基于大数据的运动损伤程度评估模型

李少聪+马德+李少琼

摘 要： 对运动损伤程度进行评估，在提高运动质量方面具有重要意义。运动损伤程度评估过程中，传统方法应用经验损伤测评方法进行评估，由于使用经验数据因此存在评估结果误差大，效率低的问题，提出基于大数据的运动损伤程度评估模型。通过大数据分析对运动损伤程度进行趋势评估，引入模糊集概念考量损伤数据，重新确立模糊关系矩阵指标权重，完成评估模型建立。通过实验表明，采用改进评估模型相比传统评估模型其有效性较高、误差小，具有一定的优势。

关键词： 大数据； 运动质量； 经验损伤测评； 指标权重； 评估模型； 模糊关系矩阵

中图分类号： TN273?34 文献标识码： A 文章编号： 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

伴隨数据化技术不断提升，在运动损伤诊断、运动伤势判定评估等领域已经应用数据模型进行诊断以及损伤程度评估。传统运动损伤程度的评估方法基本应用的是经验损伤评估方法，使用经验损伤程度评估在没有数据支撑的情况下，很难做到高精准度的伤势分析，同时运动伤势的不同情况不同部位都会影响评估的精准度[1?2]。由于大数据技术的引入在一定程度上能够替换经验测评的不足，故本文设计一款基于大数据的运动损伤程度评估模型。为了保证设计的合理性，模拟应用环境进行对比仿真试验。通过传统方法与设计模型结果进行比较充分的证明了本文设计合理性。

1 利用大数据分析提供运动损伤判别趋势

引入大数据分析进行趋势判别，为后续的运动损伤程度评估处理过程提供基础依据。使用大数据分析对损伤程度的趋势进行判断能够提高评估精准的概率，同时可以为运动损伤类别、运动损伤部位、运动损伤有效程度提供数据保证，同时还保证了评估过程的连续性[3]。假设段位节选数据为[W2K]对段位内的数据进行峰值选取，有如下公式：

[VMAX=maxiAW2KNiK，XNi=1=maxiAW2KNiK，eθNi=1] （1）

式中：[A]为节选段位数据的标准差量；[NiK]为在i的数据分布下执行第k条数据的判别趋势度；[X]为指向判别参量；[eθ]为在θ数据范围最终选定的代表量[4]。从单一大数据的获取的信息不够明确，需要与趋势运算相结合才能得到最终的判别依据。大数据的趋势分析过程需要使用集合运算的形式体现，则其之间的关系表达式为：

[Rθ=Sm×ni=1np?×0.78α1?=A2，…XM?∈DRm×ni=1np?×0.78θ1?=A1，…XM?∈DR] （2）

式中：[Rθ]为在θ数据范围内运动损伤大数据的特性值；[S]为运动损伤程度数据的特征数据；[?]为选定的特征数据中的数据指向趋势[5]；[D]为运动损伤的指向性数据；[α1?]为运动损伤数据变换系数，经过上述公式计算分析得到大数据中的判别标准。

2 运动损伤程度评估模型的建立

运动损伤程度评估的模糊测评因素关联隶属关系使用的是传递分散结构，如图1所示。

第一层为评估对象即运动损伤程度，使用大数据判别综合评估的对象。第二层为评估指标，进行综合指标以及因素的确定，这个层面采用分散的结构层面。最下一层是评估结果，使用大数据分析加上判别的限定，因此不需要进行结果修订，分析出的结果可以作为最终结果[6]。

2.1 基于损伤模糊集的指标量化

本文对运动损伤程度评估的关键是对模糊集的确定过程。损伤评估指标需要对各损伤等级隶属度进行计算量化值。假设对应的损伤程度级别为一个定值，通过模糊集指标量化过程，对损伤程度指标进行量化[7]。量化后损伤指标包括运动损伤部位和运动损伤环节可利用性的影响因子，一共设置6个评估影响指标。endprint

以运动肌肉损伤为例，损伤评估指标的量化过程如下。假设肌肉运动损伤分为拉伤性损伤、断裂性损伤、自损性损伤和破损性损伤等情况，如表1所示。

本文用[djj=1，2，3，4]分别为这4种损伤评估结果，用[xj]表示对应损伤评估结果[dj]评估损伤程度值[8]。假设[k]为运动损伤次数，[k]次运动损伤部位的量化情况评估结果隶属于评估损伤[dj]模糊集为[Ejj=1，2，3，4]，[j=14Ej=k]则对肌肉的运动评估损伤程度等级[dj]的隶属度[rj]标准算方法为：

[rj=Ejk] （3）

经过上述计算便可以进行损伤模糊集[D]的量化值计算：

[D=j=14rj×xj] （4）

经过上述过程完成对损伤模糊集的指标量化过程。

2.2 完成评估模型建立实现运动损伤程度评估

在运动损伤程度评估中，要确定的权重有3组，包括：

1） 损伤部位影响因子在运动损伤程度中的评估权重值；

2） 损伤方式在运动损伤程度评估权重值；

3） 损伤所需恢复能力在运动损伤程度评估权值。

损伤部位影响因子对运动损伤程度评估结果为：

[Z=z1，z2，…，z9] （5）

式中：[Z]为不同损伤部位上对应损伤级别指标的重要性，[z1]…[z9]分别对应不同范围。损伤方式的影响因子使用二元定性标度矩阵[E]进行表示：

[E=e11e12…e19e21e22…e29????e91e92…e99] （6）

式中，损伤元素[eklk，l=1，2，…，9]在取值范围上可以选取0，0.5和1，每增加一定的数值说明影响的程度会增加[9]，等两个影响因子数相等时说明影响程度是相同的但是损伤程度有可能不同。損伤影响度矩阵[E]同样也是模型的检验公式，保证了不同损伤方式对评估的准确度的影响。损伤所需恢复能力对运动损伤程度评估的影响：

[if ehk>ehl，then elk>eklif ehk

式中：[ehk]为自身的平均恢复能力；[ehl]为运动损伤所需的恢复能力（平均值）；[elk]为外界施加的恢复辅助；[ekl]最佳外界施加的辅助能力。通过用公式的方式进行内在外在的对比可以直观地看出损伤恢复能力对运动损伤程度的评估结果影响。

为了设计的完整性，对最终的评估结果进行验证，对评估结果的验证过程中使用的权重方程[10]。权重方程最大的优势在于能够进行矢量计算。矢量计算能够衡量评估的方向性同时可以对结果进行评估，计算公式如下：

[C=WS×D+WP×P] （8）

式中：[C]表示运动损伤程度评估结果矢量；[D]表示运动损伤部位的影响矢量值；[P]表示运动损伤程度的量化值；[WS]，[WP]分别表示运动损伤程度的所需恢复权重以及算上形式权重值。

3 仿真实验

3.1 参数设定

为了保证本文设计的基于大数据的运动损伤程度评估模型设计有效性，对实验参数进行设定，实验参数如表2所示。

3.2 结果对比分析

图2是本文设计的基于大数据的运动损伤程度评估模型与传统运动损伤程度评估方法的对比结果。由于本文使用的实验数据为混合试验数据，传统方法的评估默认等级为最高等级。本文设计评估模型能够针对不同部位不同形式的损伤进行判别评估，从图2中可以看出其更加精确。

分析图3可知，本文设计的基于大数据的运动损伤程度评估模型能够对QKH指数明感反应，QKH指数是衡量评估结果的进程量，结果越精确波动过程越复杂。分析图3可以看出本文设计的基于大数据的运动损伤程度评估模型评估结果更加精准。

4 结 语

本文设计并提出基于大数据的运动损伤程度评估模型。通过大数据分析提供评估判别趋势，使用模糊集概念考量损伤数据，重新确立模糊关系矩阵的指标权重，最终完成评估模型的建立。希望通过本文的研究能够促进对运动损伤的评估能力。

参考文献

[1] 邱芬，秦子来，崔德刚.大学生的体育活动风险认知与运动损伤和锻炼行为的关系[J].武汉体育学院学报，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] 冯庆善.基于大数据条件下的管道风险评估方法思考[J].油气储运，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] 陶鸿飞，孙艺新，吴国威，等.基于大数据和层次分析法的电力信息系统成熟度评估[J].中国电力，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.基于大数据分析的网购客户忠诚度建模仿真[J].计算机仿真，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] 王军，黄杰飞，程勇.基于大数据处理的农业气象灾害分类模型[J].计算机仿真，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] 王伟，蒋菱，王峥，等.基于向量评估遗传算法的智能电网大数据交易模型研究[J].电网与清洁能源，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.大数据环境下基于信息融合的网络风险评估模型[J].科技通报，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] 刘逸，保继刚，朱毅玲.基于大数据的旅游目的地情感评价方法探究[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] 赵丹.基于大数据分析的运动损伤估计模型设计[J].现代电子技术，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] 李凤，陈婷婷.对极限运动中损伤救助物流资源配比的数学建模[J].科技通报，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.endprint