基于复杂网络模型的运动损伤程度评估模型

介博

摘 要： 现有的运动损伤程度评估模型不能有效地描述运动强度与损伤程度之间的关系。为了解决此问题，通过对致伤因子的研究、对损伤基函数的选取，达到了评估运动损伤程度的目的。通过研究RBF神经复杂网络、设计复杂网络下运动损伤隐含层，建立RBF运动损伤评估模型。模拟应用环境设计仿真实验，结果表明，应用RBF运动损伤评估模型，解决运动损伤与运动强度之间关联度问题，避免运动强度过大造成运动损伤；在一定环境下，能有效描述运动强度与损伤程度之间的关系。

关键词： 复杂网络模型； 运动损伤； 程度评估； RBF； 致伤因子； 外部因素

中图分类号： TN711?34； TP3 文献标识码： A 文章编号： 1004?373X（2018）06?0165?04

Abstract： The existing sports injury degree evaluation model cannot effectively describe the relationship between exercise intensity and injury degree. To resolve the above problem， the injury factors are studied and the injury basis functions are selected to achieve the sports injury degree evaluation purpose. The RBF sports injury evaluation model is established by means of studying RBF neural complex network and designing the sports injury hidden layer in complex network. The application environment was simulated to design the simulation experiment. The results show that the RBF sports injury evaluation model can resolve the problem of correlation between sports injury and exercise intensity to avoid sports injury caused by high exercise intensity， and effectively describe the relationship between exercise intensity and injury degree in certain circumstances.

Keywords： complex network model； sports injury； degree evaluation； RBF； injury factor； external factor

0 引 言

现有的运动损伤程度评估模型，主要依靠蚁群算法对运动强度与运动损伤之间的关系进行描述，通过对灰色神经网络算法进行改革，建立无迹卡尔曼滤波算法的损伤关系模型，并通过该模型确定运动强度对运动损伤的影响。但该模型在实际操作过程中需要对大量的数据进行测量计算，不仅在时间上造成了极大的浪费，也因多次计算，对结果的真实性造成了很大影响。为了减少运算步骤，增加运动损伤评估模型的真实性[1]。通过对致伤因子的研究以及对损伤函数的选取，完成对运动损伤程度的评估。通过寻找各隐节点的中心、宽度以及与之相对应的连接权值，并对该网络中运动损伤隐含层进行设计，帮助损伤评估模型的实现。实验结果表明，应用RBF运动损伤评估模型，解决运动损伤与运动强度之间关联度问题，避免运动强度过大造成运动损伤；在一定环境下，能有效描述运动强度与损伤程度之间关系。

1 运动损伤程度评估

1.1 致伤因子研究

致伤因子是诱发运动损伤现象的一大因素，通常情况下，可将其划分为内部因素及外部因素两种。如果单纯从内因或外因的角度对运动损伤现象进行解释[2]，远远不能达到预期效果。平衡内、外因之间的相互作用关系，成为了研究损伤程度的首要任务[3]。为了清楚地表达致伤因子内、外部因素之间的相互作用关系，以5名長跑运动员为例，分析致伤因子内、外因之间的作用关系，具体分析结果如表1所示。

表1中DCD为损伤恢复状况，JSB为关节稳定性，JFB为关节柔韧性，PTM为保护措施，WTR为天气原因。其中前3项为致伤因子的内部因素，后2项为致伤因子的外部因素。为了方便对相互作用关系进行表达，规定表中数值表示该项目对损伤风险的贡献度，最小值为1，最大值为3，且数值越大代表该项目对损伤的贡献程度越高。

1.2 损伤基函数的选取

通过观察表1可以发现，与外部因素相比，内部因素对致伤因子的影响程度更大[4]。因此，为了更加完善对致伤因子的评估，可根据内部因素的贡献度，对损伤基函数进行选取[5]。根据高斯函数，可确定隐含的激活函数，其中，[Ru（x）]为第[u]个隐节点的稳定输出，[x]为该函数在网络中的输出向量，[cu]为第[u]个隐节点的中心矢量核函数，故损伤基础函数定义为：

[Rux=e-x-e22c2uyv=u=1nsvuRux， v=1，2，…，n] （1）

式中：[yv]为第[v]个输出层节点输出；[svu]为第[u]个隐含层节点到第[v]个输出层节点间连接权值，则根据式（1）即可完成对损伤基函数的选取与确定。endprint

2 基于复杂网络的运动损伤评估模型的建立

2.1 RBF神经复杂网络

当各个隐节点的连接权值不再发生变化，且宽度和位置中心也都趋于稳定时，则RBF神经复杂网络就可以进入工作状态。FBF网络主要对测量和观察得来的数据进行标准化及过量化处理[6]。对于已经完成训练神经网络隐节点中心来说，其函数宽度以及连接权值的变化过程，记录运动损伤程度的评估特征；而当传输过来的数据[7]与已存储的某个损伤评估等级相对应时，RBF网络将根据对应等级输出相应数值。

2.2 基于复杂网络的运动损伤隐含层设计

通过RBF复杂神经网络，可以得到一个与运动损伤等级相对应的数值，为了达到对该数值引起的运动损伤程度进行评估的目的[8]，设某次输入RBF复杂神经网络的样本共有T个，则可根据式（2）设计相应的运动损伤隐含层。

[ev=bv-y（xv）=bv-v=1TsvRvxvφ=12v=1Te2v] （2）

式中：[ev]为输入T个样本时的定义误差；[bv]为与样本[xv]相对应的既定取值；[φ]即为基于复杂网络的运动损伤隐含层。

2.3 损伤评估模型的实现

通过RBF神经复杂网络对损伤等级数值的确定[9]，以及对损伤隐含层搭建，可以初步完成对损伤评估模型的建立。为了确保RBF运动损伤评估模型的正常使用[10]，还需对运算过程中产生的自由参数进行迭代，具体公式如下：

[?（n）?svu（n）=u=1nsv（n）Ru（x）svu（n+1）=svu（n）-η?（n）?svu] （3）

式中：[?（n）?svu（n）]为自由参数的迭代；[n]为输入的当前变量的取值，[n+1]为完成迭代后，对当前变量进行修正的取值；[η]为在该模型的总体学习效率，即为常数可变量。

3 实验结果与分析

为了验证RBF运动损伤评估模型的实用性，选择高校中10名男性学生作为实验目标。随机挑选5名作为实验组，另5名作为对照组。实验开始之前，首先对10名男性学生进行编号，并对他们相关关节及肌肉数据进行测量。

3.1 实验参数设置

实验参数设置如表2所示。

表中：JST为关节强度；JSS为肌肉强度，且该项数值与10-5成正比；STG为力量强度；DMD为现有运动损伤程度。因前3项数值均处于有效范围内，为公平起见，设所有人损伤程度均为1。

3.2 运动损伤与运动强度之间关联度对比

在完成关节及肌肉数据采集之后，让10名男性高校学生同时进行5 km长跑，并对他们进行长跑运动过程中的相关数据以及完成时间进行记录，运用RBF运动损伤评估模型对实验组5名学生数据进行分析，运用普通模型对对照组5名学生的数据进行分析，具体分析结果如图1所示。

根据图1可以发现，应用RBF运动损伤评估模型，对长跑数据进行分析，所有分析结果均位于标准曲线之上，而应用普通模型对长跑数据进行分析，所有分析结果均位于标准曲线之下。可证明RBF运动损伤评估模型比普通模型的分析准确性更高。从运动损伤与运动强度之间关联度的角度进行分析，可以发现，应用RBF运动损伤评估模型，代表5名男性高校生的点均位于曲线之上，而应用普通模型，代表5名男性高校生的点，在曲线上下分布，且并无规律。证明了RBF运动损伤评估模型比普通模型更能建立运动损伤与运动强度之间的关联度。

3.3 运动强度与损伤程度之间关系描述对比

在完成运动损伤与运动强度之间关联度对比之后，将上述数据分别进行无误差拟合，再应用RBF运动损伤评估模型对实验组的拟合结果进行分析，应用普通模型对对照组的拟合结果进行分析，分析结果如图2所示。根据图2可以发现，应用RBF运动损伤评估模型，对长跑数据无误差拟合结果进行分析，所有分析结果均位于标准曲线之上，而应用普通模型对长跑数据进行分析，所有分析结果在标准曲线上下分布，且分布并不均匀。可证明RBF运动损伤评估模型，比普通模型的对无误差拟合结果的敏感性更高。从描述运动损伤与运动强度之间关系的角度分析，应用RBF运动损伤评估模型，代表5名男性高校生点均位于曲线之上，而应用普通模型，代表5名男性高校生的點在曲线上下分布，且并无规律。证明RBF运动损伤评估模型，比普通模型更能准确描述运动损伤与运动强度间的关系。

4 结 语

通过对致伤因子的研究与对损伤基函数的选取，评估运动损伤程度；通过RBF神经复杂网络、基于复杂网络的运动损伤隐含层设计，建立RBF运动损伤程度评估模型。实验结果证明，该模型与普通模型相比，可解决运动损伤与运动强度之间关联度问题，避免运动强度过大造成运动损伤。

参考文献

[1] 蒋乐，刘俊勇，魏震波，等.基于Bayesian网络与复杂网络理论的特/超高压输电线路状态评估模型[J].高电压技术，2015，41（4）：1278?1284.

JIANG Le， LIU Junyong， WEI Zhenbo， et al. A condition assessment model of EHV/UHV transmission line based on Bayesian network and complex network theory [J]. High voltage engineering， 2015， 41（4）： 1278?1284.

[2] 张树奎，肖英杰，尤晓静.基于复杂网络的交叉航道内船舶汇聚度模型[J].重庆交通大学学报（自然科学版），2017，36（2）：95?100.endprint

ZHANG Shukui， XIAO Yingjie， YOU Xiaojing. Model of ships aggregation at fairway crossing based on complex network [J]. Journal of Chongqing Jiaotong University （Natural sciences）， 2017， 36（2）： 95?100.

[3] 徐敬友，陈冲，罗纯坚，等.基于改进复杂网络模型的电网关键环节辨识[J].电力系统自动化，2016，40（10）：53?61.

XU Jingyou， CHEN Chong， LUO Chunjian， et al. Identification of power grid key parts based on improved complex network model [J]. Automation of electric power systems， 2016， 40（10）： 53?61.

[4] 韩忠明，陈炎，李梦琪，等.一种有效的基于三角结构的复杂网络节点影响力度量模型[J].物理学报，2016，65（16）：285?296.HAN Zhongming， CHEN Yan， LI Mengqi， et al. An efficient node influence metric based on triangle in complex networks [J]. Acta physica sinica， 2016， 65（16）： 285?296.

[5] 熊云艳，肖文俊，毛宜军，等.基于度序列的复杂网络模型及其路由策略分析[J].华南理工大学学报 （自然科学版），2015，43（11）：30?34.

XIONG Yunyan， XIAO Wenjun， MAO Yijun， et al. A degree sequence?based complex network model and its routing strategy analysis [J]. Journal of South China University of Technology （natural science edition）， 2015， 43（11）： 30?34.

[6] 马文韬，吉斌，敖兴勇.近30年国外排球运动研究热点的文献计量学分析[J].山东体育科技，2016，38（1）：33?39.

MA Wentao， JI Bin， AO Xingyong. Bibliometric analysis of volleyball research highlights abroad in the last 30 years [J]. Shandong sports science & technology， 2016， 38（1）： 33?39.

[7] 韩永良，李咏梅，罗琦，等.视神经脊髓炎患者默认网络及额顶网络功能连接的研究[J].磁共振成像，2017，8（2）：105?109.

HAN Yongliang， LI Yongmei， LUO Qi， et al. Study of functional connectivity of default mode network and frontoparietal network in neuromyelitis optica [J]. Chinese journal of magnetic resonance imaging， 2017， 8（2）： 105?109.

[8] 沈诚，吴殷，张兰兰，等.不同本体感觉输入对复杂运动动作表象的影响：fMRI研究[J].天津体育学院学报，2016，31（3）：227?232.

SHEN Cheng， WU Yin， ZHANG Lanlan， et al. The effect of different proprioception inputs on motor imagery of complex movement： an fMRI study [J]. Journal of Tianjin University of Sport， 2016， 31（3）： 227?232.

[9] 何有世，李金海，马云蕾，等.基于复杂网络构建面向主题的在线评论挖掘模型[J].软科学，2015（10）：115?119.

HE Youshi， LI Jinhai， MA Yunlei， et al. Construction of mining model of subject?oriented online reviews based on complex network [J]. Soft science， 2015（10）： 115?119.

[10] 王靖飞.基于复杂网络的风电消纳能力评估模型改进[J].中国电力，2017，50（1）：136?139.

WANG Jingfei. Wind power accommodation capacity evaluation model based on complex network [J]. Electric power， 2017， 50（1）： 136?139.endprint