一种青少年运动员动作技术的智能训练方法

技术领域

本发明属于运动训练领域，主要聚焦于青少年运动员运动技术智能训练，涉及运动技术数据聚类和运动曲线比较，特别涉及一种基于优秀运动员技术数据的分类建模和青少年运动员运动技术智能归类训练方法。

背景技术

运动技术是指完成特定的体育活动的方法，或能充分发挥人的身体能力，合理有效地完成动作的方法。Rutherford指出，协调和运动技能是运动员成功的关键因素。在本质上，运动技术训练是动作学习、保持、发展和优化的过程，也是运动技能获得的过程[1]。

运动技术的学习一般经历3个不同的阶段，从早期有意识控制阶段到完全学会的隐形控制或自动控制阶段。在初级阶段，表现为动作的时空模式不一致，技术水平低下；在中级阶段，表现为感觉系统循序渐进的学习，动作熟练度和水平逐步增加；在高级阶段，达到迅速、自动、娴熟的动作，整体感官控制与运动同步。青少年运动员大多处于运动技术学习的初级阶段，该阶段是青少年运动员通过不断的试错行为寻找正确的动作模式的过程，也被称为“是”与“应是”的比较过程。该过程的实现除教练讲解外，还可以通过同伴间动作观察、选择合适的参照点和合理利用反馈技术。

同伴间动作观察是学习简单和复杂动作的一种有效方法。Shebilske和Shea的研究证实动作观察能够对动作技能学习起到独特、重要的作用，特别是当动作观察与训练相结合时，其效果更加明显。

选择参照点时将重点集中在运动员动作与外部环境的相对关系上通常能取得更好的效果，也就是说选择外界环境作为参照点能够使运动员更好的学习技术动作。这一结论在平衡能力训练、高尔夫、篮球、射击、美式足球、纵跳等方面都得到了证实[2][3][4]。

随着计算机软硬件技术和网络的飞速发展，生物反馈的理论与技术越来越多地被应用于运动训练中，人们利用人体大脑中枢所具有的“记忆痕迹”和“环路信息反馈”功能，运用科技手段采集运动员和普通人群各技术动作的关键数据，并将其快速实时地“反馈”给运动员和教练员，使其能够及时了解技术动作的完成状况，在技术动作的实施过程中或结束即刻及时调整和强化训练，以期加快技术动作的学习和掌握过程[5]。特别是同步视觉反馈对于学习难度较大的技术动作具有很好的效果[6]。

传统技术训练依赖教练员水平和运动员学习能力，缺陷较大。运动员间的相互观察仅使用于简单动作的学习，选择参照点和快速发展的生物反馈理论主要针对技术动作中共性的参数，缺少个性化参照和指导，且缺乏精确的评价方法。相关参考文献如下：

[1]曹春梅,董刚,刘钰,高崇.运动协调和技术学习理论研究进展与趋势——对我国青少年训练的启示[J].武汉体育学院学报,2017,51(01):82-87.

[2]Kooyman D J,James D A,Rowlands D D.A feedback system for the motorlearning of skills in golf[J].Procedia Engineering,2013,60:226-231.

[3]Konttinen N,Mononen K,Viitasalo J,et al.The effects of augmentedauditory feedback on psychomotor skill learning in precision shooting[J].Journal of Sport and Exercise Psychology,2004,26(2):306-316.

[4]Bechly K E,Carender W J,Myles J D,et al.Determining the preferredmodality for real-time biofeedback during balance training[J].Gait&posture,2013,37(3):391-396.

[5]Moeyersons B,Fuss F K,Tan A M,et al.Biofeedback system for novicesnowboarding[J].Procedia engineering,2016,147:781-786.

[6]李成伟,刘建秀,马新东.生物反馈方法辅助青少年跳水起跳技术训练的研究[J].成都体育学院学报,2018,44(01):85-91.

发明内容

本发明针对现有技术的不足，提供一种基于优秀运动员技术数据的分类建模和青少年运动员运动技术智能归类训练方法，即一种青少年运动员动作技术的智能训练方法，实现对青少年运动员技术特点分类和精确评价，为后续的个性化训练，提供精确的数据支撑，提升运动技术学习的个性化和科技水平。

为了达到上述目的，本发明提供的技术方案是：一种青少年运动员动作技术的智能训练方法，包括以下步骤，

步骤1，运动项目关键技术动作确认，并提取对应的关键技术参数，计算权重关键技术参数所占权重；

步骤2，根据步骤1获得的关键技术参数和权重，采集优秀运动员数据，并进行技术特点聚类；

步骤3，根据步骤1获得的关键技术参数和步骤2确定的分类，通过数据测试建立优秀运动员关键技术动作曲线库，即关键技术参数在关键点所在时间段内的曲线样本数据库；

步骤4，采集青少年运动员关键技术动作曲线，并计算与步骤3所构建曲线库中的优秀运动员关键技术动作曲线的相似度，包括时空依赖型曲线相似度计算和和非时空依赖型曲线相似度计算；

步骤5，根据步骤4中的计算方法，结合步骤1确定的权重，计算青少年运动员与第c个优秀运动员分类的曲线相似度均值，并根据其判别该青少年运动员分类；

步骤6，进一步确定该青少年运动员在类内与哪些优秀运动员最相似，据此指定个性化运动技术训练方案，并周期性调整。

进一步的，步骤1中根据已有研究提取关键技术参数，将关键技术参数在关键点的数据与运动成绩做相关分析，如果具有统计学显著意义，且相关系数在0.1以上则认为关键技术参数选取合理；否则将相关度较低的参数淘汰，重新筛选补充；

假设最终共有w项关键技术参数，运用关键技术参数的相关系数与总和之比作为权重，则可得权重向量：

α＝(α

其中，r

进一步的，步骤2中优秀运动员技术特点聚类的具体实现方式如下；

根据运动员关键动作技术特点，基于密度峰值聚类算法DPC和具有噪声的基于密度的聚类算法DBSCAN相结合的聚类，用以解决运动员技术特点分布的多中心和多密度问题；

21.首先根据已有研究选取关键技术参数关键点，然后根据选取的关键技术参数关键点，选取N个优秀运动员进行测试，并选取每个人成绩最好的一次整理数据；

22.将运动员的w个关键技术参数关键点数据按照顺序整理成关键点技术向量X

23.确定数据集参数：δ

24.计算任意两个运动员i和j的关键点技术向量之间的距离d

25.根据截断距离d

26.根据所有X

27.根据ρ

28.计算所有关键点技术向量的类簇中心判别函数

29.在二维决策图中对于δ≥δ

210.如果分割区间数为零，仅有一个密度层，则转到211；如果有两个以上的密度层则转到212；

211.根据δ

212.按照密度层的密度从高到低依次应用DBSCAN进行处理。从密度最高层开始，自属于该层的关键点技术向量集中任意选择起始点，首先判别是否标记，如未标记则根据设定的Eps扫描数据集D，查看该点X

213.如果N

214.如果不满足N

215.重复执行210、211、212，直到所有数据都被标记已处理，对于没有类标记的数据作为噪声处理，聚类结束；

216.对于第i个类，记X

217.输出分类结果，假设有C个分类。

进一步的，步骤3中优秀运动员关键技术动作曲线库构建的具体实现方式如下；

首先根据已有研究选取关键技术参数关键点，然后建立关键技术参数在关键点所在时间段内的曲线样本数据库，具体为：一共选取N名优秀运动员进行测试，分布到每个类中运动员的人数分别为(N

进一步的，步骤4中青少年运动员曲线分类和与优秀运动员相似度计算的具体方式如下：

根据动作特点将关键技术参数在关键时间段的曲线分为时空依赖型和非时空依赖型，分类方法为提取优秀运动员关键技术动作曲线的时空维度，即曲线的延续时间长度，并与成绩做相关分析，相关度达到中等以上并在统计学上有显著性的为时空依赖型，否则为非时空依赖型；对于时空依赖型曲线按照基于点的方法判断曲线相似性，对于非时空依赖型曲线按照基于形状的方法判断曲线相似性。

进一步的，时空依赖型曲线相似性判断的具体实现方法如下；

假设年轻运动员的曲线序列为YA

对于该类曲线要求时序和幅值两方面都要判别绝对相似性，因此采用改进的DTW方法进行相似性判别；具体如下：

1.计算距离矩阵D，其中D(0,0)＝0，D(0,i)＝D(j,0)＝∞，D

2.计算递推矩阵W，

W

3.计算修正系数，

其中L

4.两曲线相似度距离为，

5.相似度函数为，

最后，根据计算结果，越接近1表示越相似。

进一步的，非时空依赖型曲线相似性判断的具体实现方法如下；

假设年轻运动员的曲线序列为YA

对于时序上的偏移也不需要考虑，只需要考虑是否有相似的形状出现，因此采用改进的CATS相似性判别方式，根据项目特点确定幅值参数∈和时间偏移参数τ；

1.对于该类曲线由于不需要考虑幅值和时间长度的绝对大小，因此先对幅值和时间数据进行标准化处理，处理方式为

2.首先定义青少年运动员和优秀运动员曲线序列之间距离的衰减函数：对于阈值ε和两个轨迹点YA

3.定义得分函数为，

S

其中τ为设定的窗口平移宽度。

4.相似性函数为，

最后，根据计算结果，越接近1表示越相似；

进一步的，步骤5中青少年运动员分类的具体实现方式如下：

选取青少年运动员进行测试，将成绩最好一次的关键技术参数在关键时间段的曲线与所有类型的优秀运动员关键技术动作曲线库中的数据进行相似性分析；

假设所有的w个关键技术动作曲线中，有p个是时空依赖型的，有q个非时空依赖型的，则青少年运动员a与第c类优秀运动员分类的曲线相似度均值为；

其中，N

计算青少年运动员与每类优秀运动员所有人所有关键技术动作曲线相似性分析的均值，确定该运动员与哪一类优秀运动员关键技术动作曲线的相似度均值最大，就将该青少年运动员归入该类。

进一步的，步骤6中青少年运动员a与第c类中某优秀运动员b的相似度的计算公式如下：

根据青少年运动员在所属类别中与哪几位优秀运动员的相似度最大，则将这些运动员作为该运动员的技术动作训练模板，指定个性化技术训练方案，并且通过周期性测试进行分类和模板的调整。

与现有技术相比，本发明的优点和有益效果如下：

1.本发明根据优秀运动员技术特点自行聚类，取代传统的根据教练员经验分类，更加客观可靠。

2.本发明将青年运动员和优秀运动员的关键技术参数曲线做相似性比较，相对于传统的针对某些时间点的关键技术参数做对比的方法，本发明更为全面可靠，且本方法对于是否为时空依赖型参数做了区分，比较结果更加准确。

3.本发明是将青年运动员与不同类的优秀运动员作比较然后确定其分类，而不是与某几个不同类型的运动员比较确定分类，这样避免了偶发因素的干扰，分类结果更为准确。

4.本发明将技术特点最接近的即为运动员作为技术模板，且定期调整，即避免以一个运动员作为模板造成技术特点过早定型，又避免因成长时间训练造成技术特点改变后模板不正确造成的错误训练。

附图说明

图1为本发明实施例中整体流程图。

图2为本发明实施例中优秀运动员技术特点聚类流程图。

图3为本发明实施例中时空依赖型曲线相似度计算流程图。

图4为本发明实施例中非时空依赖型曲线相似度计算流程图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步说明。

本发明技术方案为一种青少年运动员动作技术的智能训练方法，包括两个阶段，第一阶段包括项目关键技术动作指标(即关键技术参数)筛选、优秀运动员聚类和关键技术动作曲线库构建，第二阶段包括青少年运动员时空依赖性曲线分类、基于优秀运动员相似度计算的青年优秀运动员分类和个性化训练。具体包括如下步骤：

步骤1，运动项目关键技术动作确认，并提取对应的关键技术参数，计算权重关键技术参数所占权重；

步骤2，根据步骤1获得的关键技术参数和权重，采集优秀运动员数据，并进行技术特点聚类；

步骤3，根据步骤1获得的关键技术参数和步骤2确定的分类，通过数据测试建立优秀运动员关键技术动作曲线库，即关键技术参数在关键点所在时间段内的曲线样本数据库；

步骤4，采集青少年运动员关键技术动作曲线，并进行是否时空依赖性分类，依照分类计算与步骤3所构建库中的优秀运动员关键技术动作曲线的相似度；

步骤5，根据步骤4中的计算方法，结合步骤1确定的权重，计算青少年运动员与第c个优秀运动员分类的曲线相似度均值，并根据其判别该青少年运动员分类；

步骤6，进一步确定该青少年运动员在类内与哪些优秀运动员最相似，据此指定个性化运动技术训练方案，并周期性调整。

进一步的，步骤1中运动项目关键技术动作确认和权重计算的具体实现方式如下：

步骤1中，一个关键技术动作可以有多项参数如力学参数，运动学参数，这些参数叫做关键技术参数，根据已有研究提取关键技术参数(关键技术参数一般是一个时序参数，比如跑动中的速度)，将关键技术参数在关键点的数据与运动成绩做相关分析，如果具有统计学显著意义，且相关系数在0.1以上则认为关键技术参数选取合理；否则将相关度较低的参数淘汰，重新筛选补充；假设最终共有w项关键技术参数，运用关键技术参数的相关系数与总和之比作为权重，则可得权重向量：

α＝(α

其中，r

进一步的，步骤2中优秀运动员技术特点聚类的具体实现方式如下：

根据运动员关键动作技术特点进行聚类，基于密度峰值聚类算法(Desity PeaksClustering，以下简称DPC)和具有噪声的基于密度的聚类算法(Density-Based SpatialClustering of Applications with Noise，以下简称DBSCAN)相结合的聚类，用以解决运动员技术特点分布的多中心和多密度问题。

21.根据上述选取的关键技术参数关键点，选取N个优秀运动员进行测试，并选取每个人成绩最好的一次整理数据。

22.将运动员的w个关键技术参数关键点数据按照顺序整理成关键点技术向量X

23.确定数据集参数：δ

24.计算任意两个运动员i和j的关键点技术向量之间的距离d

25.根据截断距离d

26.根据所有X

27.根据ρ

28.计算所有关键点技术向量的类簇中心判别函数

29.在二维决策图中对于δ≥δ

210.如果分割区间数为零，仅有一个密度层，则转到211；如果有两个以上的密度层则转到212。

211.根据δ

212.按照密度层的密度从高到低依次应用DBSCAN进行处理。从密度最高层开始，自属于该层的关键点技术向量集中任意选择起始点X

213.如N

214.如不满足N

215.重复执行210、211、212，直到所有数据都被标记已处理，对于没有类标记的数据作为噪声处理，聚类结束。

216.对于第i个类，记X

217.输出分类结果，假设有C个分类。

进一步的，步骤3中优秀运动员关键技术动作曲线库构建的具体实现方式如下：

根据第一部分提取的关键技术参数，建立关键技术参数在关键点所在时间段内的曲线样本数据库。具体为共选取N名优秀运动员进行测试，分布到每个类中运动员的人数分别为(N

进一步的，步骤4中青少年运动员曲线分类和与优秀运动员相似度计算的具体方式如下：

根据动作特点将关键技术参数在关键时间段的曲线分为时空依赖型和非时空依赖型，分类方法为提取优秀运动员关键技术动作曲线的时空维度，即曲线的延续时间长度，并与成绩做相关分析，相关度达到中等以上并在统计学上有显著性的为时空依赖型，否则为非时空依赖型。对于时空依赖型曲线按照基于点的方法判断曲线相似性，对于非时空依赖型曲线按照基于形状的方法判断曲线相似性。

假设年轻运动员的曲线序列为YA

(1)时空依赖型曲线相似性判断

对于该类曲线要求时序和幅值两方面都要判别绝对相似性，因此采用改进的DTW方法进行相似性判别。

6.计算距离矩阵D，其中D(0,0)＝0，D(0,i)＝D(j,0)＝∞，D

7.计算递推矩阵W，

W

8.计算修正系数

其中L

9.两曲线相似度距离为

10.相似度函数

最后，根据计算结果，越接近1表示越相似；

(2)非时空依赖型曲线相似性判断

对于时序上的偏移也不需要考虑，只需要考虑是否有相似的形状出现，因此采用改进的CATS相似性判别方式，根据项目特点确定幅值参数∈和时间偏移参数τ

5.对于该类曲线由于不需要考虑幅值和时间长度的绝对大小，因此先对幅值和时间数据进行标准化处理，处理方式为

6.首先定义青少年运动员和优秀运动员曲线序列之间距离的衰减函数：对于阈值ε和两个轨迹点YA

7.定义得分函数

S

其中τ为设定的窗口平移宽度。

8.相似性函数

最后，根据计算结果，越接近1表示越相似.

进一步的，步骤5中青少年运动员分类的具体实现方式如下：

选取青少年运动员进行测试，将成绩最好一次的关键技术参数在关键时间段的指标曲线与所有类型的优秀运动员关键技术动作曲线库中的数据进行相似性分析。

假设所有的w个关键技术动作曲线中，有p个是时空依赖型的，有q个非时空依赖型的。则青少年运动员a与第c类优秀运动员分类的曲线相似度均值为

其中，N

计算青少年运动员与每类优秀运动员所有人所有关键技术动作曲线相似性分析的均值，该运动员与哪一类优秀运动员关键技术动作曲线的相似度均值最大，就将该青少年运动员归入该类。

进一步的，步骤6中青少年运动员a与第c类中某优秀运动员b的相似度的计算公式如下：

根据青少年运动员在所属类别中与哪几位优秀运动员的相似度最大，则将这些运动员作为该运动员的技术动作训练模板，指定个性化技术训练方案，并且通过周期性测试进行分类和模板的调整。

下面以三级跳远项目为例说明具体实现过程。

(1)首先执行图1整体流程图中的第一部分关键指标筛选和权重计算。第一步通过查阅文献选取最后两步助跑速度、最大助跑速度、三跳水平速度，三跳垂直速度、三跳支撑时间、三跳腾空时间、三跳比例、三条着地角度、三跳起跳角度、三跳起跳腾起角度、三跳躯干角度、三跳髋关节最大摆动角度作为备选关键技术动作指标。第二步选取优秀运动员30名，每人试跳5次，并根据测试的关键指标数据与成绩的相关分析结果筛选确定关键技术动作。第三步将筛选出的关键技术动作数6个与预设关键技术动作的阈值5比较，因大于5所以进入下一步。第4步根据公式(1)计算其权重。

(2)然后执行整体流程图中的第二部分优秀运动员关键技术动作分类。首先是第5步测试优秀运动员指标，此处可直接使用第二步测试数据。第6步基于改进的DPC和DBSCAN相结合的算法进行聚类，具体过程参照图2优秀运动员技术特点聚类流程图。首先是整理优秀运动员测试数据。先定义关键技术动作向量，将6个关键技术动作按照顺序整理成动作技术向量X

(3)然后执行整体流程图中的第三部分青少年运动员曲线分类和与优秀运动员相似度计算。第8步测试待分类的青少年运动员6个关键技术动作曲线。第9步判读6个关键技术动作曲线归类，4个为时空依赖型，2个为非时空依赖型。第10步青少年运动员与优秀运动员相似度计算，该步分两部分执行，对于时空依赖型应用改进的DTW算法计算曲线相似度，对于非时空依赖型应用改进的CTAS计算曲线相似度。其中时空依赖型曲线的相似度计算参考图3时空依赖型曲线相似度计算流程图。对每个时空依赖型关键技术动作曲线，首先根据欧式距离的计算公式计算距离矩阵D，然后根据公式(3)计算递推矩阵W，根据公式(4)计算修正系数，根据公式(5)计算相似度距离，最后根据公式(6)计算曲线相似度。非时空依赖型曲线的相似度计算参考图4非时空依赖型曲线相似度计算流程图。对每个非时空依赖型关键技术动作曲线，首先进行数据标准化处理，然后根据公式7计算距离衰减函数，根据公式(8)计算得分函数，根据公式(9)计算曲线相似度。在第10步执行完成后，就完成了该年轻运动员所有6个关键技术动作曲线，与3类优秀运动员库中所有30名优秀运动员6个关键技术动作曲线的相似度计算。

(4)青少年运动员分类和个性化训练。第11步考虑到第4步所计算的6个关键动作技术指标的权重，根据公式(10)计算待分类青少年运动员与3个优秀运动员分类的相似度均值。第12步判断该青少年运动员与哪一类优秀运动员关键技术曲线的相似度均值最大，则将该青少年运动员归入该类。第13步根据公式(11)计算青少年运动员与所属类别中与哪几位优秀运动员的相似性和最大，则将该运动员作为该运动员的技术动作训练模板，指定个性化技术训练方案，并且通过周期性测试进行分类和模板的调整。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。