基于CiteSpace的國內外體育智能化的研究與展望

摘要：以346份Web of Science 核心數據庫中“羽毛球”、“數據挖掘”、“人工智能”、“動作捕捉”、“體育賽事”為數據源，本文基于CiteSpace軟件進行可視化處理和分析，整體梳理與分析1995-2020年以來羽毛球運動智能化的應用案例，從而揭示了羽毛球智能化的研究趨勢、研究焦點以及其演化路徑和方向。研究結果：（1）在研究貢獻方面，中國在一定程度上引領了羽毛球運動智能化的發展；（2）相關體育人工智能研究的高產作者和團隊聚焦于美國高校，主要研究方向是基于機器學習和深度學習方法為不同群體開發和改進智能體育設備；（3）相關體育賽事、體育產業、關聯預測等研究學科是研究聚焦的羽毛球運動智能化的領先學科。體育教學方面的研究人員對大數據在羽毛球運動中作用的貢獻率相對較低；（4）羽毛球運動智能化研究中的熱點分為四個聚類，即大數據及相關技術、人工智能監測指標、大數據及數據挖掘相關應用、智能傳感羽毛球教學。

關鍵詞：人工智能" 全民健身" 智能化" 羽毛球" 機器學習" 文獻計量學

1、引言

當前我國人工智能在體育領域的應用研究還處于初始階段，其中最大的問題在于人工智能領域的技術人員和體育領域的科研人員之間缺乏相互交流和支撐。因此，如何將人工智能等相關信息技術與運動健身更好地發展結合，以羽毛球為例，設計并實現一套端到端的羽毛球戰術系統變得越來越重要。人工智能（Artifical Intelligence， AI）就是讓機器像人一樣的智能，會思考，是機器學習、深度學習在實踐中的應用。而數據挖掘是從大量數據中提取出有效的、新穎的、有潛在作用的、可信的、并能最終被人理解的模式（pattern）的非平凡的處理過程。在過去的幾十年里，大數據可以監測身體活動和生理負載品種在不同的人口和環境得到了廣泛的關注。科學結構2020年發布的科技報道也指出，數據挖掘已經成為現代科學研究的熱點之一。納米技術、芯片技術、通信技術、人工智能等現代技術的最新進展，為數據挖掘和人工智能的發展奠定了堅實的基礎，實現了教學應用、技術提高和羽毛球運動技能的實時監測和實時反饋。早期的數據挖掘及其相關技術幾乎只用于研究，但新的羽毛球運動智能化對市場應用更有價值。目前，體育科技領域的研究主要集中在技術研究和材料更新、設備可靠性和設備發展等方面。然而，通過監測運動對健康、康復、體重控制和運動表現來評價行為變化和效果的系統綜述很少。因此，本文采用文獻計量學方法，系統評價人工智能在羽毛球運動中的應用效果，揭示其研究趨勢、研究合作網絡和研究演變路徑，為今后國內的深入研究提供參考。

2、數據來源與研究方法

2.1、數據來源

中國知網（CNKI）、Web of Science和IEEE頂級會議三個數據庫收錄的關于羽毛球文獻中以中國和馬來西亞地區為代表。IEEE頂級會議中對于羽毛球的研究構成目前國際上權威的羽毛球運動科學數據庫，該數據庫收錄了國際上羽毛球運動數據挖掘、羽毛球視覺方面有關的各類文獻和研究報告，內容涵蓋了羽毛球軌跡運動、羽毛球賽事結果預測、羽毛球機器人方面的研究；Web of Science是全球領先的跨學科引文數據庫，其包含全球最權威的SCI、SSCI、AHCI3大引文索引數據庫，并且收錄了多種世界權威的、高影響力的學術期刊及全球數以萬計的國際學術會議記錄。涉及自然科學、工程技術、生物醫學、社會科學、藝術與人文等領域；而CNKI是中國所運營的最大的學術論文數據庫，收錄了中國各個學科領域的學術論文、大學研究紀要以及中國各大圖書館的雜志。

2.2、文獻調查

根據Bradford的離散理論，以科學網絡數據庫的核心集合作為文獻源數據庫進行檢索。根據全搜索的檢索原則，通過文獻綜述、咨詢專家和小組討論，確定349個羽毛球運動、大數據、可視化、人工智能等其自由詞進行主題檢索，共檢索到346篇文章。

2.3、文獻篩選

從初步檢索中得到的文獻覆蓋的范圍很廣。根據準確性原則，文獻篩選標準由研究目的確定。

（1）選擇標準。

①描述羽毛球運動智能化（運動活動、教學訓練和體育賽事等）的功能和效果的論文可以是實證研究、調查研究、綜述；

②對于不同的群體，研究羽毛球運動智能化（運動）活動之間關系的具有明確研究目的的論文可以是實證研究、調查研究或評論；

③在競技體育和學校體育學領域，被用于研究大數據、計算機可視化作為羽毛球技術動作措施來監測教學活動的效果；

④以英語發表的文章；

⑤大數據技術發展與應用研究；

⑥經過同行評議的文章。

（2）淘汰標準。

①與體育活動無關的論文（如生物、化學、環境等）；

②研究影響大數據、人工智能應用的態度、視力和條件；

③關于羽毛球課堂教學實驗的論文、會議總結、總結等。

根據上述標準，研究者進行文獻篩選，直接納入或排除已確定的文獻。如果閱讀全文后不確定，則進行小組討論，最終確定將121篇文獻納入分析。

3、結果和分析

3.1、研究趨勢分析

隨著科學知識的不斷發展，科學結構也會產生動態的變化。發展和進化過程形成了科學結構的進化，并帶來了研究趨勢的變化。某一領域的學術研究趨勢可以是具體的。

從學術關注和學術傳播的概念上進行了分析。學術關注是指研究課題發表論文數量的趨勢統計，即分別計算每年相關課題發表論文數繪制曲線趨勢圖；學術交流是指研究課題引用次數的趨勢統計，即每年相關主題論文引用頻率。因此，多年來學術關注和學術交流的統計數據可以通過該領域已發表的論文數量和相關論文被引用的次數來表示。根據文獻篩選結果，本文對人工智能在羽毛球應用效果的發表論文數和引用次數兩個核心指標進行統計處理。

3.2、對學術發展趨勢的預測

在預測研究領域的發展趨勢時，發文量在不同年份波動，影響因素多，曲線波動大，容易受外部干擾，難以形成穩定的規律，容易反映學科領域的學術發展趨勢，難以用數學函數特征。累積的文檔數量可以更好地避免這些干擾，并使用該函數來預測。本文利用SPSS軟件中的曲線估計功能和原始軟件中的繪圖功能，探討了論文的發表和積累年份，并預測了文獻中大數據在羽毛球運動中的作用的增長規律。經過軟件處理，發現其與三次函數曲線的擬合度是理想的。如圖1所示，智能化設備在羽毛球運動中效果的研究中，累計發布文件數與發表年份成三次函數關系，擬合優度R2=0.986。擬合方程為：F（t）=0.519×（t-2001）3-7.557×（t-2001）226.487×（t-2001）-15.074，其中F（t）為已發行文件的累計數量，t為發行年份。該預測模型可用于預測羽毛球運動研究論文的分布情況。如圖1虛線所示，未來七年大數據結合羽毛球的應用研究累積分布曲線將穩步增長，長期不會出現明顯的拐點，說明本研究領域的研究熱度仍較高，說明羽毛球運動仍有很大的發展空間。

3.3、研究合作的網絡分析

任何研究領域都有其核心研究力量，形成研究合作網絡，主要包括研究作者、機構和區域分布。本文將從以下三個方面探討智能化在羽毛球運動中的影響的研究合作網絡。

（1）相關研究作者。

根據研究定律，高產作者的分布可以用作M=0.749（P最大代表作者發表的論文數量與數量最大的論文在所有作者在統計期間，和M代表最低閾值的論文發表的作者）。根據搜索結果，P最大的研究羽毛球運動智能化的影響是10，所以M值四舍五入到3，也就是說，作者發表了超過3篇文章的研究主題羽毛球運動智能化的影響是高產的作者。這些高產的作者可以作為候選者核心作者。據統計，有144位核心作者候選人（即高產作者）。高產作者總數為74人，占論文總數的47.4%，接近60篇論文的分析，表明高產作者群體對于羽毛球運動智能化的研究已經基本形成，高收益作者表現更加突出。

如表1所示，作者的文章排名越高，他們智能化設備在羽毛球運動中的影響的研究貢獻就越大。特別是，具有相同引用排名的作者可以更多地關注科學研究趨勢的作者，他們的作品和思想往往代表了這一領域的研究前沿和熱點。例如，相關研究作者如WANG YF和HULSDUNKER T的文獻和引用數量明顯高于其他作者，數據挖掘在羽毛球運動中的影響研究中發揮著重要的主導作用。

（2）作者國家（地區）分布情況。

利用CiteSpace分析研究文獻中包含的國家（地區）的分布發現，如圖2所示，人工智能結合羽毛球的研究地理分布在22個國家和地區，各地區發布的文獻數量非常不均勻，文獻輸出主要來自亞洲，個別文獻來自于歐洲，反映了區域和國家之間相關研究的發展水平不均衡。其中，節點最大的前四個國家是中國、美國、英國和馬來西亞。其中，中國有15篇文章，處于領先地位，在一定程度上引領羽毛球的智能化發展。另外，研究羽毛球最多的國家集中在亞洲，文獻量占總文獻的50%以上；研究實力相對較弱的地區為非洲。

3.4、研究演化路徑分析

（1）研究前沿和熱點的分析。

關鍵詞的高頻率與文獻內容的熱點成正比。通過關鍵詞分析，可以掌握研究領域的知識結構。高頻關鍵詞的選擇主要包括經驗判斷方法和基于計量指標的定量方法。實證分析方法雖然應用廣泛，但具有一定的主觀性，缺乏理論指導。利用計量軟件對關鍵字的詞頻率和中心性進行分析。

運行CiteSpace軟件，選擇關鍵字功能鍵并進行聚類，如圖3所示。可以鎖定特定研究領域的熱門研究課題，從而判斷研究課題中關鍵詞的活動。結合圖3，研究羽毛球運動智能化的作用時節點較大的關鍵詞是：①運動形式：體育活動、羽毛球、運動損傷、比賽分析；②研究人群：成人、老年人、兒童、學生；③羽毛球大數據設備技術和方法：加速計、傳感器、可穿戴、移動健康、移動應用、活動跟蹤、可穿戴技術、比賽分析設備；④生理特征：健康、表現、合作、教學；⑤結果式：有效性、可靠性；⑥方法：干預。

以上高頻關鍵詞是羽毛球運動智能化的研究方向的核心部分，反映了本研究的檢索方法和策略與研究目的相一致。同時也可以看出，運動形式、人、羽毛球技術和方法、研究方法、行為改變和比賽效果這六個方面是研究羽毛球運動智能化的有效途徑。

通過分析可得，我國羽毛球運動領域的研究重點是：①從研究對象上：科研理論研究的主要對象為：羽毛球運動的主體，如運動員、體育工作者等；②從研究內容上：以羽毛球運動教學訓練為主，研究目前發現，理論與實踐相結合是提高羽毛球運動員技術能力的有效手段；③從研究的關注點上：國內較為關注羽毛球比賽過程中的致勝規律與技戰術分析；由此可見，戰術使用的合理性與技術發揮的穩定性是運動員贏得比賽的關鍵。因此，應在技術層面不斷進行突破創新、吸收先進的技術打法，并且羽毛球教練員應對優秀運動員所使用的技戰術進行統計分析，掌握比賽的致勝規律，才能保持長久的核心競爭力，獲得比賽的主動權；④從研究的實際情況上：從日常訓練的實際情況出發關注運動員的身心狀況；眾所周知，羽毛球是一項“高策略”運動，因此，羽毛球比賽過程中比拼的不僅是運動員的技戰術，也包括運動員身心素質的比拼，運動員在訓練過程中應將比賽周期的生理狀態調至最佳，以便促進運動員水平的良好發揮。

（2）采用知識組聚類方法得到的中心性文獻信息分析。

①關于C1知識組信息的AGNES 層次聚類算法分析

曾佳軍在《改進的AGNES算法在羽毛球技戰術分析中的應用》中將AGNES算法應用在了羽毛球領域，使用數據挖掘中改進了的 AGNES層次聚類算法挖掘技戰術與得失分的關系。結論：與傳統的方法相比，在羽毛球技戰術分析中應用計算機技術和數據挖掘算法，能夠基于大量的歷史比賽信息，分析羽毛球運動員的技戰術特征。在現場比賽過程中，可以更好、更準確地幫助教練員和運動員進行技戰術調整。對于比賽前的備戰，則能夠更全面地為中國運動員提出具有針對性的專項技術訓練。廖廷波在《基于視頻流的羽毛球檢測跟蹤及軌跡預判算法應用研究》中結合最小二乘法和卡爾曼濾波對羽毛球在視頻流中的軌跡進行預測，解決羽毛球發球員只能訓練運動員反復擊打各種發球的問題。缺乏有效的視覺反饋系統，智能程度低。

②關于C2知識組信息的手法、步伐、比分形勢等與得失分潛在聯系相關分析

羽毛球裁判中鷹眼技術，“鷹眼”的真正名字是“即時回放系統”（instant review system），控制系統由八個和十個高速攝像機、四臺計算機和大屏幕所構成。從理論層次上，鷹眼系統主要是對空氣進行動力學、影像學、圖形學、信號與通訊學、三維模擬重建技術等基礎課程中有關知識的綜合使用，其核心教學難點就是怎樣通過運用能力及相關技術管理軟件，模擬出球的空間軌道，從而確定一個球的運動與發展路徑，并對球進行精確定位與追蹤，進而估算出球沿其軌道運動以及運行的落地點。

③關于C3知識組信息的Apriori關聯規律算法分析

宋偉姣在《基于數據挖掘技術的羽毛球運動員訓練模式優化分析與研究》中設計了系統采集數據，對Apriori關聯規律算法進行改進并應用在羽毛球數據中，進行仿真實驗。主要工作有：a.建立了統一的羽毛球綜合數據庫。數據挖掘技術收集的數據用于深入挖掘；b.Apriori關聯規則算法進行了改進。解決了數據分析不深入的問題，將結果應用在羽毛球訓練上，從技戰術的角度來制定個性化學習訓練研究方案。

4、結論

使用數據挖掘的方法對羽毛球運動員的擊球動作進行分析，可以發現影響羽毛球比賽的多維度因素并尋找這些因素之間潛在的關系和相互作用，從中發現對比賽勝負的影響。目前，數據挖掘在羽毛球領域的應用，主要存在兩個問題。首先，數據采集現階段仍然局限于手工統計，無法實現端到端系統的設計；其次，從技術和戰術角度出發的優化關聯分析算法相對單一。未來的研究方向是結合體能和心理指標等方面，運用數據挖掘算法來制定更科學的訓練方案。為提高羽毛球機器人的接發球能力，利用雙目立體視覺技術設計機器人對環境自動感知方法，對不同狀態下的羽毛球都有精準的感知能力，考慮羽毛球的實時性需求，在今后研究中應進一步探究自動感知球體速度，這樣才能保障機器人可以及時作出擊球動作。鷹眼系統并不完美，在國際比賽中鷹眼系統曾出現過較大的誤差，其使用的算法和硬件之間的協調需要進一步優化。

參考文獻：

[1]曾佳軍.改進的AGNES算法在羽毛球技戰術分析中的應用[J].電腦知識與技術，2009，5（33）.

[2]YAO B，LIANG N.A smart position optimization scheme for badminton doubles based on human–computer interactive training in wireless sensor networks[J].EURASIP Journal on Wireless Communications and Networking，2020，2020（1）.

[3]CAO Z，LIAO T，SONG W，et al.Detecting the shuttlecock for a badminton robot： A YOLO based approach [J].Expert Systems with Applications， 2021（164）.

[4]RAHMAD N，AS’ARI M，SOEED K，et al.Automated badminton smash recognition using convolutional neural network on the vision based data[C].proceedings of the IOP Conference Series： Materials Science and Engineering.IOP Publishing，2020.