基于大數據網絡的運動損傷評估模型研究

楊宋華

摘 要： 現有運動損傷評估方法不能同時進行橫縱向損傷風險評估，也不能明確判斷損傷部位是單一性損傷還是復合性損傷。為了解決此問題，設計基于大數據網絡的運動損傷評估模型。通過網絡拓撲結構的搭建、深度神經網絡數據的獲得、大數據與深度神經網絡關系的構建，完成大數據網絡環境的搭建。通過運動損傷風險源的確定、損傷風險因素識別、基于損傷風險因素的運動損傷評估，完成基于大數據網絡運動損傷評估模型的搭建。設計對比實驗結果表明，新型運動損傷評估模型與傳統方法相比，能夠同時進行橫縱向損傷風險評估，也可以在短時間內判斷特定部位的運動損傷屬性。

關鍵詞： 大數據網絡； 運動損傷； 評估模型； 拓撲結構； 深度神經網絡； 風險源； 風險因素

中圖分類號： TN915?34； TP183 文獻標識碼： A 文章編號： 1004?373X（2018）06?0154?04

Abstract： The existing sports injury evaluation methods can neither simultaneously conduct horizontal and longitudinal injury risk estimation， nor can they clearly judge whether the injury part belongs to single injury or compound injury. To solve this problem， a sports injury evaluation model based on big data network is designed. The establishment of big data network environment is accomplished by establishing network topological structure， obtaining deep neural network data， and constructing the relationship between big data and deep neural network. The establishment of big data network based sports injury evaluation model is accomplished by determining the risk sources of sports injury， recognizing injury risk factors， and estimating the sports injury based on injury risk factors. The comparison experiment was designed， and the results show that the new sports injury evaluation model can simultaneously conduct horizontal and longitudinal injury risk estimation， and can also judge the sports injury property of specific parts within a short time in comparison to the traditional methods.

Keywords： big data network； sports injury； evaluation model； topological structure； deep neural network； risk source； risk factor

0 引 言

運動損傷評估模型，是一種通過預測、評估運動損傷風險，進而完成特定部位運動損傷屬性確定的物理方法。傳統情況下，采用風險識別相關理論，完成訊上風險管理，并在此基礎上通過大量的數字運算，認清特定部位的風險因素，進而把握因運動造成損傷的嚴重程度。但隨著科學技術的不斷進步，人們對于運動損傷評估準確性的要求，也越來越高，為了更好適應這種發展現狀，新型評估模型的出現成為了一種必然趨勢[1?2]。大數據網絡是一種通過云計算手段，網絡互聯網信息的捕捉手法，通常被用于廣域網、局域網的構建等方面。引入大數據網絡的相關概念，建立新型基于大數據網絡的運動損傷評估模型，通過完善拓撲結構、結合大數據與深度神經網絡等方法，搭建模型運行所需的大數據網絡環境[3]。在已完成搭建的環境下，可以通過完成風險源確定、風險因素識別等方式，完成運動損傷的風險評估，通過不確定性條件對模型的實現進行約束，使其能夠達到一個良好的運行狀態。新型運動損傷評估模型，在橫縱向損傷風險評估的實時性、判斷特定部位運動損傷屬性準確性等方面，也都具備更強的實用性價值。

1 大數據網絡環境的構建

1.1 網絡拓撲結構的搭建

大數據環境的網絡拓撲結構，包含三種連接神經元。其中第一種連接神經元，負責傳遞定點損傷部位與中樞神經系統間的交流信息，該神經元與其他2種神經元之間，保持反饋連接狀態。第二種連接神經元，負責傳遞中樞神經系統與反應損傷部位間的交流信息，該神經元也可被稱為中間神經元，起到承上啟下的作用[4?5]。第三種連接神經元，負責傳遞定點損傷部位與反應損傷部位間的交流信息，是一種外圍神經元，既可承接上述兩種神經元傳遞而來的信息，也可直接連通起始環節與終端環節。

1.2 深度神經網絡數據的獲得

大數據網絡環境下，深度神經網絡數據，可以解決運動損傷數據的識別、評估問題。當一個運動損傷數據被標記時，會自動生成一個與之相對應的深度神經網絡數據，且該數據是惟一的。當多個運動損傷數據被標記時，對自動生成多個深度神經網絡數據，且每個深度神經網絡數據，都會自動與其相對應的運動損傷數據連接[6]。深度神經網絡數據、運動損傷數據二者間始終保持惟一的對應關系，因此，無論同時生成多少個深度神經網絡數據，也不會發生對應混亂現象。endprint

1.3 大數據與深度神經網絡關系的構建

大數據與深度神經網絡間的關系，是在大數據網絡環境下，描述運動損傷評估模型的重要指標。為了便于分析，可認為大數據與深度神經網絡間的關系，是一種由輸入端向輸出端作評估延遲線的連接方式[7?8]。當輸入端的運動損傷數據包含特定序列時，輸出端顯示的評估數值為1，否則輸出0，且評估延遲線的長度有限，但運動損傷數據、評估數值二者間的延遲不確定。所以，大數據與深度神經網絡間的關系，依然屬于一種不確定的無意識序列形式。

2 基于大數據網絡運動損傷評估模型的構建

2.1 運動損傷風險源的確定

運動損傷風險源，是確定損傷風險因素的依據。單純的從一個視角分析運動損傷風險，其評估結果可能顯得過于片面，為了有效避免此類現象發生，在對運動損傷進行評估之前，必須首先完成損傷風險源的確定[9?10]。以體操項目為例，其風險源包括規則導向、器械要求、動作類型、動作組別、動作難度5大類，而該項目可按男女組別分為10項小分類，每個分項與損傷風險源間的關系可用圖1表示。

2.2 運動損傷風險因素識別

上述過程完成運動損傷風險源的確定。運動損傷風險因素識別是根據已確定的風險源，應用特定算法推算出運動損傷的風險等級，進而達到判斷損傷嚴重程度的目的。設已確定的風險源表示為[s]，則在該項風險源下，運動損傷風險因素的識別，可用如下公式表示：

[η（s）=12n=0n[ξs（l）n]] （1）

式中：[n]代表不確定變量，可隨著[s]數值的改變而改變；[ξ]代表完成運動損傷風險識別的特定算法；[l]代表在[s]風險源下，識別運動損傷風險因素產生的特定參數。

2.3 基于損傷風險因素的運動損傷評估

通過式（1）的計算，可得到一個確定的運動損傷因素識別結果，為方便后續損傷評估的進行，規定運動損傷因素識別結果為損傷評估數據來源。通常情況下，數據來源可以分為單精度、多精度和混合精度三種。其中單精度的數據來源，不需經過任何處理，可根據具體數值結果，直接進行運動損傷預評估[11]。多精度的數據來源，首先要完成精度降低處理，將所有數據均簡化成單精度數據后，方可進行運動損傷預評估。混合精度的數據來源，首先要進行區分操作，將其中單精度數據來源、多精度數據來源歸為兩類，再分別對兩種數據來源，分別進行上述操作。根據運動損傷預評估結果，可確定完成整體評估的方法。

3 實驗結果與分析

上述過程，完成基于大數據網絡運動損傷評估模型的搭建。為了驗證該模型的實用性價值，以2臺配置相同的計算機作為實驗對象，其中1臺作為實驗組，搭載新型損傷評估模型，另1臺作為對照組，搭載傳統損傷評估模型。

3.1 實驗參數設置

表1中參數依次代表損傷參數、評估準確性、網絡安全系數、運動損傷等級、橫向損傷判斷準確性、縱向損傷判斷準確性。其中網絡安全系數為Ⅲ級，代表運動損傷評估模型使用的大數據網絡環境，始終保持安全狀態。為了保證實驗的公平性，實驗組與對照組的實驗參數，始終保持一致。

3.2 橫縱向損傷風險評估情況對比

橫縱向運動損傷風險評估，若可以同時進行，則橫向與縱向的運動損傷評估準確度相差較小，且始終保持相同的上升或下降趨勢；若橫縱向運動損傷風險評估，不能同時進行，則橫向與縱向的運動損傷評估準確度相差較大，且始終保持相反的上升或下降趨勢。應用特殊的檢測方法，分別記錄實驗組與對照組，橫縱向運動損傷風險評估準確度如下。對比圖2、圖3可知，實驗組橫向損傷風險評估準確度的最大值為94.67%，縱向損傷風險評估準確度的最大值為93.51%，二者始終保持相同的變化趨勢，且相差較小。對照組橫向損傷風險評估準確度的最大值為96.22%，縱向損傷風險評估準確度的最大值為85.38%，二者的變化趨勢沒有始終保持一致，且相差也較大。所以，可證明應用大數據網絡運動損傷評估模型，確實可以同時進行橫縱向損傷風險評估，而傳統模型不可以。

3.3 運動損傷屬性判斷情況對比

若損傷部位發生單一性損傷，則屬性判斷結果為豎線，豎線越長代表損傷越嚴重；若損傷部位發生復合性損傷，則屬性判斷結果為橫線，橫線越長代表損傷越嚴重。

由圖4可知，實驗組可根據判斷結果清楚分析出特定部位發生的損傷為單一性還是復合性，且單一性損傷程度的最大值為38.75%，復合性損傷程度的最大值為40.02%。對照組所有分析結果均具有一定角度，不能清楚分析出特定部位發生的損傷為單一性還是復合性，其結果也不具備一定的說服力。所以，可證明應用大數據網絡運動損傷評估模型，確實可以判斷特定部位的運動損傷屬性，而傳統模型不可以。

4 結 語

基于大數據網絡的運動損傷評估模型，以大數據網絡環境作為應用背景，在提升運行穩定性的同時，可以同時進行橫縱向損傷風險評估，并判斷特定部位的運動損傷屬性。

參考文獻

[1] 高曉嶙，徐輝，黃鵬，等.應用功能性動作測試評估我國橄欖球運動員損傷風險的研究[J].中國運動醫學雜志，2017，36（5）：410?415.

GAO Xiaolin， XU Hui， HUANG Peng， et al. Assessing sports injury risks of Chinese rugby athletes using functional movement screen [J]. Chinese journal of sports medicine， 2017， 36（5）： 410?415.endprint

[2] 張銳，高守東.身體功能訓練對網球專項學生功能動作篩查（FMS）和運動損傷率的影響[J].安徽體育科技，2016，37（2）：78?81.

ZHANG Rui， GAO Shoudong. Effect of body function training on students′ professional tennis function screening and sports injury rate [J]. Journal of Anhui sports science， 2016， 37（2）： 78?81.

[3] 邢聰，吳瑛，項賢林.美國運動損傷前沿研究熱點與內容分析：基于科學知識圖譜的可視化研究[J].體育科學，2016，36（9）：66?72.

XING Cong， WU Ying， XIANG Xianlin. Analysis on the latest hotspot and content about America sports injury?based on visualization research of scientific knowledge map [J]. China sport science， 2016， 36（9）： 66?72.

[4] 劉少華，崔巖，董欣榮，等.左卡尼丁對抗大鼠力竭運動損傷及保護腎臟的作用與機制[J].濱州醫學院學報，2016，39（3）：176?179.

LIU Shaohua， CUI Yan， DONG Xinrong， et al. Effects of L?carnitine on resistant sport fatigue and attenuate exercise?induced renal injury [J]. Journal of Binzhou Medical University， 39（3）： 176?179.

[5] 張丹妮，陳樂琴，張一民.中老年人健身損傷風險發生的體質因素探析[J].南京體育學院學報（自然科學版），2016，15（1）：50?55.

ZHANG Danni， CHEN Leqin， ZHANG Yimin. Exploration on physical factors of middle?aged and elderly fitness sports injury risk [J]. Journal of Nanjing Institute of Physical Education （Natural science）， 2016， 15（1）： 50?55.

[6] 琚安康，郭淵博，朱泰銘.基于開源工具集的大數據網絡安全態勢感知及預警架構[J].計算機科學，2017，44（5）：125?131.

JU Ankang， GUO Yuanbo， ZHU Taiming. Framework for big data network security situational awareness and threat warning based on open source toolset [J]. Computer science， 2017， 44（5）： 125?131.

[7] 江勇，周漢香，李朝前.大數據網絡環境下的科技期刊作者隊伍建設[J].湖北工業職業技術學院學報，2017，30（4）：96?99.

JIANG Yong， ZHOU Hanxiang， LI Chaoqian. Construction of scientific journals′ author team under big data network environment [J]. Journal of Hubei Industrial Polytechnic， 2017， 30（4）： 96?99.

[8] 張思，劉清堂，雷詩捷，等.網絡學習空間中學習者學習投入的研究：網絡學習行為的大數據分析[J].中國電化教育，2017，21（4）：24?30.

ZHANG Si， LIU Qingtang， LEI Shijie， et al. Study of learners′ engagement in online learning space?big data analytics of e?learning behavior [J]. China educational technology， 2017（4）： 24?30.

[9] 王春雨，黃維肖，袁義厘，等.失禁性皮炎皮膚損傷評估量表的漢化及信度、效度評價[J].中國護理管理，2016，16（3）：337?340.

WANG Chunyu， HUANG Weixiao， YUAN Yili， et al. Reliability and validity of the Chinese version of the incontinence?associated dermatitis and its severity instrument [J]. Chinese nursing management， 2016， 16（3）： 337?340.

[10] 鮑玉冬，楊闖，趙彥玲，等.基于碰撞變形能的機械采收藍莓果實碰撞損傷評估[J].農業工程學報，2017，33（16）：283?292.

BAO Yudong， YANG Chuang， ZHAO Yanling， et al. Collision injury assessment of mechanical harvesting blueberry fruit based on collision deformation energy [J]. Transactions of the Chinese society of agricultural engineering， 2017， 33（16）： 283?292.

[11] KUMAR A， BARO O， HARINARAYAN N H. Obtaining the surface PGA from site response analyses based on globally recorded ground motions and matching with the codal values [J]. Natural hazards， 2016， 81（1）： 543?572.endprint