19梯隊訓練組有4個誤判，判定準確率為50%，U17訓練組有1個誤判，判定準確率達87.5%。

圖6 增加HB、CK、T指標判定結果

圖7 增加HR*VO2max交互指標判定結果

觀察圖6得出，繼續增加HB、CK、T指標（b1-b7）進行預測時，U19組降低至兩個誤判，判正率上升至75%，U17訓練組仍存在一組誤判，判正率為87.5%。近一步將心率和最大攝氧量交互指標（HR*VO2max）代入模型，檢驗所有測試生理指標（b1-b8）的預測效果，結果顯示，U19梯隊減少至1個誤判，判定準確率為87.5%，U17梯隊則消除了誤判，判定準確率為100%（圖7）。將以上結果總結，得出表5。

表5 引入生理指標監測的U19、U17分類判定

表5顯示，隨著引入生理指標數量的增加，預測集精度呈上升趨勢，表明在機器學習算法設計合理的狀況下，更多的生理指標結合傳統的足球訓練評價體系會產生更高的判定準確率。某些生理指標的增加不一定帶來判斷正確率的提升（如U17梯隊增加HB、CK、T生理指標），一個可能的原因是這些指標在作為某一組運動員機能參照時出現時間上的滯后或前置，影響了其預測效度。機器學習結果說明，U19、U17梯隊足球評價體系融入生理指標監測數據后，對表現出多元差異結果的干預訓練過程判定準確率有很大提高。

5 結 論

足球訓練中，生理指標可高效反應運動員身體活動（physical activity, PA）狀態，具有實時性及穩定性。對48名U19、U17足球梯隊運動員冬季訓練研究結果表明，引入實時體征監測的足球訓練與傳統足球技術技能訓練結果上表現出多元顯著差異。在機器學習參數設置合理的情況下，單純的運動訓練評價體系對于訓練結果判定準確度較為有限，表現在U19梯隊與U17梯隊判別準確率均較低。引入Trimp、O2max參照指標后，對兩組梯隊的訓練效果預測準確度均有顯著提升。加入HB、CK、T指標使U19梯隊的判定準確率提升25%，幅度較為顯著，但機器學習過程對U17梯隊的生理監測干預效果未表現出區別。引入心率和最大吸氧量交互指標后，總體判定準確度進一步上升，U17梯隊生理監測干預組的判定準確度達到100%。在生理指標采集更加精確及便捷的當下，采用專業儀器實時監測運動員體征指標以推測運動狀態更為科學，以機器學習方法評價生理指標干預過程，能夠有效提升運動訓練未知結果的判定準確度，解決當前便攜式生理監測設備僅限于給出離散的統計結果的不足表現。

[1] 張綽庵，劉麗萍.優秀皮艇運動員賽前訓練效果的監控與相關分子指標的應用[J].首都體育學院學報，2010，22（5）：56~59.

[2] 曹佩江，朱曉梅，劉俊林.中國優秀柔道運動員某些生理生化指標的研究[J].體育與科學，2008，29（6）：68~71.

[3] 楊 明，田 野，趙杰修.中國國家女子馬拉松隊備戰柏林世界田徑錦標賽生理生化指標的變化特征[J].中國體育科技，2011，47（2）：21~25.

[4] 張 穎，趙克勇.青少年足球運動員在遞增負荷運動中各生理指標的變化研究及應用[J].武漢體育學院學報，2012，46（9）：78~100.

[5] Castagna.C, Stolen.T, Chamari.K, Wisloff.U. Physiology of soccer-An update[J]. Sports Medicine, 2005, 35(6): 501~536.

[6] Krustrup, P.Physical demands during an elite female soccer game: Importance of training status[J].Medicine andScience in Sports and Exercise, 2005, 37(7): 1242 ~1248．

[7] Mohr,M.Match performance of high-standard soccer players with special reference to development of fatigue[J].Journal of Sports Sciences, 2003, 21(7): 519~528．

[8] 宮樂貞.運用TRIMP評估足球訓練負荷的研究[J].北京體育大學學報，2015，38（9）：141~144.

[9] 尹 龍，李 芳，司虎克，等.基于知識圖譜的國際足球訓練研究現狀與前沿分析[J].山東體育學院學報，2014，30（2），47~53.

[10] 劉 丹，楊一民.中國女子足球隊運動員生理_生化指標監測與評價研究[J].體育科學，2009，29（8）：50~60.

[11] 朱俊平.機能指標在足球運動員身體評價中的應用研究進展[J].當代體育科技，2015，5（13）：14~16.

[12] 彭遠開，徐國林，劉 鋼.上、下肢運動條件下心率與能量代謝率線性回歸的觀察[J].航天醫學與醫學工程，1998（5）：357~361.

[13] 劉衛民.U-21優秀足球運動員競賽能力的身體素質預測、評價與選材模型[J].中國體育科技，2003，39（4）.

[14] 潘榮遠.關于足球專項耐力測評的研究[J].廣州體育學院學報，2008，28（4）：93~96.

[15] AKUBAT I, PATEL E, BARRETT S,etal. Methods of monitoring the training and match load and their relationship to changes in fitness in professional youth soccer players[J].J Sports Sci, 2012, 30(14): 1473~1480.

[16] LAMBERT M I,BORRESEN J. Measuring training load in sports[J].Int J Sports Physical Perform, 2010, 5(3): 406~411.

[17] 劉鴻優.主觀疲勞量表與體重流失在足球訓練負荷控制中的運用[J].體育科學，2015，35（5）：62~65.

[18] 趙 儉,孫要武.生理功能指標與正態分布[J].數理醫藥學雜志，1993（1）：32~34.

[19] Simom Haykin.Neural Networks and Learning Machines,Third Edition.Pearson Education, 2011: 168~172.

Based on the Monitoring of Physiological Parameters U19, U17 Football Player Training Effect Intervention——Machine Learning Judgment Application

WANG Yu, WAN Bo

Dept of P.E., Nanjing Institute of Technology, Nanjing Jiangsu, 211167, China.

The evaluation of the U19, U17 tier footballer intervention training effect generated and the degree of intervention physiological indicators for monitoring the process by machine learning identification method. The results showed that: physiological monitoring the implementation of the intervention echelon athletes and non athletes echelon in monitoring the implementation of the technical multivariate statistics showed significant differences（Tu19>X8^2（0.05）, Tu17> X8^2（0.05））. With the increase in physiologic monitoring statistical indicators, SVM machine learning algorithms to determine the correct rate forecasting group showed a trend of increasing. Increase Trimp, O2max indicators, U19, U17 echelon forecasting groups to determine the correct rate went up by 12.5% and 25%; increase HB, CK, T indicators, U19 echelon discrimination accuracy rate increased by 25%, U17 echelon discrimination accuracy rate remains constant; increase HR * VO2max interaction indicators, U19 echelon determines the correct rate of 87.5%, U17 echelon discrimination accuracy rate of 100%. The results show that, Introduction of indicators to monitor the physiological process can be efficient football training feedback body's stress response, provide additional support to sports training.

Physiological indicators; Football player; Training effect; Support vector machines

G843

A

1007―6891（2016）06―0020―07

2016-05-25

南京工程學院校級高等教育研究立項課題資助，項目編號：2015ZC10。