李少聰+馬德+李少瓊

摘 要： 傳統(tǒng)模型不能很好地描述運(yùn)動(dòng)強(qiáng)度與運(yùn)動(dòng)損傷之間的關(guān)系，提出一種運(yùn)動(dòng)損傷與運(yùn)動(dòng)強(qiáng)度之間的關(guān)系模型，確定關(guān)節(jié)變化參數(shù)及約束條件，利用智能SVM原理關(guān)系，構(gòu)建仿真模型。模擬應(yīng)用環(huán)境設(shè)計(jì)仿真實(shí)驗(yàn)，結(jié)果表明，上述構(gòu)建的模型可很好地描述運(yùn)動(dòng)損傷與運(yùn)動(dòng)強(qiáng)度間關(guān)系，解決運(yùn)動(dòng)損傷與運(yùn)動(dòng)強(qiáng)度間關(guān)聯(lián)度問題，避免運(yùn)動(dòng)強(qiáng)度過大造成運(yùn)動(dòng)損傷。

關(guān)鍵詞： 運(yùn)動(dòng)強(qiáng)度； 運(yùn)動(dòng)損傷； 關(guān)系建模； 仿真分析

中圖分類號： TN911?34； TP311 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號： 1004?373X（2017）24?0037?03

Abstract： As the relationship between exercise intensity and sport injury cannot be well described in the traditional model， a model of the relationship between sport injury and exercise intensity is proposed to determine the change parameters and constraints of human joints. The intelligent SVM principle is used to construct the simulation model. The application environment is simulated to design the simulation experiment. The results show that the constructed model can well describe the relationship between sport injury and exercise intensity， solve the problem of correlation between sport injury and exercise intensity， and avoid sport injury caused by too large exercise intensity.

Keywords： exercise intensity； sport injury； relationship modeling； simulation analysis

現(xiàn)階段為了改善運(yùn)動(dòng)強(qiáng)度與運(yùn)動(dòng)損傷之間的關(guān)系，我國主要在蟻群算法的基礎(chǔ)上，通過對灰色神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改革，建立無跡卡爾曼濾波算法的損傷關(guān)系模型，并通過該模型確定運(yùn)動(dòng)強(qiáng)度對運(yùn)動(dòng)損傷的影響。但該模型在實(shí)際操作過程中需對大量數(shù)據(jù)進(jìn)行測量計(jì)算，耗時(shí)較大，迭代次數(shù)多，對真實(shí)性造成很大影響。本文通過對最優(yōu)越平面進(jìn)行條件約束，建立運(yùn)動(dòng)強(qiáng)度與運(yùn)動(dòng)損傷關(guān)系間優(yōu)化模型關(guān)系，并通過實(shí)驗(yàn)證明，該模型能夠減輕因運(yùn)動(dòng)強(qiáng)度過大造成的運(yùn)動(dòng)損傷[1]。

1 關(guān)節(jié)變化參數(shù)的采集及約束條件的確定

首先對一名男子在進(jìn)行跑步運(yùn)動(dòng)時(shí)的技術(shù)動(dòng)作進(jìn)行分析，分別定義左腳踝關(guān)節(jié)、左腿膝關(guān)節(jié)、右腳踝關(guān)節(jié)、右腿膝關(guān)節(jié)為1～4號Marker點(diǎn)的剛體[2]，再選取四個(gè)相同的無遮擋運(yùn)動(dòng)捕捉攝像頭，分別對這四個(gè)剛體的運(yùn)動(dòng)情況進(jìn)行記錄。通過攝像頭中的記錄畫面，可以觀察出這四個(gè)剛體的運(yùn)動(dòng)幅度，并通過如下公式將剛體的運(yùn)動(dòng)幅度轉(zhuǎn)換成關(guān)節(jié)的運(yùn)動(dòng)幅度。

通過式（1）可得左腳踝關(guān)節(jié)、左腿膝關(guān)節(jié)、右腳踝關(guān)節(jié)、右腿膝關(guān)節(jié)四個(gè)Marker點(diǎn)剛體關(guān)節(jié)運(yùn)動(dòng)幅度，并將四個(gè)數(shù)值輸入Optotrak Certus運(yùn)動(dòng)捕捉系統(tǒng)中，進(jìn)行形狀特征剖析[1]，并根據(jù)剖析結(jié)果采集運(yùn)動(dòng)員在進(jìn)行跑步運(yùn)動(dòng)時(shí)，腿部關(guān)節(jié)變化參數(shù)。形狀特征剖析結(jié)果如圖1所示。由圖1可知，在0.3～0.6 s之間，四個(gè)Marker點(diǎn)剛體關(guān)節(jié)的運(yùn)動(dòng)幅度達(dá)到了第一個(gè)峰值，在0.9～1.2 s之間，Marker點(diǎn)剛體關(guān)節(jié)的運(yùn)動(dòng)幅度達(dá)到了第二個(gè)峰值。因此，將0.3 s，0.6 s，0.9 s，1.2 s四個(gè)時(shí)間節(jié)點(diǎn)作為腿部關(guān)節(jié)變化參數(shù)的采集依據(jù)，并根據(jù)如下代碼輸出腿部關(guān)節(jié)的具體變化參數(shù)：

int a[100]，n，i；

scanf（"%d"，&n）；

for（i=0；i

for（i=0；i

if （a[i]>=1&&a[i]<=26）

printf（"%c"，a[i]-1+′a′）；

return 0；

為變量a賦予0.3 s，0.6 s，0.9 s，1.2 s四個(gè)數(shù)值，按照上述代碼[3]分別運(yùn)行4次，并將每次執(zhí)行完畢后所輸出的結(jié)果進(jìn)行記錄，整理記錄結(jié)果，如表1所示。表1中b變量的數(shù)值，即為采集到的腿部關(guān)節(jié)的具體變化參數(shù)。

通過表1可以得到對腿部關(guān)節(jié)的具體變化參數(shù)。在對關(guān)節(jié)變化角度與運(yùn)動(dòng)強(qiáng)度之間關(guān)系約束條件進(jìn)行確定時(shí)，首先要對腿部關(guān)節(jié)的具體變化參數(shù)進(jìn)行線性分類間隔最大化處理，并通過這種處理[4]，建立腿部關(guān)節(jié)變化參數(shù)與關(guān)節(jié)變化角度之間的線性關(guān)系。為加強(qiáng)這種線性關(guān)系準(zhǔn)確性，引入了支持智能SVM原理。

根據(jù)圖1，將采集到的腿部關(guān)節(jié)變化參數(shù)進(jìn)行線性描述，并根據(jù)描述，確立如下樣本集。

對4個(gè)腿部關(guān)節(jié)變化參數(shù)進(jìn)行二次規(guī)劃限制，如下：

式中：Y1 ～Y4表示1～4這4個(gè)參數(shù)各自限制條件；A1～A4分別表示這4個(gè)參數(shù)在樣本集A中的個(gè)數(shù)；E1～E4表示隨機(jī)取樣。在樣本集A中分別取到每個(gè)參數(shù)概率，至此便完成了對這4個(gè)參數(shù)的二次規(guī)劃限制。再分別對Y1～Y4進(jìn)行全局最小解的求取，此時(shí)所得Fmin即為這4個(gè)腿部關(guān)節(jié)變化參數(shù)的全局最小值：

因?yàn)殛P(guān)節(jié)變化角度與運(yùn)動(dòng)強(qiáng)度之間的關(guān)系可以描述成w·x+a=0；樣本集（A1～4，Y1～4），則的最大解即為的最小化[5]，關(guān)節(jié)變化角度與運(yùn)動(dòng)強(qiáng)度之間的約束條件可以表達(dá)為：

通過上述過程，完成對關(guān)節(jié)變化角度與運(yùn)動(dòng)強(qiáng)度之間約束條件的確立，為關(guān)節(jié)變化角度與運(yùn)動(dòng)強(qiáng)度之間關(guān)系的建立提供了基礎(chǔ)。

2 關(guān)節(jié)變化角度與運(yùn)動(dòng)強(qiáng)度之間關(guān)系的確立

選擇合適關(guān)系模型對關(guān)節(jié)變化角度與運(yùn)動(dòng)強(qiáng)度關(guān)系進(jìn)行描述，是確定二者之間關(guān)系的重要保障，選用狀態(tài)方程如下：

式中：為運(yùn)動(dòng)狀態(tài)下的運(yùn)動(dòng)向量；u作為輸入變量，其數(shù)值的改變，對輸出變量y帶來影響；d和v分別為建模過程誤差與觀測誤差[6]。

關(guān)節(jié)運(yùn)動(dòng)狀態(tài)依靠關(guān)節(jié)運(yùn)動(dòng)能力的強(qiáng)弱體現(xiàn)，其定義如下：

即在關(guān)節(jié)初始值為SoC0時(shí)，關(guān)節(jié)所具有的瞬間運(yùn)動(dòng)能力為I，將其進(jìn)行離散化處理如下：

再選擇不同類型的損傷組合運(yùn)動(dòng)模型[7]，對離散化結(jié)果進(jìn)行重組，可表示為：

即關(guān)節(jié)的瞬時(shí)運(yùn)動(dòng)能力為，保持運(yùn)動(dòng)狀態(tài)需要的5個(gè)常數(shù)分別表示為～。

為了使得關(guān)節(jié)變化角度與運(yùn)動(dòng)強(qiáng)度之間關(guān)系保持穩(wěn)定，通常采用增益矩陣變換進(jìn)行測量，如下：

運(yùn)動(dòng)強(qiáng)度與運(yùn)動(dòng)損傷關(guān)系模型可表示為：

綜上所述，可以確定關(guān)節(jié)變化角度與運(yùn)動(dòng)強(qiáng)度之間的限制關(guān)系，進(jìn)而完成二者之間關(guān)系模型的搭建。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)樣本的確定

本文選用北京市最近3年的大學(xué)生運(yùn)動(dòng)數(shù)據(jù)作為實(shí)驗(yàn)所用數(shù)據(jù)進(jìn)行仿真。本文共選擇了7個(gè)運(yùn)動(dòng)項(xiàng)目作為研究對象。其各項(xiàng)運(yùn)動(dòng)中肌肉與關(guān)節(jié)的反饋情況見表2。

因人體進(jìn)行運(yùn)動(dòng)項(xiàng)目不同，關(guān)節(jié)屈服強(qiáng)度也不同。關(guān)節(jié)屈服強(qiáng)度與肌肉抗阻擾性之間稱正比變化關(guān)系，且隨著這兩個(gè)數(shù)值的增大，這種正比變化關(guān)系也逐漸增強(qiáng)，試驗(yàn)修正參數(shù)也隨之增大[4]。

3.2 運(yùn)動(dòng)損傷與運(yùn)動(dòng)強(qiáng)度的無誤差擬合實(shí)驗(yàn)

為了驗(yàn)證本文所提出的算法，在進(jìn)行實(shí)驗(yàn)過程中，可以對測量出的數(shù)據(jù)更好地進(jìn)行無誤差擬合，而傳統(tǒng)算法極易在數(shù)據(jù)融合過程中造成誤差的產(chǎn)生，分別應(yīng)用傳統(tǒng)算法和改進(jìn)后的算法，對運(yùn)動(dòng)強(qiáng)度與運(yùn)動(dòng)損傷之間的具體建模數(shù)據(jù)進(jìn)行對比見表3。表中：FGY/SH表示運(yùn)動(dòng)強(qiáng)度會(huì)造成運(yùn)動(dòng)損傷的危險(xiǎn)指數(shù)；Tra表示關(guān)節(jié)屈服強(qiáng)度的瞬時(shí)最大值；Imp表示關(guān)節(jié)屈服強(qiáng)度的暫態(tài)最大值。

通過對表3的實(shí)驗(yàn)修正參數(shù)與建模數(shù)據(jù)對比進(jìn)行研究，可以得到運(yùn)動(dòng)強(qiáng)度與運(yùn)動(dòng)損傷之間建模數(shù)據(jù)的走勢對比圖如圖2所示。當(dāng)運(yùn)動(dòng)強(qiáng)度保持不變時(shí)，Tra曲線在運(yùn)動(dòng)強(qiáng)度曲線下方，也就是說在該狀態(tài)下，運(yùn)動(dòng)損傷與運(yùn)動(dòng)強(qiáng)度之間關(guān)系的誤差擬合較大；當(dāng)運(yùn)動(dòng)強(qiáng)度持續(xù)增加時(shí)，Tra曲線依然在運(yùn)動(dòng)強(qiáng)度曲線下方，即此時(shí)運(yùn)動(dòng)損傷與運(yùn)動(dòng)強(qiáng)度之間關(guān)系的誤差擬合也較大；綜上所述，傳統(tǒng)算法所測量出建模數(shù)據(jù)的真實(shí)性較低，且運(yùn)動(dòng)損傷與運(yùn)動(dòng)強(qiáng)度之間關(guān)系的誤差擬合也較大。

4 結(jié) 語

綜上所述，本文提出的新型建模算法可很好地解決運(yùn)動(dòng)強(qiáng)度與運(yùn)動(dòng)損傷之間關(guān)聯(lián)度的問題，并在一定情況下，保證二者無誤差擬合。希望通過本文的研究，能夠緩解因運(yùn)動(dòng)強(qiáng)度過大造成運(yùn)動(dòng)損傷。

參考文獻(xiàn)

[1] 白雪嶺，王洪生，張希安，等.三維運(yùn)動(dòng)學(xué)仿真男子舉重運(yùn)動(dòng)員抓舉技術(shù)及膝關(guān)節(jié)運(yùn)動(dòng)分析[J].中國組織工程研究，2009，13（35）：6879?6882.

[2] 蔡保塔，余斌，趙江萍，等.不同運(yùn)動(dòng)強(qiáng)度與骨骼肌細(xì)胞調(diào)亡的時(shí)序性實(shí)驗(yàn)研究[J].南方醫(yī)科大學(xué)學(xué)報(bào)，2016，26（7）：1017?1019.

[3] 郭丞，史東林，孟兵林.河北省青少年男排運(yùn)動(dòng)員運(yùn)動(dòng)損傷特征分析與體能訓(xùn)練的關(guān)系[J].文體用品與科技，2014（4）：120?121.

[4] 毛玉瑢，陳娜，陳沛銘，等.健康中老年人上肢負(fù)重狀態(tài)下利手和非利手的三維運(yùn)動(dòng)學(xué)分析[J].中國組織工程研究，2015，19（42）：6776?6781.

[5] 赫高峰，彭淑娟，柳欣，等.結(jié)合模糊聚類和投影近似點(diǎn)算法的缺失人體運(yùn)動(dòng)捕捉數(shù)據(jù)重構(gòu)[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2015，27（8）：1416?1425.

[6] 彭淑娟，赫高峰，柳欣，等.基于運(yùn)動(dòng)分割和稀疏低秩分解的失真人體運(yùn)動(dòng)捕捉數(shù)據(jù)恢復(fù)[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2015，27（4）：721?730.

[7] 傅維杰，魏勇，劉宇.穿不同鞋與裸足對羽毛球蹬地動(dòng)作下肢及跖趾關(guān)節(jié)運(yùn)動(dòng)協(xié)調(diào)特征的影響[J].醫(yī)用生物力學(xué)，2015，30（2）：159?166.endprint