李少聰+馬德+李少瓊
摘 要： 傳統模型不能很好地描述運動強度與運動損傷之間的關係，提出一種運動損傷與運動強度之間的關係模型，確定關節變化參數及約束條件，利用智能SVM原理關係，構建仿真模型。模擬應用環境設計仿真實驗，結果表明，上述構建的模型可很好地描述運動損傷與運動強度間關係，解決運動損傷與運動強度間關聯度問題，避免運動強度過大造成運動損傷。
關鍵詞： 運動強度； 運動損傷； 關係建模； 仿真分析
中圖分類號： TN911?34； TP311 文獻標識碼： 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
現階段為了改善運動強度與運動損傷之間的關係，我國主要在蟻群算法的基礎上，通過對灰色神經網絡算法進行改革，建立無跡卡爾曼濾波算法的損傷關係模型，並通過該模型確定運動強度對運動損傷的影響。但該模型在實際操作過程中需對大量數據進行測量計算，耗時較大，疊代次數多，對真實性造成很大影響。本文通過對最優越平面進行條件約束，建立運動強度與運動損傷關係間優化模型關係，並通過實驗證明，該模型能夠減輕因運動強度過大造成的運動損傷[1]。
1 關節變化參數的採集及約束條件的確定
首先對一名男子在進行跑步運動時的技術動作進行分析，分別定義左腳踝關節、左腿膝關節、右腳踝關節、右腿膝關節為1～4號Marker點的剛體[2]，再選取四個相同的無遮擋運動捕捉攝像頭，分別對這四個剛體的運動情況進行記錄。通過攝像頭中的記錄畫面，可以觀察出這四個剛體的運動幅度，並通過如下公式將剛體的運動幅度轉換成關節的運動幅度。
通過式（1）可得左腳踝關節、左腿膝關節、右腳踝關節、右腿膝關節四個Marker點剛體關節運動幅度，並將四個數值輸入Optotrak Certus運動捕捉系統中，進行形狀特徵剖析[1]，並根據剖析結果採集運動員在進行跑步運動時，腿部關節變化參數。形狀特徵剖析結果如圖1所示。由圖1可知，在0.3～0.6 s之間，四個Marker點剛體關節的運動幅度達到了第一個峰值，在0.9～1.2 s之間，Marker點剛體關節的運動幅度達到了第二個峰值。因此，將0.3 s，0.6 s，0.9 s，1.2 s四個時間節點作為腿部關節變化參數的採集依據，並根據如下代碼輸出腿部關節的具體變化參數：
int a[100]，n，i；
scanf（"%d"，&n）；
for（i=0；ifor（i=0；iif （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四個數值，按照上述代碼[3]分別運行4次，並將每次執行完畢後所輸出的結果進行記錄，整理記錄結果，如表1所示。表1中b變量的數值，即為採集到的腿部關節的具體變化參數。
通過表1可以得到對腿部關節的具體變化參數。在對關節變化角度與運動強度之間關係約束條件進行確定時，首先要對腿部關節的具體變化參數進行線性分類間隔最大化處理，並通過這種處理[4]，建立腿部關節變化參數與關節變化角度之間的線性關係。為加強這種線性關係準確性，引入了支持智能SVM原理。
根據圖1，將採集到的腿部關節變化參數進行線性描述，並根據描述，確立如下樣本集。
對4個腿部關節變化參數進行二次規劃限制，如下：
式中：Y1 ～Y4表示1～4這4個參數各自限制條件；A1～A4分別表示這4個參數在樣本集A中的個數；E1～E4表示隨機取樣。在樣本集A中分別取到每個參數機率，至此便完成了對這4個參數的二次規劃限制。再分別對Y1～Y4進行全局最小解的求取，此時所得Fmin即為這4個腿部關節變化參數的全局最小值：
因為關節變化角度與運動強度之間的關係可以描述成w·x+a=0；樣本集（A1～4，Y1～4），則的最大解即為的最小化[5]，關節變化角度與運動強度之間的約束條件可以表達為：
通過上述過程，完成對關節變化角度與運動強度之間約束條件的確立，為關節變化角度與運動強度之間關係的建立提供了基礎。
2 關節變化角度與運動強度之間關係的確立
選擇合適關係模型對關節變化角度與運動強度關係進行描述，是確定二者之間關係的重要保障，選用狀態方程如下：
式中：為運動狀態下的運動向量；u作為輸入變量，其數值的改變，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]。
關節運動狀態依靠關節運動能力的強弱體現，其定義如下：
即在關節初始值為SoC0時，關節所具有的瞬間運動能力為I，將其進行離散化處理如下：
再選擇不同類型的損傷組合運動模型[7]，對離散化結果進行重組，可表示為：
即關節的瞬時運動能力為，保持運動狀態需要的5個常數分別表示為～。
為了使得關節變化角度與運動強度之間關係保持穩定，通常採用增益矩陣變換進行測量，如下：
運動強度與運動損傷關係模型可表示為：
綜上所述，可以確定關節變化角度與運動強度之間的限制關係，進而完成二者之間關係模型的搭建。
3 實驗結果與分析
3.1 實驗樣本的確定
本文選用北京市最近3年的大學生運動數據作為實驗所用數據進行仿真。本文共選擇了7個運動項目作為研究對象。其各項運動中肌肉與關節的反饋情況見表2。
因人體進行運動項目不同，關節屈服強度也不同。關節屈服強度與肌肉抗阻擾性之間稱正比變化關係，且隨著這兩個數值的增大，這種正比變化關係也逐漸增強，試驗修正參數也隨之增大[4]。
3.2 運動損傷與運動強度的無誤差擬合實驗
為了驗證本文所提出的算法，在進行實驗過程中，可以對測量出的數據更好地進行無誤差擬合，而傳統算法極易在數據融合過程中造成誤差的產生，分別應用傳統算法和改進後的算法，對運動強度與運動損傷之間的具體建模數據進行對比見表3。表中：FGY/SH表示運動強度會造成運動損傷的危險指數；Tra表示關節屈服強度的瞬時最大值；Imp表示關節屈服強度的暫態最大值。
通過對表3的實驗修正參數與建模數據對比進行研究，可以得到運動強度與運動損傷之間建模數據的走勢對比圖如圖2所示。當運動強度保持不變時，Tra曲線在運動強度曲線下方，也就是說在該狀態下，運動損傷與運動強度之間關係的誤差擬合較大；當運動強度持續增加時，Tra曲線依然在運動強度曲線下方，即此時運動損傷與運動強度之間關係的誤差擬合也較大；綜上所述，傳統算法所測量出建模數據的真實性較低，且運動損傷與運動強度之間關係的誤差擬合也較大。
4 結 語
綜上所述，本文提出的新型建模算法可很好地解決運動強度與運動損傷之間關聯度的問題，並在一定情況下，保證二者無誤差擬合。希望通過本文的研究，能夠緩解因運動強度過大造成運動損傷。
參考文獻
[1] 白雪嶺，王洪生，張希安，等.三維運動學仿真男子舉重運動員抓舉技術及膝關節運動分析[J].中國組織工程研究，2009，13（35）：6879?6882.
[2] 蔡保塔，余斌，趙江萍，等.不同運動強度與骨骼肌細胞調亡的時序性實驗研究[J].南方醫科大學學報，2016，26（7）：1017?1019.
[3] 郭丞，史東林，孟兵林.河北省青少年男排運動員運動損傷特徵分析與體能訓練的關係[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重狀態下利手和非利手的三維運動學分析[J].中國組織工程研究，2015，19（42）：6776?6781.
[5] 赫高峰，彭淑娟，柳欣，等.結合模糊聚類和投影近似點算法的缺失人體運動捕捉數據重構[J].計算機輔助設計與圖形學學報，2015，27（8）：1416?1425.
[6] 彭淑娟，赫高峰，柳欣，等.基於運動分割和稀疏低秩分解的失真人體運動捕捉數據恢復[J].計算機輔助設計與圖形學學報，2015，27（4）：721?730.
[7] 傅維傑，魏勇，劉宇.穿不同鞋與裸足對羽毛球蹬地動作下肢及跖趾關節運動協調特徵的影響[J].醫用生物力學，2015，30（2）：159?166.技術文
摘 要： 傳統模型不能很好地描述運動強度與運動損傷之間的關係，提出一種運動損傷與運動強度之間的關係模型，確定關節變化參數及約束條件，利用智能SVM原理關係，構建仿真模型。模擬應用環境設計仿真實驗，結果表明，上述構建的模型可很好地描述運動損傷與運動強度間關係，解決運動損傷與運動強度間關聯度問題，避免運動強度過大造成運動損傷。
關鍵詞： 運動強度； 運動損傷； 關係建模； 仿真分析
中圖分類號： TN911?34； TP311 文獻標識碼： 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
現階段為了改善運動強度與運動損傷之間的關係，我國主要在蟻群算法的基礎上，通過對灰色神經網絡算法進行改革，建立無跡卡爾曼濾波算法的損傷關係模型，並通過該模型確定運動強度對運動損傷的影響。但該模型在實際操作過程中需對大量數據進行測量計算，耗時較大，疊代次數多，對真實性造成很大影響。本文通過對最優越平面進行條件約束，建立運動強度與運動損傷關係間優化模型關係，並通過實驗證明，該模型能夠減輕因運動強度過大造成的運動損傷[1]。
1 關節變化參數的採集及約束條件的確定
首先對一名男子在進行跑步運動時的技術動作進行分析，分別定義左腳踝關節、左腿膝關節、右腳踝關節、右腿膝關節為1～4號Marker點的剛體[2]，再選取四個相同的無遮擋運動捕捉攝像頭，分別對這四個剛體的運動情況進行記錄。通過攝像頭中的記錄畫面，可以觀察出這四個剛體的運動幅度，並通過如下公式將剛體的運動幅度轉換成關節的運動幅度。
通過式（1）可得左腳踝關節、左腿膝關節、右腳踝關節、右腿膝關節四個Marker點剛體關節運動幅度，並將四個數值輸入Optotrak Certus運動捕捉系統中，進行形狀特徵剖析[1]，並根據剖析結果採集運動員在進行跑步運動時，腿部關節變化參數。形狀特徵剖析結果如圖1所示。由圖1可知，在0.3～0.6 s之間，四個Marker點剛體關節的運動幅度達到了第一個峰值，在0.9～1.2 s之間，Marker點剛體關節的運動幅度達到了第二個峰值。因此，將0.3 s，0.6 s，0.9 s，1.2 s四個時間節點作為腿部關節變化參數的採集依據，並根據如下代碼輸出腿部關節的具體變化參數：
int a[100]，n，i；
scanf（"%d"，&n）；
for（i=0；i
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四個數值，按照上述代碼[3]分別運行4次，並將每次執行完畢後所輸出的結果進行記錄，整理記錄結果，如表1所示。表1中b變量的數值，即為採集到的腿部關節的具體變化參數。
通過表1可以得到對腿部關節的具體變化參數。在對關節變化角度與運動強度之間關係約束條件進行確定時，首先要對腿部關節的具體變化參數進行線性分類間隔最大化處理，並通過這種處理[4]，建立腿部關節變化參數與關節變化角度之間的線性關係。為加強這種線性關係準確性，引入了支持智能SVM原理。
根據圖1，將採集到的腿部關節變化參數進行線性描述，並根據描述，確立如下樣本集。
對4個腿部關節變化參數進行二次規劃限制，如下：
式中：Y1 ～Y4表示1～4這4個參數各自限制條件；A1～A4分別表示這4個參數在樣本集A中的個數；E1～E4表示隨機取樣。在樣本集A中分別取到每個參數機率，至此便完成了對這4個參數的二次規劃限制。再分別對Y1～Y4進行全局最小解的求取，此時所得Fmin即為這4個腿部關節變化參數的全局最小值：
因為關節變化角度與運動強度之間的關係可以描述成w·x+a=0；樣本集（A1～4，Y1～4），則的最大解即為的最小化[5]，關節變化角度與運動強度之間的約束條件可以表達為：
通過上述過程，完成對關節變化角度與運動強度之間約束條件的確立，為關節變化角度與運動強度之間關係的建立提供了基礎。
2 關節變化角度與運動強度之間關係的確立
選擇合適關係模型對關節變化角度與運動強度關係進行描述，是確定二者之間關係的重要保障，選用狀態方程如下：
式中：為運動狀態下的運動向量；u作為輸入變量，其數值的改變，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]。
關節運動狀態依靠關節運動能力的強弱體現，其定義如下：
即在關節初始值為SoC0時，關節所具有的瞬間運動能力為I，將其進行離散化處理如下：
再選擇不同類型的損傷組合運動模型[7]，對離散化結果進行重組，可表示為：
即關節的瞬時運動能力為，保持運動狀態需要的5個常數分別表示為～。
為了使得關節變化角度與運動強度之間關係保持穩定，通常採用增益矩陣變換進行測量，如下：
運動強度與運動損傷關係模型可表示為：
綜上所述，可以確定關節變化角度與運動強度之間的限制關係，進而完成二者之間關係模型的搭建。
3 實驗結果與分析
3.1 實驗樣本的確定
本文選用北京市最近3年的大學生運動數據作為實驗所用數據進行仿真。本文共選擇了7個運動項目作為研究對象。其各項運動中肌肉與關節的反饋情況見表2。
因人體進行運動項目不同，關節屈服強度也不同。關節屈服強度與肌肉抗阻擾性之間稱正比變化關係，且隨著這兩個數值的增大，這種正比變化關係也逐漸增強，試驗修正參數也隨之增大[4]。
3.2 運動損傷與運動強度的無誤差擬合實驗
為了驗證本文所提出的算法，在進行實驗過程中，可以對測量出的數據更好地進行無誤差擬合，而傳統算法極易在數據融合過程中造成誤差的產生，分別應用傳統算法和改進後的算法，對運動強度與運動損傷之間的具體建模數據進行對比見表3。表中：FGY/SH表示運動強度會造成運動損傷的危險指數；Tra表示關節屈服強度的瞬時最大值；Imp表示關節屈服強度的暫態最大值。
通過對表3的實驗修正參數與建模數據對比進行研究，可以得到運動強度與運動損傷之間建模數據的走勢對比圖如圖2所示。當運動強度保持不變時，Tra曲線在運動強度曲線下方，也就是說在該狀態下，運動損傷與運動強度之間關係的誤差擬合較大；當運動強度持續增加時，Tra曲線依然在運動強度曲線下方，即此時運動損傷與運動強度之間關係的誤差擬合也較大；綜上所述，傳統算法所測量出建模數據的真實性較低，且運動損傷與運動強度之間關係的誤差擬合也較大。
4 結 語
綜上所述，本文提出的新型建模算法可很好地解決運動強度與運動損傷之間關聯度的問題，並在一定情況下，保證二者無誤差擬合。希望通過本文的研究，能夠緩解因運動強度過大造成運動損傷。
參考文獻
[1] 白雪嶺，王洪生，張希安，等.三維運動學仿真男子舉重運動員抓舉技術及膝關節運動分析[J].中國組織工程研究，2009，13（35）：6879?6882.
[2] 蔡保塔，余斌，趙江萍，等.不同運動強度與骨骼肌細胞調亡的時序性實驗研究[J].南方醫科大學學報，2016，26（7）：1017?1019.
[3] 郭丞，史東林，孟兵林.河北省青少年男排運動員運動損傷特徵分析與體能訓練的關係[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重狀態下利手和非利手的三維運動學分析[J].中國組織工程研究，2015，19（42）：6776?6781.
[5] 赫高峰，彭淑娟，柳欣，等.結合模糊聚類和投影近似點算法的缺失人體運動捕捉數據重構[J].計算機輔助設計與圖形學學報，2015，27（8）：1416?1425.
[6] 彭淑娟，赫高峰，柳欣，等.基於運動分割和稀疏低秩分解的失真人體運動捕捉數據恢復[J].計算機輔助設計與圖形學學報，2015，27（4）：721?730.
[7] 傅維傑，魏勇，劉宇.穿不同鞋與裸足對羽毛球蹬地動作下肢及跖趾關節運動協調特徵的影響[J].醫用生物力學，2015，30（2）：159?166.技術文
收藏