范曉峰

(德州學(xué)院 體育學(xué)院，山東 德州 253000)

在體育運動訓(xùn)練中，人體的損傷是關(guān)系到運動員健康和身體機能的重要因素，需要對長期超負(fù)荷運動下人體特征部位損傷概率進(jìn)行有效預(yù)測，結(jié)合預(yù)測結(jié)果進(jìn)行體育訓(xùn)練中的易損傷部位定位檢測.根據(jù)損傷部位檢測和損傷概率預(yù)測結(jié)果實現(xiàn)長期超負(fù)荷運動下人體特征部位損傷概率分析，提高運動訓(xùn)練過程中的損傷診斷和預(yù)防能力，從而避免體育訓(xùn)練中的損傷，為體育訓(xùn)練中的損傷預(yù)防和救治提供理論基礎(chǔ).研究長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測方法在體育運動和體育醫(yī)學(xué)中具有很好的應(yīng)用價值[1].

對長期超負(fù)荷運動下的人體特征部位損傷概率進(jìn)行預(yù)測，能有效反映運動員的生理狀態(tài)特征，從而制訂科學(xué)的訓(xùn)練計劃，促進(jìn)更加合理化的運動方式的形成.傳統(tǒng)的人體特征部位損傷概率預(yù)測，主要利用專家系統(tǒng)進(jìn)行預(yù)測，采用以人工神經(jīng)元網(wǎng)絡(luò)預(yù)測體系為主、貝葉斯動態(tài)預(yù)測體系為輔的雙重預(yù)測方法進(jìn)行長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測[2-3]，對長期超負(fù)荷運動下人體特征部位損傷的整體運行狀態(tài)和變化趨勢作出判斷和預(yù)警，結(jié)合總體狀態(tài)描述指標(biāo)進(jìn)行運動損傷預(yù)測，提高預(yù)測效果，但上述傳統(tǒng)方法在進(jìn)行長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測時，存在精度較低和置信度不好的問題.

對此，本文提出一種基于隨機概率分布模型的長期超負(fù)荷運動下人體特征部位損傷概率實驗分析預(yù)測方法.首先對長期超負(fù)荷運動下人體特征部位損傷概率先驗信息進(jìn)行回歸分析模型構(gòu)建，采用描述性統(tǒng)計分析方法進(jìn)行長期超負(fù)荷運動下人體特征部位損傷概率的樣本分析，然后在回歸分析模型中對長期超負(fù)荷運動下人體特征部位損傷概率樣本序列進(jìn)行關(guān)聯(lián)特征分解. 結(jié)合隨機概率分布模型進(jìn)行長期超負(fù)荷運動下人體特征部位損傷的自動預(yù)測，采用支持向量機預(yù)測模型進(jìn)行長期超負(fù)荷運動下人體特征部位損傷概率的特征信息聚類和穩(wěn)健性檢驗處理，實現(xiàn)長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測模型優(yōu)化.最后進(jìn)行仿真實驗分析，展示了該方法在提高長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測能力方面的優(yōu)越性.

1 長期超負(fù)荷運動下人體特征部位損傷概率分析及關(guān)聯(lián)特征分解

1.1 長期超負(fù)荷運動下人體特征部位損傷概率分析

長期超負(fù)荷運動下人體特征部位損傷概率數(shù)據(jù)可以看作是一組概率分析樣本序列，采用概率分析樣本序列分析方法分析長期超負(fù)荷運動下人體特征部位損傷概率分布，進(jìn)行長期超負(fù)荷運動下人體特征部位損傷概率的分析[4]，采用特征方程描述長期超負(fù)荷運動下人體特征部位損傷概率的擬合狀態(tài)模型為：

(1)

(3) 令xn+1=μxn(1-xn)是一個長期超負(fù)荷運動下人體特征部位損傷概率樣本序列模型的共軛解，滿足初始值特征分解條件

U={u(t)|u(t)∈X,‖u‖d,t∈I}，

其中(Ii)i∈N={x1,x2,…,xm}.對于一組多元變量的長期超負(fù)荷運動下人體特征部位損傷概率序列x(n)，采用廣義積分-微分方程描述長期超負(fù)荷運動下人體特征部位損傷概率的特征量為：

(2)

當(dāng)q=2，長期超負(fù)荷運動下人體特征部位損傷概率信息分布滿足Bernoulli空間的(2+1)維連續(xù)特征分布，其中在持續(xù)時間內(nèi)運動損傷預(yù)測的約束條件為：

(3)

通過全局漸進(jìn)穩(wěn)定性特征分解，對長期超負(fù)荷運動下人體特征部位損傷概率進(jìn)行分析[5]，得到長期超負(fù)荷運動下人體特征部位損傷概率樣本序列的因子主成分概率密度置信域為：

(4)

上式中，αk為長期超負(fù)荷運動下人體特征部位損傷概率樣本序列在全局漸進(jìn)穩(wěn)定狀態(tài)下的矢量場，μk為非線性成分的統(tǒng)計量，運動損傷預(yù)測的約束變量為：

(5)

對統(tǒng)計的長期超負(fù)荷運動下人體特征部位損傷概率先驗信息進(jìn)行回歸模型構(gòu)建，采用描述性統(tǒng)計分析方法進(jìn)行長期超負(fù)荷運動下人體特征部位損傷概率的樣本分析，進(jìn)行長期超負(fù)荷運動下人體特征部位損傷概率分析[6].

1.2 損傷概率樣本序列關(guān)聯(lián)特征分解

為了保持原始損傷概率樣本序列數(shù)據(jù)的關(guān)聯(lián)維分布特征，進(jìn)行長期超負(fù)荷運動下人體特征部位損傷概率樣本序列模型構(gòu)建，描述為：

(6)

其中，A代表損傷概率樣本序列模型，u(x)是長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測值，k為樣本有效數(shù)據(jù)量.

在損傷概率樣本序列模型基礎(chǔ)上，采用支持向量機訓(xùn)練方法進(jìn)行長期超負(fù)荷運動下人體特征部位損傷概率的約束變量分類，長期超負(fù)荷運動下人體特征部位損傷概率的支持向量機訓(xùn)練模型為：

(7)

其中，λ表示分類系數(shù).

對得到的人體特征部位損傷概率的約束變量分類結(jié)果進(jìn)一步深化處理，以判斷損傷概率樣本序列是否具有可預(yù)測性. 將長期超負(fù)荷運動下人體特征部位損傷概率序列特征值分解為多個數(shù)值[7]，得到損傷概率樣本序列滿足：

(8)

當(dāng)sc=1時，可得到長期超負(fù)荷運動下人體特征部位損傷概率序列特征值，表明長期超負(fù)荷運動下人體特征部位損傷概率樣本序列具有可預(yù)測性，得到人體特征部位損傷概率的分布特征信息集為：

H(X)=

(9)

綜上，可以得到長期超負(fù)荷運動下人體特征部位損傷概率樣本序列關(guān)聯(lián)特征，可描述為：

(10)

2 預(yù)測模型優(yōu)化

2.1 人體特征部位損傷的自動預(yù)測

在對長期超負(fù)荷運動下人體特征部位損傷概率先驗信息進(jìn)行回歸分析模型構(gòu)建的基礎(chǔ)上，進(jìn)行人體特征部位損傷的自動預(yù)測模型的優(yōu)化設(shè)計. 本文提出一種基于隨機概率分布模型的長期超負(fù)荷運動下人體特征部位損傷概率實驗分析預(yù)測方法，在Sobolev空間中構(gòu)建長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測的回歸分析模型[8]，長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測的控制目標(biāo)函數(shù)為：

(11)

(12)

在Banach空間中，長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測模型的連續(xù)函數(shù)為u:I×IRd→IR，長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測準(zhǔn)確性的置信度為：c1eλ1t+c2eλ2t(λ1≠λ2)或(c1+c2t)eλt(λ1=λ2=λ)，在回歸分析模型中對長期超負(fù)荷運動下人體特征部位損傷概率樣本序列進(jìn)行關(guān)聯(lián)特征分解，回歸分析模型的特征分解值滿足：

(13)

其中，?x1,x2,y1,y2∈R，設(shè)x*是長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測模型的向量解集{xk}中的一個權(quán)重貢獻(xiàn)點，損傷概率訓(xùn)練向量模式：

x(t)=(x0(t),x1(t),…,xk-1(t))T

(14)

(15)

Md(Ci)=Mn(Ci)+Mo(Ci)

(16)

式中，Mo(Ci)為BP算法結(jié)構(gòu)的長期超負(fù)荷運動下人體特征部位損傷概率穩(wěn)態(tài)向量模型，Ci(i=1,2,…,n)為預(yù)測信息的加載數(shù).當(dāng)長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測模型的融合尺度滿足Duhamel公式：

u(t)=w(t)(u0,u1)+

(17)

其中, 長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測的尺度變換性表示為F(u)= |u|4u，采用邊界條件約束方法，進(jìn)行長期超負(fù)荷運動下人體特征部位損傷概率實驗分析.

2.2 損傷概率預(yù)測模型優(yōu)化

根據(jù)Lyapunov-Krasovskii泛函理論，對于一個連續(xù)的長期超負(fù)荷運動下人體特征部位損傷概率樣本序列，經(jīng)驗?zāi)B(tài)分解的遞歸計算表達(dá)式為：

(18)

在長期超負(fù)荷運動下人體特征部位損傷概率數(shù)據(jù)的采樣間隔滿足灰色條件，長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測特征點的高階矩滿足X=XT≥0，Y=YT≥0，那么有下列等式成立：

(19)

(20)

長期超負(fù)荷運動下人體特征部位損傷概率樣本序列的主成分因子為：

(21)

(22)

(23)

統(tǒng)計得到長期超負(fù)荷運動下人體特征部位損傷概率數(shù)據(jù)信息流的單變量時間序列表示{xn}，其中長期超負(fù)荷運動下人體特征部位損傷概率數(shù)據(jù)采樣樣本長度為N，得到長期超負(fù)荷運動下人體特征部位損傷概率樣本時間序列組合排序的重構(gòu)軌跡為：

X=[s1,s2,…,sK]n=(xn,xn-τ,…,xn-(m-1)τ)

(24)

其中K=N-(m-1)τ，表示長期超負(fù)荷運動下人體特征部位損傷概率數(shù)據(jù)的嵌入維，對于長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測的判別統(tǒng)計量X*∈S，當(dāng)且僅當(dāng)存在一個弱非線性可行解X∈S，使得所有不等式fi(X*)fi(X)成立，當(dāng)預(yù)測問題X*為多目標(biāo)優(yōu)化問題，采用支持向量機學(xué)習(xí)，得到長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測的最優(yōu)值表述：

(25)

根據(jù)上述描述，實現(xiàn)基于隨機概率分布模型的長期超負(fù)荷運動下人體特征部位損傷概率實驗分析預(yù)測.

3 仿真實驗分析

為了測試本文方法在實現(xiàn)長期超負(fù)荷運動下人體特征部位損傷概率實驗分析預(yù)測能力方面的性能，進(jìn)行仿真實驗，實驗采用Matlab 設(shè)計，長期超負(fù)荷運動下人體特征損傷檢測學(xué)習(xí)訓(xùn)練參數(shù)為NEj*(t)=1+9e-t/1 024=12，數(shù)據(jù)采樣的時間間隔為3 d，迭代次數(shù)為100次. 根據(jù)上述仿真設(shè)定，進(jìn)行長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測模型設(shè)計，得到樣本數(shù)據(jù)時域波形描述如圖1所示.

以上述采集的長期超負(fù)荷運動下人體特征部位損傷概率統(tǒng)計樣本為測試集，進(jìn)行長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測模型仿真分析，得到不同方法的預(yù)測誤差對比結(jié)果如圖2所示.

圖1 長期超負(fù)荷運動下人體特征部位損傷概率統(tǒng)計的時域波形

圖2 預(yù)測誤差分析

測試不同方法進(jìn)行預(yù)測的置信度，得到對比結(jié)果見表1.

表1 置信度水平對比

分析上述仿真結(jié)果得知，采用該模型進(jìn)行長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測的精度較高，收斂性較好，提高了對長期超負(fù)荷運動下人體特征部位損傷概率的預(yù)測和決策能力.

4 結(jié)語

本文提出一種基于隨機概率分布模型的長期超負(fù)荷運動下人體特征部位損傷概率實驗分析預(yù)測方法.對統(tǒng)計的長期超負(fù)荷運動下人體特征部位損傷概率先驗信息進(jìn)行回歸分析模型構(gòu)建，采用描述性統(tǒng)計分析方法進(jìn)行長期超負(fù)荷運動下人體特征部位損傷概率的樣本分析. 在回歸分析模型中對長期超負(fù)荷運動下人體特征部位損傷概率樣本序列進(jìn)行關(guān)聯(lián)特征分解，結(jié)合隨機概率分布模型進(jìn)行長期超負(fù)荷運動下人體特征部位損傷的自動預(yù)測. 采用支持向量機預(yù)測模型進(jìn)行長期超負(fù)荷運動下人體特征部位損傷概率的特征信息聚類和穩(wěn)健性檢驗處理，實現(xiàn)長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測模型優(yōu)化.研究得知，采用該模型進(jìn)行長期超負(fù)荷運動下人體特征部位損傷概率預(yù)測的精度較高，收斂性較好，提高了對長期超負(fù)荷運動下人體特征部位損傷概率的預(yù)測能力.