職業籃球聯賽中大數據技術的應用
——以球員體能訓練方案為例

謝 哲

（湖南信息職業技術學院，湖南 長沙 410200）

0 引言

基于數字的績效訓練（DBPT）已成為國際體育科學界關注的焦點。數字化體育訓練是指在體育訓練過程中，運用現代科學技術手段，通過實時測量數據來監控訓練質量，職業籃球聯賽中的體育訓練體系通常包括教練訓練和智能體育訓練。由于教練資源的稀缺以及球員人數較多，因此會導致傳統的培訓方法缺乏靈活性。當球員在體能訓練過程中出現不規范、不到位等問題以及教練在執教過程中存在觀察不到位的情況時，就很容易導致訓練效果不佳，甚至導致運動員在運動中受傷[1]。隨著體育運動科學化訓練的推進，引入了大量新的訓練方案以及訓練設備，需要客觀、科學地對運動員的訓練效果進行評估。運動員的運動訓練系統復雜、運動項目復雜、運動員高度個性化以及運動訓練過程的不可控性和比賽的不確定性等因素都決定需要對當前的數據采集技術和手段進行創新和改進[2]。

智能化體能訓練系統利用智能訓練設備監測運動員的身體狀況和運動參數，并通過分析實時監測數據來發布布指令、記錄數據以及調整訓練計劃。因此，有必要構建適合職業籃球聯賽球員的智能化體能訓練系統。

1 職業籃球聯賽球員體能訓練大數據分析處理平臺的設計

職業籃球聯賽的體能訓練大數據分析處理平臺立足于日常體能訓練，并以對抗比賽和正式比賽的成績作為反饋信息，為體能訓練方案提供改進建議。平臺需要構建運動員數據采集功能、數據處理功能和體能狀態監控功能，并在數據積累的基礎上實現對大數據的分析、處理。首先重點介紹體能訓練大數據平臺的功能設計。

1.1 設計運動捕捉功能模塊

在籃球訓練過程中，運動員可以根據運動捕捉系統從起跳、蹲下以及運球等動作中獲取球員的節奏[3]。球員在訓練完畢之后，也可以通過計算機系統觀看自己在訓練過程中所存在的問題并在后期訓練中加以改正。通過pose軟件建立籃球運動員身體的三維模型，包括有效固定骨骼結構和某些關節的特定功能，使用Maya軟件構建虛擬籃球場和籃球運動員的技術動作。

需要在不受重力場干擾的環境中利用運動捕捉技術進行運動數據采集和機器調試工作。籃球運動員穿著運動采集服，在不同的床上傳感器之間連接電纜。穿著動作采集服的運動員在測試前將跑步、跳躍等常規動作作為參數校對動作，以提高動作數據采集的準確性，實現對人體不同關節的精確標定和數據傳輸。

職業籃球聯賽體育具有鮮明的對抗性戰術特征。因此，采集的運動員數據既有訓練場內的訓練基礎數據，又有比賽場上的臨場發揮狀態數據。鑒于此，該文所設計大數據系統包括2個主體：用于比賽和訓練現場的移動終端模塊以及用于俱樂部訓練館的服務器端模塊。2個模塊都有個性化的數據采集對象和處理方法。

其中，移動終端模塊的功能主要包括將球員的訓練數據收集起來并以圖形表格等可視化的形式展示出來，球員還可以通過該模塊分析對手的技術特點以及戰術策略，進行現場戰術演練，從而確定最佳的攻防戰術。當輸入信息關鍵詞發出請求指令時，服務器端模塊進行信息搜索，并將所請求的數據以數據、圖形以及表格的直觀形式發送到移動終端顯示界面上。

1.2 引入MAHSUH服務器處理數據

針對傳統體能訓練存在效率低、智能性差的問題，該文設計的大數據環境下職業籃球聯賽運動員體能訓練大數據分析處理平臺重點對所存在的問題進行優化設計。使用新的bot-6765連續智能調度器取代傳統的定制進度生成系統。在該設計中，為了提升數據處理的實時性以及操作使用的方便性，選擇MAHSUH服務器作為數據處理中樞。

智能化體能訓練系統由主控中心和無線傳感器組成。球員進行體能訓練之前，教練應在主控中心制定培訓方案，并一起鋪設無線傳感器與培訓場地。在培訓期間，主控制中心無線命令傳感器并記錄傳感器上傳的數據。基于上述功能，智能化體能訓練系統的架構如圖1所示，其中主控中心具有負責球員信息管理、方案生成、網絡管理以及成績存儲等功能。因此，主控中心分為系統設置、數據測試、方案下載、無線組網、信息管理以及節點定位等模塊。

圖1 體能訓練大數據分析處理平臺結構框架

體能訓練大數據分析處理平臺采用典型mesh程序/服務器的總體框架，以MAHSUH服務器作為數據分析處理中樞和數據存儲中心，增強各模塊之間的聯動性。該框架可以實時響應用戶的指令，并以數據反饋的形式收集和讀取運動員的訓練需求。通過快速統計和反饋數據實現一站式多地進度同時采集的功能，服務器解決了傳統體能訓練過程中出現的計時不準確、數據偏差大等因人工操作不良而帶來的問題。

1.3 建立體能狀態監控功能模塊

傳統體能狀態監控系統通過實驗室的測力平臺對球員的著地時間進行測量，在測量過程中，一旦數據出現問題，那么統計工作就會十分麻煩。可以自動顯示球員每次著地時間的光學設備或壓力傳感器式的縱向跳臺則可以解決這一問題。壓力傳感器通過ZigBee無線的形式下載訓練方案，根據訓練方案向運動員發出相應的指令并記錄運動數據，如圖2所示。

圖2 體能訓練大數據分析處理平臺整體架構

為了實現數據采集和數據交換的功能，無線傳感器硬件平臺配備了單片機和ZigBee通信模塊，結合flash數據存儲訓練，最后利用信號燈給學生發出動作指令。學生做出相應的動作后，利用速度傳感器采集并存儲學生的動作時間。無線傳感器硬件分為微控制器、加速度傳感器、信號發生器、閃存、運動數據存儲器、ZigBee模塊、電源管理模塊和撥號開關。其中，微控制器是傳感器的核心，可以增強系統在多個外圍設備同時工作情況下的協調性和靈活性。

運動員的身體狀況會受到許多因素的影響，對球員的身體狀態和各項機能進行實時評估和診斷是推動籃球聯賽體能訓練必不可少的步驟。通過無創測量可以快速獲得球員的多項身體參數，教練員根據球員的各項參數安排訓練計劃，制定個人專項體能訓練方案。團隊成員也可以通過系統的檢測發現自己的不足，對自己進行準確定位，提高訓練效率，防止出現運動過量帶來的身體損傷。

2 職業籃球聯賽球員體能訓練大數據分析處理平臺處理流程

2.1 球員體能訓練過程中大數據的采集

大數據系統基于收集、分析時間、空間以及背景等多個維度的海量數據信息來開展工作的。因此，職業籃球聯賽運動員體能訓練過程中相關數據信息的收集是大數據系統建設不可或缺的基礎信息。結合運動員體能訓練的實際情況，可以通過“身份系統”和“接口”2個技術環節實現大數據系統中的數據采集功能。

首先，“身份系統”是系統分發給球員與教練的一個賬號和密碼，球員通過登錄個人賬號實現數據的上傳和下載，了解自己當前的狀況，實現狀態最優化的目的。訓練助理完成對每名遠動員的數據采集，通過平臺的“折衷計算”或“沖突確認”完成數據信息的收集和存儲；另一方面，為每個運動員設定一個編碼，通過編碼快速映射到目標運動員，并在其個人數據庫中完成相關信息和數據的輸入。編碼的引入可以保證籃球訓練數據采集的標準化和正確性。

其次，為教練員、助理、運動員和隊醫等不同角色人員設定不同的訪問權限。例如教練員、數據統計人員通過認證后進入大數據系統首頁，根據個人需求選擇不同的按鍵和密碼，如果需要了解現場情況，可單擊“現場監控統計”按鈕，單擊按鈕后會顯示一個數據采集頁面，每個頁面都是根據按鈕的功能進行詳細描述的，功能和布局也都是不同的，主要顯示一些基本信息，例如時間、地點、日期、類型、場上隊員以及出場時間等。移動終端通過人臉識別技術自動地將球員的個人數據導入數據庫，數據會隨著球員一天的訓練時間、次數以及各項得分的變化而變化，最大限度地提高數據采集系統的準確性與有效性。

2.2 建立Okumura-Hata智能模型

該文采用Okumura-Hata智能模型，根據數據類型對數據進行劃分，在完成劃分之后，再根據正態分布的函數曲線建立特征數據之間的關聯關系。首先要對采集到的數據進行智能極值分析，模型如公式（1）所示。

式中：Q（K）為建模數據的極差；N（K）為建模基礎高度；M（k）為工作頻率；K（K）為損耗指數的批量修正后的數據模型動態；δh為傳輸距離，為了保持數據傳輸損耗減小，該參量可以通過人工進行設置；γ為定量常數；N（T）為確定時刻T的建模高度；G（E）為關聯函數；SB為修正因子；α為關聯度；K為關聯數據。

對Okumura-Hata智能模型中的特定反饋數據H[a]，如公式（2）所示。

式中：υ2為運動員訓練時運動特點的時滯參數；Ω為數據的有效使用值；ek為標注算子；Wi為第i項訓練內容；ξ為難度系數；ξi為第i項的難度系數；ξij為第i項與第j項組合完成的難度系數；li為第i項的平均完成分數。

H[a]即為實現訓練目標而由大數據分析處理平臺智能制定的訓練流程。通過建立數學模型，實現對體能訓練的指導。

2.3 構建虛擬籃球場地

Maya軟件用于構建虛擬籃球場。建造籃球場的主要工作是根據體育場的規模和大小盡可能地恢復建筑物，減少模型中各種不可見的表面。籃球運動員模型能否準確顯示三維動畫是判斷模型優劣的評價標準。Maya軟件可以為籃球運動員的任務骨骼和皮膚建模。在構造運動員骨骼的過程中，骨骼表面容易發生變形，通過賦予皮膚重量可以解決這一問題。通過UV紋理映射簡化模型面數量并合并組織，得到平滑的角色模型。籃球運動員穿著運動捕捉服在籃球場上捕捉籃球，將捕捉到的籃球運動員的技術參數映射到三維模型中，然后利用軟件對后期的人物、環境和音效進行處理，動畫顯示內容與實際操作一致。

由此實現對職業籃球聯賽運動員體能訓練大數據的分析、處理，實現智能評估、自動建議的功能。

3 實驗測試與結果分析

為了保證所設計的球員體能訓練計劃系統的有效性，該文還設計了一個對比仿真實驗，實驗采用了傳統的體能訓練定制系統，然后將該文設計的智能球員體能訓練計劃系統用于實驗。

3.1 參數設定

為了保證試驗的有效性，需要重新設置參數。該文將傳輸距離為220 m～1 300 m作為試驗的有效傳輸距離；在進行參數設置時該文將標注算子ek的值設為3 700 μ；同時把時滯參數設為5 200 ψ/min；將大數據的表達屬性設為8.5×104GB/min。具體試驗結果見表1。

在該試驗中，共采集了6次試驗數據以保證實驗結果的準確性和有效性。通過表1可以看到，將 SO 測試軟件加載到系統上進行使用，分別采用不同訓練強度下的不同模型反饋率，在6次試驗中模型反饋率隨著訓練強度的增加而增加，該智能模型可以有效檢測到球員在不同訓練強度下的體能變化。

表1 設置實驗數據

在數據設置完成之后，采用加載的SO 軟件對球員體能進行測試，需要說明的是，SO軟件不會對系統造成影響，對大數據環境下的智能性影響也不大。在SO 測試軟件中，使用了YUH 指標衡量平臺采集數據的準確率，并使用 pol參數衡量平臺制定的切合度。實驗結果如圖3所示。

由圖3可知，根據YUH 指標與 pol 參數情況可以看出，體能訓練大數據分析處理平臺的pol 參數隨著測試次數的增加而呈逐步增長的趨勢，這說明與新的大數據分析處理平臺比較貼合，二者能夠較好地搭配。而YUH 指標的走勢穩定上升，說明球員體能訓練大數據分析處理平臺具有較高的反饋能力。

圖3 體能訓練大數據分析處理平臺SO測試結果

3.2 柔韌素質測試和彈跳力素質測試

通過測試（7次）球員的柔韌性后發現，在未采用該智能系統前，球員進行徒手練習時的柔韌性普遍偏低，整體靈活性較差；在采用該系統后，籃球運動員的整體靈活性顯著提高，徒手練習、持球練習和翻滾動作次數增多，具體結果見表2。

表2 柔韌性測試結果（單位：次）

分析籃球運動員身體彈跳素質的變化。在采用該系統之前，根據籃球運動員的彈跳測試結果可以看出：球員彈跳能力一般。雖然測試結果表明球員的身體素質不是很低，但與優秀籃球遠動員的體能訓練標準仍具有一定差距。導入該系統后，籃球運動員可以在1 min內用2只腳、1只腳跳繩和連續跳繩。與使用該系統前相比，彈跳頻率大大提高，表明該系統能顯著提高運動員的彈跳能力。

3.3 試驗結論

綜上所述，該文設計的大數據環境下的運動員體能訓練大數據分析處理平臺能夠有效解決大數據趨勢劃分中的數據波動問題，實現智能化操作，其流暢性和準確性滿足訓練的使用要求。此外，通過構建籃球運動員體能訓練虛擬仿真系統能有效提高球員的耐力和體能，還能提高球員的基礎身體素質。

4 結語

通過設計體能訓練智能系統，使用MAHSUH服務器接收球員在體能訓練過程中的動態數據來制定相關球員的訓練規劃，在與運動員自身能力相符合的情況下最大程度地開發球員的潛能，提高球員的體能。將驗證智能定制系統的有效性進行模擬對比實驗可以發現，與傳統訓練計劃定制系統相比，智能定制系統能夠實現快速、準確地進度智能定制，從而有效地促進球員的體能訓練。