基于大數(shù)據(jù)的運(yùn)動(dòng)損傷程度評(píng)估模型

李少聰+馬德+李少瓊

摘 要： 對(duì)運(yùn)動(dòng)損傷程度進(jìn)行評(píng)估，在提高運(yùn)動(dòng)質(zhì)量方面具有重要意義。運(yùn)動(dòng)損傷程度評(píng)估過程中，傳統(tǒng)方法應(yīng)用經(jīng)驗(yàn)損傷測(cè)評(píng)方法進(jìn)行評(píng)估，由于使用經(jīng)驗(yàn)數(shù)據(jù)因此存在評(píng)估結(jié)果誤差大，效率低的問題，提出基于大數(shù)據(jù)的運(yùn)動(dòng)損傷程度評(píng)估模型。通過大數(shù)據(jù)分析對(duì)運(yùn)動(dòng)損傷程度進(jìn)行趨勢(shì)評(píng)估，引入模糊集概念考量損傷數(shù)據(jù)，重新確立模糊關(guān)系矩陣指標(biāo)權(quán)重，完成評(píng)估模型建立。通過實(shí)驗(yàn)表明，采用改進(jìn)評(píng)估模型相比傳統(tǒng)評(píng)估模型其有效性較高、誤差小，具有一定的優(yōu)勢(shì)。

關(guān)鍵詞： 大數(shù)據(jù)； 運(yùn)動(dòng)質(zhì)量； 經(jīng)驗(yàn)損傷測(cè)評(píng)； 指標(biāo)權(quán)重； 評(píng)估模型； 模糊關(guān)系矩陣

中圖分類號(hào)： TN273?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）06?0183?04

Abstract： Sports injury degree evaluation is of great significance to the improvement of sports quality. In allusion to the problem that in the process of sports injury degree evaluation， the empirical injury evaluation method is applied in the traditional evaluation method， in which big error and low efficiency of evaluation results exist due to the use of empirical data， a sports injury degree evaluation model based on big data is proposed. The big data analysis is introduced to evaluate the tendency of sports injury degree. The fuzzy set concept is introduced to consider the damage data so as to establish the index weight of fuzzy relational matrix and complete the establishment of evaluation model. The experimental results show that the improved evaluation model has certain advantages of higher effectiveness and less error in comparison with the traditional evaluation model.

Keywords： big data； sports quality； empirical injury evaluation； index weight； evaluation model； fuzzy relational matrix

0 引 言

伴隨數(shù)據(jù)化技術(shù)不斷提升，在運(yùn)動(dòng)損傷診斷、運(yùn)動(dòng)傷勢(shì)判定評(píng)估等領(lǐng)域已經(jīng)應(yīng)用數(shù)據(jù)模型進(jìn)行診斷以及損傷程度評(píng)估。傳統(tǒng)運(yùn)動(dòng)損傷程度的評(píng)估方法基本應(yīng)用的是經(jīng)驗(yàn)損傷評(píng)估方法，使用經(jīng)驗(yàn)損傷程度評(píng)估在沒有數(shù)據(jù)支撐的情況下，很難做到高精準(zhǔn)度的傷勢(shì)分析，同時(shí)運(yùn)動(dòng)傷勢(shì)的不同情況不同部位都會(huì)影響評(píng)估的精準(zhǔn)度[1?2]。由于大數(shù)據(jù)技術(shù)的引入在一定程度上能夠替換經(jīng)驗(yàn)測(cè)評(píng)的不足，故本文設(shè)計(jì)一款基于大數(shù)據(jù)的運(yùn)動(dòng)損傷程度評(píng)估模型。為了保證設(shè)計(jì)的合理性，模擬應(yīng)用環(huán)境進(jìn)行對(duì)比仿真試驗(yàn)。通過傳統(tǒng)方法與設(shè)計(jì)模型結(jié)果進(jìn)行比較充分的證明了本文設(shè)計(jì)合理性。

1 利用大數(shù)據(jù)分析提供運(yùn)動(dòng)損傷判別趨勢(shì)

引入大數(shù)據(jù)分析進(jìn)行趨勢(shì)判別，為后續(xù)的運(yùn)動(dòng)損傷程度評(píng)估處理過程提供基礎(chǔ)依據(jù)。使用大數(shù)據(jù)分析對(duì)損傷程度的趨勢(shì)進(jìn)行判斷能夠提高評(píng)估精準(zhǔn)的概率，同時(shí)可以為運(yùn)動(dòng)損傷類別、運(yùn)動(dòng)損傷部位、運(yùn)動(dòng)損傷有效程度提供數(shù)據(jù)保證，同時(shí)還保證了評(píng)估過程的連續(xù)性[3]。假設(shè)段位節(jié)選數(shù)據(jù)為[W2K]對(duì)段位內(nèi)的數(shù)據(jù)進(jìn)行峰值選取，有如下公式：

[VMAX=maxiAW2KNiK，XNi=1=maxiAW2KNiK，eθNi=1] （1）

式中：[A]為節(jié)選段位數(shù)據(jù)的標(biāo)準(zhǔn)差量；[NiK]為在i的數(shù)據(jù)分布下執(zhí)行第k條數(shù)據(jù)的判別趨勢(shì)度；[X]為指向判別參量；[eθ]為在θ數(shù)據(jù)范圍最終選定的代表量[4]。從單一大數(shù)據(jù)的獲取的信息不夠明確，需要與趨勢(shì)運(yùn)算相結(jié)合才能得到最終的判別依據(jù)。大數(shù)據(jù)的趨勢(shì)分析過程需要使用集合運(yùn)算的形式體現(xiàn)，則其之間的關(guān)系表達(dá)式為：

[Rθ=Sm×ni=1np?×0.78α1?=A2，…XM?∈DRm×ni=1np?×0.78θ1?=A1，…XM?∈DR] （2）

式中：[Rθ]為在θ數(shù)據(jù)范圍內(nèi)運(yùn)動(dòng)損傷大數(shù)據(jù)的特性值；[S]為運(yùn)動(dòng)損傷程度數(shù)據(jù)的特征數(shù)據(jù)；[?]為選定的特征數(shù)據(jù)中的數(shù)據(jù)指向趨勢(shì)[5]；[D]為運(yùn)動(dòng)損傷的指向性數(shù)據(jù)；[α1?]為運(yùn)動(dòng)損傷數(shù)據(jù)變換系數(shù)，經(jīng)過上述公式計(jì)算分析得到大數(shù)據(jù)中的判別標(biāo)準(zhǔn)。

2 運(yùn)動(dòng)損傷程度評(píng)估模型的建立

運(yùn)動(dòng)損傷程度評(píng)估的模糊測(cè)評(píng)因素關(guān)聯(lián)隸屬關(guān)系使用的是傳遞分散結(jié)構(gòu)，如圖1所示。

第一層為評(píng)估對(duì)象即運(yùn)動(dòng)損傷程度，使用大數(shù)據(jù)判別綜合評(píng)估的對(duì)象。第二層為評(píng)估指標(biāo)，進(jìn)行綜合指標(biāo)以及因素的確定，這個(gè)層面采用分散的結(jié)構(gòu)層面。最下一層是評(píng)估結(jié)果，使用大數(shù)據(jù)分析加上判別的限定，因此不需要進(jìn)行結(jié)果修訂，分析出的結(jié)果可以作為最終結(jié)果[6]。

2.1 基于損傷模糊集的指標(biāo)量化

本文對(duì)運(yùn)動(dòng)損傷程度評(píng)估的關(guān)鍵是對(duì)模糊集的確定過程。損傷評(píng)估指標(biāo)需要對(duì)各損傷等級(jí)隸屬度進(jìn)行計(jì)算量化值。假設(shè)對(duì)應(yīng)的損傷程度級(jí)別為一個(gè)定值，通過模糊集指標(biāo)量化過程，對(duì)損傷程度指標(biāo)進(jìn)行量化[7]。量化后損傷指標(biāo)包括運(yùn)動(dòng)損傷部位和運(yùn)動(dòng)損傷環(huán)節(jié)可利用性的影響因子，一共設(shè)置6個(gè)評(píng)估影響指標(biāo)。endprint

以運(yùn)動(dòng)肌肉損傷為例，損傷評(píng)估指標(biāo)的量化過程如下。假設(shè)肌肉運(yùn)動(dòng)損傷分為拉傷性損傷、斷裂性損傷、自損性損傷和破損性損傷等情況，如表1所示。

本文用[djj=1，2，3，4]分別為這4種損傷評(píng)估結(jié)果，用[xj]表示對(duì)應(yīng)損傷評(píng)估結(jié)果[dj]評(píng)估損傷程度值[8]。假設(shè)[k]為運(yùn)動(dòng)損傷次數(shù)，[k]次運(yùn)動(dòng)損傷部位的量化情況評(píng)估結(jié)果隸屬于評(píng)估損傷[dj]模糊集為[Ejj=1，2，3，4]，[j=14Ej=k]則對(duì)肌肉的運(yùn)動(dòng)評(píng)估損傷程度等級(jí)[dj]的隸屬度[rj]標(biāo)準(zhǔn)算方法為：

[rj=Ejk] （3）

經(jīng)過上述計(jì)算便可以進(jìn)行損傷模糊集[D]的量化值計(jì)算：

[D=j=14rj×xj] （4）

經(jīng)過上述過程完成對(duì)損傷模糊集的指標(biāo)量化過程。

2.2 完成評(píng)估模型建立實(shí)現(xiàn)運(yùn)動(dòng)損傷程度評(píng)估

在運(yùn)動(dòng)損傷程度評(píng)估中，要確定的權(quán)重有3組，包括：

1） 損傷部位影響因子在運(yùn)動(dòng)損傷程度中的評(píng)估權(quán)重值；

2） 損傷方式在運(yùn)動(dòng)損傷程度評(píng)估權(quán)重值；

3） 損傷所需恢復(fù)能力在運(yùn)動(dòng)損傷程度評(píng)估權(quán)值。

損傷部位影響因子對(duì)運(yùn)動(dòng)損傷程度評(píng)估結(jié)果為：

[Z=z1，z2，…，z9] （5）

式中：[Z]為不同損傷部位上對(duì)應(yīng)損傷級(jí)別指標(biāo)的重要性，[z1]…[z9]分別對(duì)應(yīng)不同范圍。損傷方式的影響因子使用二元定性標(biāo)度矩陣[E]進(jìn)行表示：

[E=e11e12…e19e21e22…e29????e91e92…e99] （6）

式中，損傷元素[eklk，l=1，2，…，9]在取值范圍上可以選取0，0.5和1，每增加一定的數(shù)值說明影響的程度會(huì)增加[9]，等兩個(gè)影響因子數(shù)相等時(shí)說明影響程度是相同的但是損傷程度有可能不同。損傷影響度矩陣[E]同樣也是模型的檢驗(yàn)公式，保證了不同損傷方式對(duì)評(píng)估的準(zhǔn)確度的影響。損傷所需恢復(fù)能力對(duì)運(yùn)動(dòng)損傷程度評(píng)估的影響：

[if ehk>ehl，then elk>eklif ehk

式中：[ehk]為自身的平均恢復(fù)能力；[ehl]為運(yùn)動(dòng)損傷所需的恢復(fù)能力（平均值）；[elk]為外界施加的恢復(fù)輔助；[ekl]最佳外界施加的輔助能力。通過用公式的方式進(jìn)行內(nèi)在外在的對(duì)比可以直觀地看出損傷恢復(fù)能力對(duì)運(yùn)動(dòng)損傷程度的評(píng)估結(jié)果影響。

為了設(shè)計(jì)的完整性，對(duì)最終的評(píng)估結(jié)果進(jìn)行驗(yàn)證，對(duì)評(píng)估結(jié)果的驗(yàn)證過程中使用的權(quán)重方程[10]。權(quán)重方程最大的優(yōu)勢(shì)在于能夠進(jìn)行矢量計(jì)算。矢量計(jì)算能夠衡量評(píng)估的方向性同時(shí)可以對(duì)結(jié)果進(jìn)行評(píng)估，計(jì)算公式如下：

[C=WS×D+WP×P] （8）

式中：[C]表示運(yùn)動(dòng)損傷程度評(píng)估結(jié)果矢量；[D]表示運(yùn)動(dòng)損傷部位的影響矢量值；[P]表示運(yùn)動(dòng)損傷程度的量化值；[WS]，[WP]分別表示運(yùn)動(dòng)損傷程度的所需恢復(fù)權(quán)重以及算上形式權(quán)重值。

3 仿真實(shí)驗(yàn)

3.1 參數(shù)設(shè)定

為了保證本文設(shè)計(jì)的基于大數(shù)據(jù)的運(yùn)動(dòng)損傷程度評(píng)估模型設(shè)計(jì)有效性，對(duì)實(shí)驗(yàn)參數(shù)進(jìn)行設(shè)定，實(shí)驗(yàn)參數(shù)如表2所示。

3.2 結(jié)果對(duì)比分析

圖2是本文設(shè)計(jì)的基于大數(shù)據(jù)的運(yùn)動(dòng)損傷程度評(píng)估模型與傳統(tǒng)運(yùn)動(dòng)損傷程度評(píng)估方法的對(duì)比結(jié)果。由于本文使用的實(shí)驗(yàn)數(shù)據(jù)為混合試驗(yàn)數(shù)據(jù)，傳統(tǒng)方法的評(píng)估默認(rèn)等級(jí)為最高等級(jí)。本文設(shè)計(jì)評(píng)估模型能夠針對(duì)不同部位不同形式的損傷進(jìn)行判別評(píng)估，從圖2中可以看出其更加精確。

分析圖3可知，本文設(shè)計(jì)的基于大數(shù)據(jù)的運(yùn)動(dòng)損傷程度評(píng)估模型能夠?qū)KH指數(shù)明感反應(yīng)，QKH指數(shù)是衡量評(píng)估結(jié)果的進(jìn)程量，結(jié)果越精確波動(dòng)過程越復(fù)雜。分析圖3可以看出本文設(shè)計(jì)的基于大數(shù)據(jù)的運(yùn)動(dòng)損傷程度評(píng)估模型評(píng)估結(jié)果更加精準(zhǔn)。

4 結(jié) 語

本文設(shè)計(jì)并提出基于大數(shù)據(jù)的運(yùn)動(dòng)損傷程度評(píng)估模型。通過大數(shù)據(jù)分析提供評(píng)估判別趨勢(shì)，使用模糊集概念考量損傷數(shù)據(jù)，重新確立模糊關(guān)系矩陣的指標(biāo)權(quán)重，最終完成評(píng)估模型的建立。希望通過本文的研究能夠促進(jìn)對(duì)運(yùn)動(dòng)損傷的評(píng)估能力。

參考文獻(xiàn)

[1] 邱芬，秦子來，崔德剛.大學(xué)生的體育活動(dòng)風(fēng)險(xiǎn)認(rèn)知與運(yùn)動(dòng)損傷和鍛煉行為的關(guān)系[J].武漢體育學(xué)院學(xué)報(bào)，2015，49（6）：75?81.

QIU Fen， QIN Zilai， CUI Degang. Relationship among perception of risk in physical activity， sport injury and exercise behavior for undergraduates [J]. Journal of Wuhan Institute of Physical Education， 2015， 49（6）： 75?81.

[2] 馮慶善.基于大數(shù)據(jù)條件下的管道風(fēng)險(xiǎn)評(píng)估方法思考[J].油氣儲(chǔ)運(yùn)，2014，33（5）：457?461.

FENG Qingshan. A thought over the pipeline risk assessment methods based on big data [J]. Oil & gas storage and transportation， 2014， 33（5）： 457?461.

[3] 陶鴻飛，孫藝新，吳國威，等.基于大數(shù)據(jù)和層次分析法的電力信息系統(tǒng)成熟度評(píng)估[J].中國電力，2016，49（10）：114?118.

TAO Hongfei， SUN Yixin， WU Guowei， et al. Maturity assessment of power information system based on big data and analytic hierarchy process [J]. Electric power， 2016， 49（10）： 114?118.

[4] 郭崇.基于大數(shù)據(jù)分析的網(wǎng)購客戶忠誠度建模仿真[J].計(jì)算機(jī)仿真，2015，32（10）：239?242.

GUO Chong. Modeling and simulation of online customer loyalty based on analysis of big data [J]. Computer simulation， 2015， 32（10）： 239?242.

[5] 王軍，黃杰飛，程勇.基于大數(shù)據(jù)處理的農(nóng)業(yè)氣象災(zāi)害分類模型[J].計(jì)算機(jī)仿真，2017，34（5）：353?356.

WANG Jun， HUANG Jiefei， CHENG Yong. Classification model of agro?meteorological disaster based on the big data processing [J]. Computer simulation， 2017， 34（5）： 353?356.

[6] 王偉，蔣菱，王崢，等.基于向量評(píng)估遺傳算法的智能電網(wǎng)大數(shù)據(jù)交易模型研究[J].電網(wǎng)與清潔能源，2016，32（10）：1?8.

WANG Wei， JIANG Ling， WANG Zheng， et al. Trade model of smart grid big data based on vector evaluated genetic algorithm [J]. Advances of power system & hydroelectric engineering， 2016， 32（10）： 1?8.

[7] 胡萍.大數(shù)據(jù)環(huán)境下基于信息融合的網(wǎng)絡(luò)風(fēng)險(xiǎn)評(píng)估模型[J].科技通報(bào)，2015（9）：220?223.

HU Ping. Network risk assessment model based on big data environment information fusion [J]. Bulletin of science and technology， 2015（9）： 220?223.

[8] 劉逸，保繼剛，朱毅玲.基于大數(shù)據(jù)的旅游目的地情感評(píng)價(jià)方法探究[J].地理研究，2017，36（6）：1091?1105.

LIU Yi， BAO Jigang， ZHU Yiling. Exploring emotion methods of tourism destination evaluation： a big?data approach [J]. Geographical research， 2017， 36（6）： 1091?1105.

[9] 趙丹.基于大數(shù)據(jù)分析的運(yùn)動(dòng)損傷估計(jì)模型設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2017，40（17）：101?104.

ZHAO Dan. Design of sports injury estimation model based on big data analysis [J]. Modern electronics technique， 2017， 40（17）： 101?104.

[10] 李鳳，陳婷婷.對(duì)極限運(yùn)動(dòng)中損傷救助物流資源配比的數(shù)學(xué)建模[J].科技通報(bào)，2015，31（12）：74?76.

LI Feng， CHEN Tingting. Mathematical modeling of extreme sports injury relief logistics resources matching [J]. Bulletin of science and technology， 2015， 31（12）： 74?76.endprint