李少聰+馬德+李少瓊
摘 要： 對運動損傷程度進行評估，在提高運動質量方面具有重要意義。運動損傷程度評估過程中，傳統方法應用經驗損傷測評方法進行評估，由於使用經驗數據因此存在評估結果誤差大，效率低的問題，提出基於大數據的運動損傷程度評估模型。通過大數據分析對運動損傷程度進行趨勢評估，引入模糊集概念考量損傷數據，重新確立模糊關係矩陣指標權重，完成評估模型建立。通過實驗表明，採用改進評估模型相比傳統評估模型其有效性較高、誤差小，具有一定的優勢。
關鍵詞： 大數據； 運動質量； 經驗損傷測評； 指標權重； 評估模型； 模糊關係矩陣
中圖分類號： TN273?34 文獻標識碼： A 文章編號： 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
伴隨數據化技術不斷提升，在運動損傷診斷、運動傷勢判定評估等領域已經應用數據模型進行診斷以及損傷程度評估。傳統運動損傷程度的評估方法基本應用的是經驗損傷評估方法，使用經驗損傷程度評估在沒有數據支撐的情況下，很難做到高精準度的傷勢分析，同時運動傷勢的不同情況不同部位都會影響評估的精準度[1?2]。由於大數據技術的引入在一定程度上能夠替換經驗測評的不足，故本文設計一款基於大數據的運動損傷程度評估模型。為了保證設計的合理性，模擬應用環境進行對比仿真試驗。通過傳統方法與設計模型結果進行比較充分的證明了本文設計合理性。
1 利用大數據分析提供運動損傷判別趨勢
引入大數據分析進行趨勢判別，為後續的運動損傷程度評估處理過程提供基礎依據。使用大數據分析對損傷程度的趨勢進行判斷能夠提高評估精準的機率，同時可以為運動損傷類別、運動損傷部位、運動損傷有效程度提供數據保證，同時還保證了評估過程的連續性[3]。假設段位節選數據為[W2K]對段位內的數據進行峰值選取，有如下公式：
[VMAX=maxiAW2KNiK，XNi=1=maxiAW2KNiK，eθNi=1] （1）
式中：[A]為節選段位數據的標準差量；[NiK]為在i的數據分布下執行第k條數據的判別趨勢度；[X]為指向判別參量；[eθ]為在θ數據範圍最終選定的代表量[4]。從單一大數據的獲取的信息不夠明確，需要與趨勢運算相結合才能得到最終的判別依據。大數據的趨勢分析過程需要使用集合運算的形式體現，則其之間的關係表達式為：
[Rθ=Sm×ni=1np?×0.78α1?=A2，…XM?∈DRm×ni=1np?×0.78θ1?=A1，…XM?∈DR] （2）
式中：[Rθ]為在θ數據範圍內運動損傷大數據的特性值；[S]為運動損傷程度數據的特徵數據；[?]為選定的特徵數據中的數據指向趨勢[5]；[D]為運動損傷的指向性數據；[α1?]為運動損傷數據變換係數，經過上述公式計算分析得到大數據中的判別標準。
2 運動損傷程度評估模型的建立
運動損傷程度評估的模糊測評因素關聯隸屬關係使用的是傳遞分散結構，如圖1所示。
第一層為評估對象即運動損傷程度，使用大數據判別綜合評估的對象。第二層為評估指標，進行綜合指標以及因素的確定，這個層面採用分散的結構層面。最下一層是評估結果，使用大數據分析加上判別的限定，因此不需要進行結果修訂，分析出的結果可以作為最終結果[6]。
2.1 基於損傷模糊集的指標量化
本文對運動損傷程度評估的關鍵是對模糊集的確定過程。損傷評估指標需要對各損傷等級隸屬度進行計算量化值。假設對應的損傷程度級別為一個定值，通過模糊集指標量化過程，對損傷程度指標進行量化[7]。量化後損傷指標包括運動損傷部位和運動損傷環節可利用性的影響因子，一共設置6個評估影響指標。
以運動肌肉損傷為例，損傷評估指標的量化過程如下。假設肌肉運動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種損傷評估結果，用[xj]表示對應損傷評估結果[dj]評估損傷程度值[8]。假設[k]為運動損傷次數，[k]次運動損傷部位的量化情況評估結果隸屬於評估損傷[dj]模糊集為[Ejj=1，2，3，4]，[j=14Ej=k]則對肌肉的運動評估損傷程度等級[dj]的隸屬度[rj]標準算方法為：
[rj=Ejk] （3）
經過上述計算便可以進行損傷模糊集[D]的量化值計算：
[D=j=14rj×xj] （4）
經過上述過程完成對損傷模糊集的指標量化過程。
2.2 完成評估模型建立實現運動損傷程度評估
在運動損傷程度評估中，要確定的權重有3組，包括：
1） 損傷部位影響因子在運動損傷程度中的評估權重值；
2） 損傷方式在運動損傷程度評估權重值；
3） 損傷所需恢復能力在運動損傷程度評估權值。
損傷部位影響因子對運動損傷程度評估結果為：
[Z=z1，z2，…，z9] （5）
式中：[Z]為不同損傷部位上對應損傷級別指標的重要性，[z1]…[z9]分別對應不同範圍。損傷方式的影響因子使用二元定性標度矩陣[E]進行表示：
[E=e11e12…e19e21e22…e29????e91e92…e99] （6）
式中，損傷元素[eklk，l=1，2，…，9]在取值範圍上可以選取0，0.5和1，每增加一定的數值說明影響的程度會增加[9]，等兩個影響因子數相等時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公式，保證了不同損傷方式對評估的準確度的影響。損傷所需恢復能力對運動損傷程度評估的影響：
[if ehk>ehl，then elk>eklif ehk式中：[ehk]為自身的平均恢復能力；[ehl]為運動損傷所需的恢復能力（平均值）；[elk]為外界施加的恢復輔助；[ekl]最佳外界施加的輔助能力。通過用公式的方式進行內在外在的對比可以直觀地看出損傷恢復能力對運動損傷程度的評估結果影響。
為了設計的完整性，對最終的評估結果進行驗證，對評估結果的驗證過程中使用的權重方程[10]。權重方程最大的優勢在於能夠進行矢量計算。矢量計算能夠衡量評估的方向性同時可以對結果進行評估，計算公式如下：
[C=WS×D+WP×P] （8）
式中：[C]表示運動損傷程度評估結果矢量；[D]表示運動損傷部位的影響矢量值；[P]表示運動損傷程度的量化值；[WS]，[WP]分別表示運動損傷程度的所需恢復權重以及算上形式權重值。
3 仿真實驗
3.1 參數設定
為了保證本文設計的基於大數據的運動損傷程度評估模型設計有效性，對實驗參數進行設定，實驗參數如表2所示。
3.2 結果對比分析
圖2是本文設計的基於大數據的運動損傷程度評估模型與傳統運動損傷程度評估方法的對比結果。由於本文使用的實驗數據為混合試驗數據，傳統方法的評估默認等級為最高等級。本文設計評估模型能夠針對不同部位不同形式的損傷進行判別評估，從圖2中可以看出其更加精確。
分析圖3可知，本文設計的基於大數據的運動損傷程度評估模型能夠對QKH指數明感反應，QKH指數是衡量評估結果的進程量，結果越精確波動過程越複雜。分析圖3可以看出本文設計的基於大數據的運動損傷程度評估模型評估結果更加精準。
4 結 語
本文設計並提出基於大數據的運動損傷程度評估模型。通過大數據分析提供評估判別趨勢，使用模糊集概念考量損傷數據，重新確立模糊關係矩陣的指標權重，最終完成評估模型的建立。希望通過本文的研究能夠促進對運動損傷的評估能力。
參考文獻
[1] 邱芬，秦子來，崔德剛.大學生的體育活動風險認知與運動損傷和鍛鍊行為的關係[J].武漢體育學院學報，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.基於大數據條件下的管道風險評估方法思考[J].油氣儲運，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.基於大數據和層次分析法的電力信息系統成熟度評估[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.基於大數據分析的網購客戶忠誠度建模仿真[J].計算機仿真，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，黃傑飛，程勇.基於大數據處理的農業氣象災害分類模型[J].計算機仿真，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.基於向量評估遺傳算法的智能電網大數據交易模型研究[J].電網與清潔能源，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.大數據環境下基於信息融合的網絡風險評估模型[J].科技通報，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.基於大數據的旅遊目的地情感評價方法探究[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.基於大數據分析的運動損傷估計模型設計[J].現代電子技術，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.對極限運動中損傷救助物流資源配比的數學建模[J].科技通報，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.
摘 要： 對運動損傷程度進行評估，在提高運動質量方面具有重要意義。運動損傷程度評估過程中，傳統方法應用經驗損傷測評方法進行評估，由於使用經驗數據因此存在評估結果誤差大，效率低的問題，提出基於大數據的運動損傷程度評估模型。通過大數據分析對運動損傷程度進行趨勢評估，引入模糊集概念考量損傷數據，重新確立模糊關係矩陣指標權重，完成評估模型建立。通過實驗表明，採用改進評估模型相比傳統評估模型其有效性較高、誤差小，具有一定的優勢。
關鍵詞： 大數據； 運動質量； 經驗損傷測評； 指標權重； 評估模型； 模糊關係矩陣
中圖分類號： TN273?34 文獻標識碼： A 文章編號： 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
伴隨數據化技術不斷提升，在運動損傷診斷、運動傷勢判定評估等領域已經應用數據模型進行診斷以及損傷程度評估。傳統運動損傷程度的評估方法基本應用的是經驗損傷評估方法，使用經驗損傷程度評估在沒有數據支撐的情況下，很難做到高精準度的傷勢分析，同時運動傷勢的不同情況不同部位都會影響評估的精準度[1?2]。由於大數據技術的引入在一定程度上能夠替換經驗測評的不足，故本文設計一款基於大數據的運動損傷程度評估模型。為了保證設計的合理性，模擬應用環境進行對比仿真試驗。通過傳統方法與設計模型結果進行比較充分的證明了本文設計合理性。
1 利用大數據分析提供運動損傷判別趨勢
引入大數據分析進行趨勢判別，為後續的運動損傷程度評估處理過程提供基礎依據。使用大數據分析對損傷程度的趨勢進行判斷能夠提高評估精準的機率，同時可以為運動損傷類別、運動損傷部位、運動損傷有效程度提供數據保證，同時還保證了評估過程的連續性[3]。假設段位節選數據為[W2K]對段位內的數據進行峰值選取，有如下公式：
[VMAX=maxiAW2KNiK，XNi=1=maxiAW2KNiK，eθNi=1] （1）
式中：[A]為節選段位數據的標準差量；[NiK]為在i的數據分布下執行第k條數據的判別趨勢度；[X]為指向判別參量；[eθ]為在θ數據範圍最終選定的代表量[4]。從單一大數據的獲取的信息不夠明確，需要與趨勢運算相結合才能得到最終的判別依據。大數據的趨勢分析過程需要使用集合運算的形式體現，則其之間的關係表達式為：
[Rθ=Sm×ni=1np?×0.78α1?=A2，…XM?∈DRm×ni=1np?×0.78θ1?=A1，…XM?∈DR] （2）
式中：[Rθ]為在θ數據範圍內運動損傷大數據的特性值；[S]為運動損傷程度數據的特徵數據；[?]為選定的特徵數據中的數據指向趨勢[5]；[D]為運動損傷的指向性數據；[α1?]為運動損傷數據變換係數，經過上述公式計算分析得到大數據中的判別標準。
2 運動損傷程度評估模型的建立
運動損傷程度評估的模糊測評因素關聯隸屬關係使用的是傳遞分散結構，如圖1所示。
第一層為評估對象即運動損傷程度，使用大數據判別綜合評估的對象。第二層為評估指標，進行綜合指標以及因素的確定，這個層面採用分散的結構層面。最下一層是評估結果，使用大數據分析加上判別的限定，因此不需要進行結果修訂，分析出的結果可以作為最終結果[6]。
2.1 基於損傷模糊集的指標量化
本文對運動損傷程度評估的關鍵是對模糊集的確定過程。損傷評估指標需要對各損傷等級隸屬度進行計算量化值。假設對應的損傷程度級別為一個定值，通過模糊集指標量化過程，對損傷程度指標進行量化[7]。量化後損傷指標包括運動損傷部位和運動損傷環節可利用性的影響因子，一共設置6個評估影響指標。
以運動肌肉損傷為例，損傷評估指標的量化過程如下。假設肌肉運動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種損傷評估結果，用[xj]表示對應損傷評估結果[dj]評估損傷程度值[8]。假設[k]為運動損傷次數，[k]次運動損傷部位的量化情況評估結果隸屬於評估損傷[dj]模糊集為[Ejj=1，2，3，4]，[j=14Ej=k]則對肌肉的運動評估損傷程度等級[dj]的隸屬度[rj]標準算方法為：
[rj=Ejk] （3）
經過上述計算便可以進行損傷模糊集[D]的量化值計算：
[D=j=14rj×xj] （4）
經過上述過程完成對損傷模糊集的指標量化過程。
2.2 完成評估模型建立實現運動損傷程度評估
在運動損傷程度評估中，要確定的權重有3組，包括：
1） 損傷部位影響因子在運動損傷程度中的評估權重值；
2） 損傷方式在運動損傷程度評估權重值；
3） 損傷所需恢復能力在運動損傷程度評估權值。
損傷部位影響因子對運動損傷程度評估結果為：
[Z=z1，z2，…，z9] （5）
式中：[Z]為不同損傷部位上對應損傷級別指標的重要性，[z1]…[z9]分別對應不同範圍。損傷方式的影響因子使用二元定性標度矩陣[E]進行表示：
[E=e11e12…e19e21e22…e29????e91e92…e99] （6）
式中，損傷元素[eklk，l=1，2，…，9]在取值範圍上可以選取0，0.5和1，每增加一定的數值說明影響的程度會增加[9]，等兩個影響因子數相等時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公式，保證了不同損傷方式對評估的準確度的影響。損傷所需恢復能力對運動損傷程度評估的影響：
[if ehk>ehl，then elk>eklif ehk
為了設計的完整性，對最終的評估結果進行驗證，對評估結果的驗證過程中使用的權重方程[10]。權重方程最大的優勢在於能夠進行矢量計算。矢量計算能夠衡量評估的方向性同時可以對結果進行評估，計算公式如下：
[C=WS×D+WP×P] （8）
式中：[C]表示運動損傷程度評估結果矢量；[D]表示運動損傷部位的影響矢量值；[P]表示運動損傷程度的量化值；[WS]，[WP]分別表示運動損傷程度的所需恢復權重以及算上形式權重值。
3 仿真實驗
3.1 參數設定
為了保證本文設計的基於大數據的運動損傷程度評估模型設計有效性，對實驗參數進行設定，實驗參數如表2所示。
3.2 結果對比分析
圖2是本文設計的基於大數據的運動損傷程度評估模型與傳統運動損傷程度評估方法的對比結果。由於本文使用的實驗數據為混合試驗數據，傳統方法的評估默認等級為最高等級。本文設計評估模型能夠針對不同部位不同形式的損傷進行判別評估，從圖2中可以看出其更加精確。
分析圖3可知，本文設計的基於大數據的運動損傷程度評估模型能夠對QKH指數明感反應，QKH指數是衡量評估結果的進程量，結果越精確波動過程越複雜。分析圖3可以看出本文設計的基於大數據的運動損傷程度評估模型評估結果更加精準。
4 結 語
本文設計並提出基於大數據的運動損傷程度評估模型。通過大數據分析提供評估判別趨勢，使用模糊集概念考量損傷數據，重新確立模糊關係矩陣的指標權重，最終完成評估模型的建立。希望通過本文的研究能夠促進對運動損傷的評估能力。
參考文獻
[1] 邱芬，秦子來，崔德剛.大學生的體育活動風險認知與運動損傷和鍛鍊行為的關係[J].武漢體育學院學報，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.基於大數據條件下的管道風險評估方法思考[J].油氣儲運，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.基於大數據和層次分析法的電力信息系統成熟度評估[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.基於大數據分析的網購客戶忠誠度建模仿真[J].計算機仿真，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，黃傑飛，程勇.基於大數據處理的農業氣象災害分類模型[J].計算機仿真，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.基於向量評估遺傳算法的智能電網大數據交易模型研究[J].電網與清潔能源，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.大數據環境下基於信息融合的網絡風險評估模型[J].科技通報，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.基於大數據的旅遊目的地情感評價方法探究[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.基於大數據分析的運動損傷估計模型設計[J].現代電子技術，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.對極限運動中損傷救助物流資源配比的數學建模[J].科技通報，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.
收藏