CN104200076B - 一种运动员运动损伤风险预警方法 - Google Patents

Abstract

本发明公开了一种运动员运动损伤风险预警方法，在参考国外学者提出的模型，全面分析田径运动员运动损伤致伤因子的基础上，提出了田径运动损伤风险预警伤致因子动态链模型，在该模型的基础上，在运动员风险预警数据库选取相应因子，利用层次分析法建立田径运动损伤风险预警伤致因子动态链量化模型。本发明的利用SOM神经网络离散方法对指标数据进行离散化处理；采用基于粗糙集中的分明矩阵方法进行决策表约简；基于简化的决策表构建RBF神经网络；训练RBF神经网络，最终得到正确的诊断结果。本方法能够对运动损伤的发生做出较为准确的预警有效预测运动员运动损伤风险等级，利于运动损伤的治疗和预防。

Description

一种运动员运动损伤风险预警方法

技术领域

本发明涉及一种基于粗糙集-神经网络的运动员运动损伤风险预警方法。

背景技术

在田径运动中，与运动损伤相关的因素很多，有内部致伤因素(年龄、性别、损伤史等)，外部致伤因素(场地、器械、天气等)，诱发刺激条件(训练量、比赛密度等)，如何在如此多的因素中找出它们与运动损伤风险的关系，是一项艰巨的工作。而且这些因素中既有可以精确测量的指标如生理生化指标，又有一些定性的指标如既往病史、体型特征等，而且在过往资料中每个运动员所测的指标又不尽相同，因此要对运动损伤风险进行全面评估是一项非常困难的工作。径向基函数(RBF：Radial BasisFunction)神经网络学习算法，因其良好的非线性映射能力和独特的网络结构，现已广泛应用于模式识别、数据预测、***辨认、图像处理、语音理解以及函数拟合等各个领域。但是，利用神经网络进行运动损伤风险评估，存在所选特征参数过多、神经网络规模过于庞大、学习训练时间超长等问题，严重影响到该模型的实际使用效果和实时性。此为现有技术的不足之处。

发明内容

本发明要解决的技术问题是提供一种运动员运动损伤风险预警方法，有效预测运动员运动损伤风险等级，利于运动损伤的治疗和预防。

本发明采用如下技术手段实现发明目的：

一种运动员运动损伤风险预警方法，其特征在于，包括如下步骤：

(1)运动损伤风险预警因子的分析；

(2)提出田径运动损伤风险预警致伤因子动态链模型；

(3)建立运动员风险预警数据库；

(4)运用层次分析法,建立田径运动损伤风险预警致伤因子动态链量化模型；

(5)根据运动项目选取运动员及风险预警因子，利用运动风险数据库中的相应数据，建立该项目的运动风险预警样本库和测试样本数据；

(6)判断运动风险预警样本库中的风险预警因子对应数据的离散性，若不离散，调用SOM神经网络离散方法对数据进行离散化处理；

(7)将利用SOM网络离散后的指标数据与初始就离散赋值的数据合成决策表；

(8)按照RS理论的约简过程对决策表进行属性约简和规则提取，得到一组约简结果；

(9)基于简化的决策表构建RBF神经网络；

(10)根据简化后的决策表，选取运动风险预警样本库中的相应数据，训练RBF神经网络；

(11)判断约简结果是否收敛，是否满足精度要求，若不满足，修正RBF神经网络结构和连接权值，转步骤(10)；

(12)利用测试样本数据，判断训练好的RBF神经网络是否得到正确的诊断结果，若没有，从步骤(8)中选用其它的约简结果，转步骤(9)；

(13)保存训练好的RBF神经网络，利用训练好的RBF神经网络评估新检测的运动员风险评估指标；

所述步骤(6)的SOM神经网络离散方法包括如下步骤：

(6.1)计算决策表中每个连续属性的重要度并按从大到小的顺序进行排序；

(6.2)每一个连续的运动损伤致伤因子属性a_i(i＝1,2,…,|C|)对应一个SOM神经网络，以下以一个属性的离散化为例说明，给定SOM神经网络输出层神经元个数的初始值为3，输入层神经元个数为1，将网络的连接权值w_j赋予[Min(a_i)，Max(a_i)]区间内的随机值，确定学习率α(t)的初始值α(0)，α(t)应随t的增大缓慢减小，确定总的学习次数T；

(6.3)将属性a_i中的数值x输入到SOM神经网络；

(6.4)计算输入数值x与连接权值w_j之间的距离；

d_j＝(x-w_j)²,j＝1,2,3  (公式1)

(6.5)选取使距离最小的神经元k做为获胜节点；

(6.6)对获胜节点集的连接权值进行更新

w_j(t+1)＝w(t)-α(t)(x-w_j)  (公式2)

(6.7)返回步骤(3)，选取另一个数据输入网络，直到将样本中的全部模式提供给网络；

(6.8)更新学习率：

$\mathrm{\α}\left(t\right)=\mathrm{\α}\left(0\right)[1-\frac{t}{T}];$   (公式3)

(6.9)令t＝t+1，返回步骤(6.2)，重复至t＝T；

(6.10)计算离散化后决策表的不相容度，若满足不相容度阀值要求则计算结束，否则转下一步；

(6.11)选出重要度排序第一的属性，将其SOM神经网络输出层神经元个数调整为4，其余属性对应的SOM神经网络输出层神经元个数不变，重新离散化决策表，并转步骤(6.10)，直至每个SOM网络的最大聚类数调整为4，每个SOM网络的最大聚类数限定为4，若重要度最大的属性其SOM神经网络聚类数已达要求，则选择重要度次之的属性进行调整，以此类推；

(6.12)完成最终的离散化操作。

作为对本技术方案的进一步限定，所述步骤(8)采用基于粗糙集中的分明矩阵方法进行决策表约简。

作为对本技术方案的进一步限定，所述基于粗糙集中的分明矩阵方法包括如下步骤：

(8.1)读入运动风险预警样本库数据，作为决策表；

(8.2)计算该决策表的分明矩阵C_D；

(8.3)分明矩阵中所有取值为非0,1,的元素c_ij，建立相应的逻辑表达式L_ij，其中

  (公式4)

(8.4)将所有的析取表达式L_ij做合取运算，得到一个合取范式L，即

  (公式5)

(8.5)将上述合取范式转换为析取范式的形式为

(8.6)输出属性约简结果，析取范式中的每个合取项对应一个属性约简结果，每

个合取项中所包含的属性组成约简后的条件属性集合。

作为对本技术方案的进一步限定，所述步骤(9)包括如下步骤：

(9.1)选取基函数

选用高斯函数作为隐含层单元的激活函数，假设输入向量为n维，有m个输出节点，隐含层节点的个数为k个，隐层节点的输出表示为:

$R_j\left(x\right)=e^{-\frac{{\left|\right|x-c_j\left|\right|}^2}{{2\mathrm{\σ}}_j^2}}$   (公式6)

其中j＝{1，2，…，k}，Rj(x)为第j个隐节点对输出，x为网络的n维输入向量，c_j是第j个隐含层节点的核函数中心矢量，它与输入向量x具有相同的维数，σ_j为第j个隐含层节点高斯函数的宽度，||x-c_j||表示输入向量与中心点之间的距离测度。网络输出定义为:

$y_i=\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{R}_j\left(x\right)$   (公式7)

其中i＝1，2，…，m；yi为第i个输出层节点的输出，w_ij为第j个隐含层节点到第i个输出层节点的连接权值。在本项目中只需1个输出即可，即i＝1，

(9.2)隐含层设计

设计RBF神经网络的隐含层，主要是确定隐含层单元数目和它们的激励函数，采用高斯函数，高斯函数由聚类中心和聚类宽度确定，训练模式的类别是已知的，即运动损伤风险预警等级，因此可以采用一种简单的方式来确定，即每一类对应一个高斯函数共三个，即k＝3，高斯函数的宽度参数可以取三类样本与其中心点距离的均值，而高斯函数的中心可以分别取三类样本的均值作为各自单元的中心点；

(9.3)径向基函数中心、宽度和到输出层之间的权值的更新

径向基函数中心以及其它参数均经历学习过程，通常采用误差修正学习过程，应用梯度下降法，具体如下：

假设有N个样本输入，对所有输入样本，定义误差函数：

$\mathrm{\ξ}=\frac{1}{2}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}{e}_q^2$   (公式8)

其中e_q为误差，定义如下：

$e_q=d_q-y\left(x_q\right)=d_q-\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{w}_{1j}{R}_j\left(x_q\right)=d_q-\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{w}_{1j}{e}^{-\frac{{\left|\right|x_q-c_j\left|\right|}^2}{{2\mathrm{\σ}}_j^2}}$   (公式9)

其中d_q为样本x_q所需类型的取值，如在本项目中高等风险等级的样本对应的d_q＝3。

作为对本技术方案的进一步限定，所述步骤(10)包括如下步骤：

步骤一：根据已知类别个数确定隐含层节点数目，本项目中k＝3，求取该类别所有输入向量的平均值作为该类的中心初始值c_j(1)，将每类所有输入向量与中心距离的平均值作为该类的宽度初始值σ_j(1)，每个类别输入一个样本，求取初始w_1j(1)，设定容许误差ε，ε为一大于零的小量设定学习效率η₁＝η₂＝η₃＝1/t，t为迭代循环变量，设定循环变量t初始为1，最大值为MaxT；

步骤二：输入第t个训练样本，得到网络实际输出y(t)；

步骤三：计算实际输出与期望输出之间的误差ξ(t)，如果误差ξ(t)<ε，则该样本不需要调整网络参数，跳到步骤六，否则进入下一步；

步骤四：按公式 $\frac{\&PartialD;\mathrm{\&xi;}\left(n\right)}{{\&PartialD;w}_{1j}\left(n\right)}=-\underset{q=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_q\left(n\right)R_j\left(x_q\right)=-\underset{q=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_q{e}^{-\frac{{\left|\right|x_q-c_j\left|\right|}^2}{{2\mathrm{\&sigma;}}_j^2}}---\left(29\right)$

公式 $\frac{\&PartialD;\mathrm{\&xi;}\left(n\right)}{{\&PartialD;c}_j\left(n\right)}=-\underset{q=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_q\left(n\right)R_j\left(x_q\right)=-\underset{q=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_q\frac{w_{1j}\left(n\right)}{{\mathrm{\&sigma;}}_j^2}{e}^{-\frac{{\left|\right|x_q-c_j\left(n\right)\left|\right|}^2}{{2\mathrm{\&sigma;}}_j^2}}(x_q-c_j\left(n\right))---\left(31\right)$

公式 $\frac{\&PartialD;\mathrm{\&xi;}\left(n\right)}{{\&PartialD;\mathrm{\&sigma;}}_j\left(n\right)}=-\underset{q=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_q(n\frac{w_{1j}\left(n\right)}{{\mathrm{\&sigma;}}_j^3}{\left|\right|x_q-c_j\left|\right|}^2{R}_j\left(x_q\right)---\left(33\right)$

计算 $\frac{\&PartialD;\mathrm{\&xi;}\left(t\right)}{{\&PartialD;w}_{1j}\left(t\right)},\frac{\&PartialD;\mathrm{\&xi;}\left(t\right)}{{\&PartialD;c}_j\left(t\right)},\frac{\&PartialD;\mathrm{\&xi;}\left(t\right)}{{\&PartialD;\mathrm{\&sigma;}}_j\left(t\right)},$ 并按公式29

$w_{1j}(n+1)=w_{1j}\left(n\right)-{\mathrm{\&eta;}}_1\frac{\&PartialD;\mathrm{\&xi;}\left(n\right)}{{\&PartialD;w}_{1j}}---\left(30\right)$

公式 $c_j(n+1)=c_j\left(n\right)-{\mathrm{\&eta;}}_2\frac{\&PartialD;\mathrm{\&xi;}\left(n\right)}{{\&PartialD;c}_j}---\left(32\right)$

公式 ${\mathrm{\&sigma;}}_j(n+1)={\mathrm{\&sigma;}}_j\left(n\right)-{\mathrm{\&eta;}}_3\frac{\&PartialD;\mathrm{\&xi;}\left(n\right)}{{\&PartialD;\mathrm{\&sigma;}}_j\left(n\right)}---\left(34\right)$ 计算w_1j(t+1),c_j(t+1),σ_j(t+1)；

步骤五：更新新的网络参数w_1j(t+1),c_j(t+1),σ_j(t+1)，t＝t+1；如果t>MaxT，显示不收敛，进入步骤六，否则转到步骤二；

步骤六：整个学习过程结束，保存当前网络各参数。

与现有技术相比，本发明的优点和积极效果是：本发明的SOM神经网络离散方法对指标数据进行离散化处理；采用基于粗糙集中的分明矩阵方法进行决策表约简；基于简化的决策表构建RBF神经网络；训练RBF神经网络，最终得到正确的诊断结果。本方法能够对运动损伤的发生做出较为准确的预警有效预测运动员运动损伤风险等级，利于运动损伤的治疗和预防。

附图说明

图1为Meeuwisse(1994)建立的运动损伤病因动态链模型。

图2为本发明样本库采集流程图。

图3为本发明生理生化指标信息采集流程框图。

图4为本发明离散运动潜在致伤因子信息采集流程框图。

图5为本发明***基本数据填写流程图

图6为本发明***日常数据填写流程图

图7为本发明田径运动损伤风险预警病因动态链模型。

图8为本发明田径运动员致伤因子分级图。

图9为本发明优选实施例的流程图。

图10为本发明神经网络拓扑结构图。

图11为本发明田径队运动损伤致伤风险因素数据采集表。

图12为本发明田径运动损伤致伤因素风险评估表。

具体实施方式

下面结合附图和优选实施例对本发明作更进一步的详细描述。

一、运动损伤风险预警相关因子的分析

a.内部致伤因子

(1)年龄

表-1田径运动员年龄指标损伤致伤风险评估

(2)性别

表-2田径跳跃类运动项目性别指标损伤致伤风险评估

(3)***

表-3田径运动员***指标损伤致伤风险评估

(4)身体训练水平(运动等级)

表-4田径运动员运动等级(身体训练水平)致伤风险评估

(5)损伤史

表-5田径运动员损伤史指标损伤致伤风险评估

(6)损伤恢复状况

表-6田径运动员损伤恢复状况指标损伤致伤风险评估

(7)身体形态(BMI指数)

表-7田径运动员BMI指标损伤致伤风险评估

(8)关节活动度(ROM)

表-8田径运动员关节活动度(ROM)指标损伤致伤风险评估

(9)关节稳定性(关节松弛度)

表-9田径运动员关节稳定性(关节松弛度)指标损伤致伤风险评估

(10)肌肉力量和均衡性

表-10田径运动员肌肉力量均衡性指标损伤致伤风险评估

(11)身体平衡能力

表-11田径运动员身体平衡能力指标运动损伤致伤风险评估

(12)身体解剖结构异常

表-12田径运动员身体解剖结构异常指标运动损伤致伤风险评估

b.外部致伤因子

(1)训练、竞赛状况

表-13运动员训练、竞赛状况指标运动损伤致伤风险评估

(2)技术水平

表-14田径运动员技术水平指标运动损伤致伤风险评估

(3)保护措施

表-15田径运动员保护措施(损伤防护器具)的运动损伤致伤风险评估

(4)运动鞋

表-16田径跑步类运动项目运动鞋的损伤致伤风险评估

(5)运动场地

表-17田径运动员运动场地指标运动损伤致伤风险评估

(6)天气因素(气候状况)

表-18田径运动员天气因素(气候状况)运动损伤致伤风险的评估

c.刺激诱发因子

(1)技术错误

表-19田径运动员技术错误指标运动损伤致伤风险评估

(2)训练、比赛安排不合理

表-20田径运动员运动负荷量指标运动损伤致伤风险评估

表-21田径运动员训练比赛计划安排指标运动损伤致伤风险评估

(3)身体机能状况不佳

表-22田径运动员身体机能状况指标运动损伤致伤风险评估

(4)心理因素

表-23田径运动员心理因素指标运动损伤致伤风险评估

(5)与他人或器械意外碰撞

在田径训练和比赛中，由于运动员互相之间的激烈接触碰撞或与器械碰撞等意外原因导致受伤的可能性相对较为少见，可能发生在中长跑、马拉松等在比赛起跑或途中跑或冲刺时由于运动员为了争抢有利位置而互相挤碰导致损伤，也可能发生在跨栏运动员在训练和比赛中与栏架的接触碰撞导致。总之，这类意外原因在田径项目中相对较为少见，但一旦发生，就很可能导致受伤，因此，与他人或器械意外碰撞是导致田径运动员损伤的风险因素，具体评价可参考表-24。

表-24田径运动员与他人或器械意外碰撞因素运动损伤致伤风险评估

二、运动损伤风险预警病因动态链模型的建立

a.田径项目特发损伤分析

通过查询大量文献，收集有关田径各项目常见损伤的资料，按各项目类别归纳总结如下。

(1)短跨类

1)短跑类

表-25短跑项目特发损伤分析

2)跨栏类

表-26跨栏项目特发损伤分析

(2)中长跑类项目

表-27中长跑类项目特发损伤分析

(3)跳跃类项目

表-28跳高项目特发损伤分析

表-29跳远项目特发损伤分析

(4)投掷类项目

1)标枪

表-30标枪项目特发损伤分析

2)铁饼

表-31铁饼项目特发损伤分析

3)链球

表-32链球项目特发损伤分析

4)铅球

表-33铅球项目特发损伤分析

b.潜在伤病发生征兆分析

通过分析造成各种不同运动损伤的原因发现，运动员机能能力下降，产生运动性疲劳以及疲劳未能及时恢复，是诱发损伤的重要因素。徐勇等对我国跳远运动员运动损伤流行病学研究中发现，跳远运动员在训练时不同的身体感觉与运动损伤的发生有直接的关系，有40.3％损伤发生时身体感觉为“疲劳”。也就是说如果机体出现疲劳或恢复不良将意味着损伤的风险大大增加。因此，可将运动性疲劳或恢复不良的出现作为潜在损伤发生的一个征兆。此外，在某些伤病出现的早期，会有一些特异性的体征，如果能及时发现，进行预警，采取相应降低致伤因子出现的措施，就可以避免伤病的发生或进一步发展，从而避免或减少伤病对运动员身体及正常训练的不利影响。

(1)运动性疲劳及恢复不良诊断因子

β1常用生理疲劳诊断因子

表-34常用生理疲劳诊断因子A

表-35常用生理疲劳诊断因子B

β2常用心理疲劳诊断因子：

运动性心理疲劳是运动员在应对内源性压力和外源性压力时，心理资源及生理资源被不断消耗而没有得到及时补充时所出现的心理机能不能维持原有心理活动水平即心理机能下降的现象，具体表现在情绪维度、认知维度、动力维度、行为维度和生理维度的改变上。运动性心理疲劳对运动员的心理健康状况、生理疲劳以及损伤等都有消极的影响，因此对运动性心理疲劳进行监控就显得格外重要。目前，对运动性心理疲劳的监控主要有以下方法：

表-36常用心理疲劳诊断因子

(2)潜在伤病前兆征象(特征)

表-37潜在伤病前兆征象(特征)

(3)运动员自我监测

运动员通过自我监测，可及时了解某些身体异常变化，和医师、教练员配合，及时调整训练和比赛计划，有助于预防过度训练和创伤事故，也能使运动员养成注意遵守训练原则和个人卫生的习惯。自我检测的内容包括主观感觉和客观材料。主观感觉指一般感觉、睡眠、食欲、运动情绪等。客观材料指脉搏、体重、肺活量、握力、背力、出汗情况等。这些材料要同时和训练内容、比赛或测验成绩结合起来进行分析。

运动员正常的自我感觉是精神饱满，愉快，训练积极性高，锻炼后稍有疲劳和肌肉酸累感，休息后很快恢复。如感到精神不振，无力，困倦，头晕，容易激动，局部关节肌肉酸软麻木，甚至疼痛，胸部憋闷，气短，腹胀，腹痛等，都是异常现象。睡眠是生理需要，可使人得到充分休息和恢复体力。经常失眠，易形成过度疲劳。食欲在正常训练情况下均良好，但在过度训练、过度紧张或出现某些病态时会降低。在一次大运动量训练后或紧张的比赛后即刻出现的食欲下降现象，是暂时的，很快会恢复正常。运动情绪是指运动员参加训练和比赛的愿望。训练良好时，精神愉快，兴奋性较高，体力充沛，运动成绩一般也较好。在身体机能不佳时，可出现对训练冷淡，甚至对场地、器械发生厌倦等情形。脉搏一般自桡动脉测得，也可按颈动脉测得，应注意脉搏频率、节律性、搏动强弱等变化。安静时，脉搏随训练程度的提高可能变慢，如突然出现加速或过缓，则要寻找原因。脉搏有时可随呼吸而发生节律不齐，是正常现象；如出现明显不规则，应及时报告医师。体重在成年运动员中一般保持恒定，初参加训练时可稍减轻，但不久可能回升。如体重持续下降，应注意是否有某种消耗性疾病或严重过度疲劳。一次大运动量训练后，体重可能下降1～4公斤，但经1～2天之后又恢复正常。握力、臂力在训练良好时均增加，持续下降是异常的。出汗多少因气温、饮水量、训练水平和个人特点不同而各异。女运动员还要记载月经情况。

身体机能下降时很容易导致损伤风险的增加，这在前面已经讲述，因此通过运动员的自我监督，及时有效地把运动员的身体状况进行反馈，将有助于降低运动伤病的发生。在此，把运动员自我监测(主要以运动员自我感觉为主)列为评定损伤致伤风险因素，具体评定可参考表-38。

表-38田径运动员自我监督指标损伤致伤风险评估

(4)教练员监测

作为教练员，在安排运动员的训练和比赛的过程中，不仅要了解运动员训练和比赛的执行情况，还应能对运动员的身体机能状况做出判断。不仅能在运动员出现技术动作错误时及时纠正，还能通过自身的经验在观察运动员的言行上判断出运动员是否出现疲劳及疲劳的程度，这样才能更好的掌握运动员的身体训练情况及避免运动员出现伤病。此外，优秀的教练员还应能了解或掌握一些常规生理生化等机能监控指标，这样才能结合自身观察及客观指标来合理的调整运动训练计划和运动量，既能达到提高运动能力和成绩，又能起到避免运动性伤病的目的。

教练员的监测可包括观察运动员生活和训练中的身体动作情况、与运动员的交流和对常用生理生化指标的判断等，从中得出自身对运动员是否可能出现伤病做出相应的判断，并得出运动员损伤致伤风险的高低(参考表-39)。

表-39田径教练员监测运动员损伤致伤风险评估

c.模型建立

在Meeuwisse运动损伤病因多因素动态链基础上，我们试图将运动损伤风险反馈融合其中，建立了针对田径运动员的运动损伤风险预警病因动态链模型，如图7。

在此动态链中，越向右侧，损伤发生的可能性越大，越向左侧，损伤发生的可能性越小。当A类因子(内部致伤因子)出现时，运动员成为“有损伤倾向人群”；此时，当不同B类因子(外部致伤因子)出现时，运动员成为“损伤易发人群”，田径不同项目的运动员发生某类特异性损伤的风险将大大增加。此时应进行第一次预警，通过降低损伤风险的措施，使运动员在动态链中的状态向左移动，恢复到“有损伤倾向人群”阶段，使其发生损伤的危险性降低。如果运动员已属“损伤易发人群”，C类因子(诱发刺激因子)的出现，将使运动员面临损伤的风险进一步增大。此时运动员往往可能会表现出伤病将会发生的征兆、特征，此时应该进行第二次预警，去除引发伤病的各类致伤危险因子，使运动员在动态链中的位置左移，避免其损伤的发生；否则，运动员将会出现伤病。

三、建立运动员风险预警数据库

a.运动损伤风险数据采集及预处理

在运动损伤风险相关因素分析完成后，可以着手进行运动损伤风险预警模型建立，建模方法既可以采用定性的动态链模型，也可以采用定量模型。在定量模型中可以选取传统的线性模型，也可以采用以此为基础的非线性建模方法，如粗糙集或神经网络等。无论采用何种建模方法，首先都要进行样本数据库的数据收集工作。运动损伤风险数据采集主要包括通过运动损伤分析得到的潜在运动损伤致伤因子，根据因子的取值可以分为两类：1)连续数据因子，即用来监测运动员疲劳的常用生理生化指标；2)离散数据因子，主要包括运动项目、运动等级、关节稳定性等信息。数据采集的流程，如图-2所示。

数据采集与预处理的具体步骤如下：

步骤一：生理生化指标的测量；

步骤二：生理生化指标数据的处理；

步骤三：田径运动损伤致伤风险因素数据采集表的编制与数据采集；

步骤四：田径运动损伤致伤风险因素数据采集表数据统计；

a.1.疲劳预测相关生理生化指标采集及预处理

(1)疲劳预测相关生理生化指标的测量

1)血常规：

血常规检测包括红细胞数、血红蛋白、血球压积、白细胞等内容。

每周一晨起测试，取静脉血。

测试仪器为德国BAYER全自动血细胞分析仪进行测试。

2)血清睾酮、皮质醇、血清睾酮(T)/血清皮质醇(C)比值：

血清睾酮、皮质醇根据项目特点每2-4周取一次静脉血测试，赛前一般增加测试频率为1-2周。血清睾酮(T)/血清皮质醇(C)比值为其生成指标。

测试仪器为德国BAYER全自动生化分析仪进行。

3)肌酸激酶和尿素氮：

每周一晨起及重点训练课后取末梢血。

测试仪器为德国EPPENDORF半自动生化分析仪。

(2)生理生化指标数据的处理

采集完成田径队每周测量的生理生化指标值后，为了便于最终评定风险预警等级，将按照表－40中的标准将生理生化指标离散化，然后综合成疲劳监测因子供动态链模型使用。

表－40生理生化指标分级标准

在生理生化指标离散化过程中，由于不同个体的生理生化指标间存在较大的差异，不能用统一的标准去衡量不同个体，为了方便计算机算法对不同个体的生理生化指标进行比对，并从中挖掘出与运动损伤风险间的关联关系，因此在提交样本数据时须对生理生化指标完成归一化处理。具体方法是将运动员在训练周期不同时段测量的生理生化值计算均值作为其个体基值，将单次测量数据与其相比，把比值作为该项指标数据输入值。

a.2.潜在运动损伤致伤定性因子数据采集及预处理

(1)田径运动损伤致伤风险因素数据采集表的编制

为建立运动损伤风险预警病因动态链量化模型，并研发基于数据挖掘技术和移动计算技术的田径运动员伤病预警***，在查阅了大量国内外文献，并与运动医学领域的专家和山东省田径队优秀教练员、运动员进行访谈，了解有关田径项目运动损伤的发病情况和常见致伤原因，并对致伤因子进行了深入分析和***归类的基础上，我们拟定了“田径运动损伤致伤风险因素数据采集表”，用于致伤因子信息和伤病库信息的采集。该数据采集表在训练周期内，每周向运动员发放一次，运动员根据自身实际情况填写。

(2)田径运动损伤致伤风险因素数据采集表的数据统计

首先将“田径运动损伤致伤风险因素数据采集表”中与运动损伤风险相关的因素筛选出来，并将该因素对应的选项依据其对运动损伤风险贡献的大小进行赋值。以3选项因素为例，对运动损伤风险贡献最小的选项等级赋值1，最大选项的赋值3。在某些特定的因素中，例如损伤史，如果某运动员没有既往损伤，则该因素赋值0。在此基础上，以标准表格对运动员填写的数据采集表进行统计。

b.田径运动员伤病预警***数据录入

田径运动员伤病预警***与运动损伤预警相关的数据主要数据分布在四个数据库中，包含运动员基本信息数据库、训练监控管理子***数据库、运动损伤风险预警子***数据库和个人伤病数据库，按照数据的稳定性，整个数据库数据的填写分为每个训练周期填写、每周填写、每天填写和不定期更新四类。其中前两种数据的填写按照田径运动损伤风险预警***基本数据填写流程框图进行，后两种数据的填写按照田径运动损伤风险预警***日常训练数据填写流程框图进行，详见图5、图6。各个数据库中所含数据如表-41所示。

表-41田径运动员伤病预警***运动员数据录入数据库

三、运用层次分析法,建立田径运动损伤风险预警伤致因子动态链量化模型

定性动态链模型虽然可以在一定程度上预防运动损伤的发生，但影响预警判定的因素过多,标准较为模糊，实际操作困难。因此本项目在此基础上进行了动态链量化模型的构建。在既往的文献资料中，未见不同致伤因素之间重要性的对比，这给定量动态链模型的建立带来了困难。美国运筹学家A.L.saaty于20世纪70年代提出的层次分析法(Analyt ic Hierarchy Process，简称AHP方法)，是对方案的多指标***进行分析的一种层次化、结构化决策方法，它将决策者对复杂***的决策思维过程模型化、数量化。应用这种方法，决策者通过将复杂问题分解为若干层次和若干因素，在各因素之间进行简单的比较和计算，就可以得出不同因素的权重，为最佳方案的选择提供依据。该方法可以有效的解决在定量动态链模型建立过程中，不同运动损伤致伤因素权重的问题。

由于运动损伤致伤风险因子很多，为了便于分析，本项目将运动损伤致伤因子权重分析问题分为三个层次。最上层为目标层，即为运动损伤风险预警；中间层为指标层，指通过对运动员、教练员和运动医学专家的访谈和问卷调查，将运动损伤致伤因素所划分的三个类别；最下层为对象层即为具体的运动损伤致伤因素。为了建立指标层，即对运动损伤致伤因素进行分类，本项目制作了“田径运动员运动损伤因素风险因素评估表”。通过分发给15位高级以上田径教练员及队医进行填写，结果统计如下(以中长跑运动员为例)。

α类致伤因子(最容易导致损伤的因素)：包括损伤史、损伤恢复状况、技术动作有错误、关节稳定性差、训练比赛负荷量安排不当、训练比赛中心理状态不佳等。

β类致伤因子(较易导致损伤的因素)：包括肌肉力量和均衡性、身体平衡能力、关节活动幅度(柔韧性)、有无保护措施、身体解剖结构有无异常、与他人或器械有无碰撞等。

γ类致伤因子(致伤影响较小的因素)：包括年龄、性别、***、运动等级、运动场地、天气因素、运动鞋、训练或比赛状况等。

在确定了三类致伤因子后，我们采用层次分析法对其进行权重分析，以得出α、β、γ这三类致伤因子的对致伤影响的权重，并采用同样的方法对三类致伤因子中的各子因子进行权重分析，分别得出各子因子的权重大小。具体计算方法如下。

1)建立层次结构模型。层次结构的建立可以把问题条理化、层次化，把导致损伤的因子构建三类致伤层次模型，并对个致伤因子进行编码。

2)构造判断矩阵A，对于层次结构模型中同级各元素进行两两比较，其判断标准如表42。

$A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1n}\\ a_{21}& a_{22}& ...& a_{2n}\\ ...& ...& ...& ...\\ a_{n1}& a_{n2}& ...& a_{\mathrm{nn}}\end{array}\right]$   (公式10)

表42判断矩阵标度及其含义

3)计算各判断矩阵权重，并作一致性检验。

第一步，将判断矩阵每一列元素正规化，得到正规化后的矩阵

${\stackrel{\&OverBar;}{a}}_{\mathrm{ij}}=\frac{a_{\mathrm{ij}}}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}}(i,j=\mathrm{1,2},...,n)$ (公式11)

第二步，将正规化后的判断矩阵按行相加，得到行向量

${\stackrel{\&OverBar;}{W}}_i=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{a}}_{\mathrm{ij}}(i=\mathrm{1,2},...,n)$   (公式12)

第三步，将行向量正规化，得到特征向量W，即为各致伤因子的权重

$W_i=\frac{{\stackrel{\&OverBar;}{W}}_i}{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{W}}_j}(i=\mathrm{1,2},...,n)$   (公式13)

第四步，计算判断矩阵的最大特征根

${\mathrm{\&lambda;}}_{\max }=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{\left({\mathrm{AW}}_i\right)}{W_i}$   (公式14)

第五步，进行一致性检验：

$\mathrm{CI}=\frac{{\mathrm{\&lambda;}}_{\max }-n}{n-1}$   (公式15)

查阶数为n的判断矩阵平均随机一致性指标RI，见表43。

表43RI取值表

并计算CR＝CI/RI，当CR≤0.1时，一般认为判断矩阵的一致性是可以接受的；否则，则不合格。

具体评估结果参考表44。

表44α、β、γ三类致伤因子的总体权重评估

由表44可知，在影响田径运动员运动损伤致伤风险的三类因素中，α类因子最为显著，其次分别为β类和γ类致伤因子，α、β、γ三类因子所占权重比例分别为72.4％、19.3％、8.3％。由此可以看出，α类致伤因子的各种因素一旦出现，对造成运动员损伤发生的影响最大，这也是运动员和教练员是在平时训练和比赛中需要规避和降低的主要风险因素。

表-45α类致伤因子内部各因子的权重评估

由表-45可知，在对α类致伤因子内部各致伤因素的权重分析评估结果中，损伤史(34.1％)对运动员致伤风险最为明显，其次分别为技术错误(19.8％)、训练比赛安排不当(15.3％)、损伤恢复状况(12.5％)、心理因素(5.3％)和关节稳定性(4.1％)等。这与之前的文献和调查研究基本一致，有损伤史的运动员其再次损伤的比例明显高于没有受过伤的运动员；技术动作错误，动作变形易导致受力不当引起损伤的发生；训练比赛安排不当多指训练比赛安排不符合运动员身体机能规律，导致运动强度和运动量过大，引起运动员身体过度疲劳，从而导致伤病的发生；损伤恢复状况对于运动员来说至关重要，伤病未愈或没有完全恢复时参加训练和比赛很容易导致再次受伤及其他部位受伤的发生；运动员的心理因素也会影响到训练和比赛的发挥，过度兴奋、紧张、焦虑、或心理调节能力差等可能导致运动员身体肌肉僵硬、不协调等，从而增加伤病的危险；关节稳定性主要指有无关节松弛的状况，关节稳定性下降也使易造成伤病的原因之一。因此，运动员在平时训练和比赛中，应充分了解自己的身体状况，有无损伤及损伤恢复情况、技术动作是否有误、训练比赛量是否过大等，并且还应加强心理调节训练，以减少和降低损伤的发生。

表46β类致伤因子内部各因子的权重评估

由表46可知，在对β类致伤因子内部各致伤因素的权重分析评估中，与他人或器械发生碰撞(33.5％)是最易导致损伤的因素，其次分别为身体解剖结构异常(26.0％)、保护措施(13.9％)、肌肉力量和均衡性(12.5％)、关节活动度(6.2％)、身体平衡能力(4.6％)和技术水平(3.2％)。与他人或器械发生碰撞在田径项目中较为少见，一般见于中长跑等运动员在起跑或其他在争抢位置时互相挤碰或在跨栏中运动员身体与栏架的意外碰撞，一旦发生则很容易导致受伤，因此，运动员应该在训练和比赛中集中注意力，避免此类事故的发生；身体解剖结构异常主要指运动员下肢肢体长度是否一致，是否有膝内外翻以及足弓形态是否有异常的情况，如果运动员有下肢长度不一或其他异常情况，均会增加损伤的风险；保护措施对于预防损伤来说至关重要，尤其是有过旧伤的部位，应加强保护，以降低损伤的发生；肌肉力量是一项基本身体素质，对于运动员的成绩发挥至关重要，而运动员在发展力量时如不注意前后肌群和左右肢体肌肉力量的均衡发展则很容易导致损伤的发生，尤其在下肢更加明显，因此，运动员在发展肌肉力量的同时，一定要兼顾到力量的均衡发展；运动员身体主要关节活动度(柔韧性)、身体平衡能力和技术水平也会影响到伤病的发生，因此，运动员要想降低损伤，就需要提高身体的全面素质和改进技术水平。

表47γ类致伤因子内部各因子的权重评估

由表47可知，在对γ类致伤因子内部各致伤因素的权重分析评估中，训练或比赛(24.0％)对运动致伤风险最为显著，其次分别为运动场地(19.7％)、***(14.1％)、身体训练水平(9.7％)、身体形态(BMI)(8.2％)和运动鞋(8.2％)、天气因素(7.5％)、年龄(5.0％)和性别(3.6％)等。对于运动员来说，参加大强度的训练和比赛无疑会增大受伤的可能，其运动强度越大，竞争越剧烈，受伤机会就越多，无疑对于运动员来说此类因素不太可控制，只能尽量合理的安排运动训练和比赛以达到降低损伤的目的；运动场地的变化对运动员来说也会造成一定的影响，尤其是运动员在硬地(如马路等)进行训练或比赛，无疑会增大受伤的可能，而在湿滑场地或不平整场地同样也会增大受伤的可能，因此，运动员应尽量降低由场地带来的不良影响；对于女运动员来说，月经期参加训练或比赛可能会带来不良的影响，尤其是***不规律或闭经的情况，会增大运动员受伤的几率，因此，女运动员应及时了解自身的身体情况，采用适当的措施以避免月经期造成的不良影响；运动员的身体训练水平主要指运动员等级的高低，研究表明，运动等级水平越高，损伤发生率也越大，这与高水平运动员运动负荷较大、比较较多有关；而运动员身体形态(BMI)、运动鞋、天气因素、年龄、性别等也分别与运动损伤的发生有一定的相关性，运动员在平时训练和比赛中应了解各种致伤因素可能带来的不良影响，及时规避和降低各种致伤风险，以达到减少伤病，提高成绩的目的。

表48内部致伤因子信息统计表

表49外部致伤因子信息统计表

表50诱发因子信息统计表

根据以上不同因子的权重，表50-52所示的不同运动损伤致伤因子得分，可以计算每个运动员的总得分，基于运动员损伤风险的正态分布假设，将所有运动员得分均值上下一个标准差范围内的数据定义为中等风险等级，之上的为高风险等级，之下的为低风险等级。基于动态链量化模型的运动损伤风险预警结果具体见表51，表中1,2,3分别代表从低到高三个风险预警等级。

表51基于动态链量化模型的运动损伤风险预警结果和修正后预警结果表

综上所述，运动损伤致伤风险因素是运动员在训练和比赛的各个阶段和环节中都有可能面临的因素，但各种致伤风险因素的发生概率和所造成的影响却不尽相同，因此，通过基于层次分析法对各类因子进行权重分析评估，有助于我们了解各种致伤因子对运动损伤致伤风险的大小，对于致伤风险高的因子，如α类致伤因子，一旦出现，应及时进行调整，以降低受伤的可能；而β类致伤因子同样也不容忽视，运动员在平时训练和比赛中应充分了解自身身体状况，提高全面身体素质和技术水平，降低损伤发病可能；γ类致伤因子对于造成运动员损伤来说影响较小，运动员在平时训练中应加强自我监测，规避和降低各类致伤风险。通过计算和评估各类致伤因子对运动员致伤造成影响的大小，建立了损伤风险预警病因动态链量化模型。

五、根据运动项目选取运动员及风险预警因子，利用运动风险数据库中的相应数据，建立该项目的运动风险预警样本库和测试样本数据；

在田径运动中可能导致运动损伤的因素很多，不同的运动项目又有所不同，因此要建立一个对所有运动项目通用的运动损伤风险预警模型并不可行。这样建立一个运动员运动损伤风险评估数据库，供不同的运动项目在做风险评估时，选取部分运动员和部分指标建立有针对性的风险预警模型将是最优选择。数据库应包含变量如表28所示，其中运动员基本信息用不同运动项目模型建立时，运动员样本的筛选。运动员筛选完成后，根据不同项目的特性，根据运动损伤预警相关因子分析的结论，从内部致伤因子、外部致伤因子及刺激诱发因子中选取建立运动损伤预警样本库所需的变量,和利用实际情况+动态链量化模型+专家评定复合算法得到的运动损伤风险等级组成风险预警样本库，风险预警样本库中的因子在田径运动员伤病预警***中被存放于不同的数据库，建立风险预警样本库时可分别调用。以长跑运动员为例，风险预警样本库具体因子如下：

1)运动员基本信息：姓名、项目、运动员等级、BMI；

2)运动损伤风险预警信息：训练负荷量、技术错误、关节保护措施、主观疲劳状况、训练比赛中的心里状态、训练计划是否变更、训练场地天气情况、关节稳定性、关节柔韧性、大腿前后肌群力量对比、大腿围度对比、身体平衡能力、足弓形态、技术水平、运动鞋更换频次、主要训练场地、损伤史、损伤后恢复训练状况、***；

3)训练监控信息：红细胞数、血红蛋白、血球压积、血清肌酸激酶、血尿素、血清睾酮、血清皮质醇、血清睾酮(T)/血清皮质醇(C)、白细胞数。

六、判断风险预警指标对应的指标数据的离散性，若不离散，调用SOM神经网络离散方法对指标数据进行离散化处理

将可以连续测量数值的因素如训练状况(生理生化指标)，进行离散化处理。离散化的要求是：(1)简洁性，离散化所采用的断点数越少越好；(2)一致性，离散化后不改变决策表的相容性；(3)准确性，离散化结果的预测精度越高越好。

离散处理采用SOM算法，SOM是一种无监督自组织竞争学习型前馈神经网络，能通过自组织方式利用大量的训练样本数据来调整网络的权值，分类结果能较为客观地反映数据的实际分布情况。应用SOM神经网络对连续属性进行离散处理时，正确选取聚类数目是非常关键的，因为若聚类数目过少，则可能会得到不相容的决策***，导致实际应用时根据判断条件无法做出决策；若聚类数目过多。则会出现过离散情况，增加了计算的复杂性。实际分析中，首先以离散化后决策表的不相容度以及各个属性的不相容度作为离散性能评判的依据。这样就综合考虑了数据离散化后决策表的不相容度和数据本身的分布特征，既尽可能地减少了断点的数目，又保证了决策表的相容性。

定义1：连续属性a∈C(条件属性集)的重要度定义如下：

1)计算U/D，即按照决策属性把论域划分为n类。其中U即样本库中运动员全体；D为决策属性，即最终的运动损伤风险预警等级。

2)计算每一类中连续属性a(运动风险损伤致伤因子)的平均值AVG(ai)，i＝1,2,…,n，并找出平均值的最大值Max(AVG(ai))和最小值Min(AVG(ai))。

3)计算所有对象连续属性a的标准差std(a)。

则属性a的重要度SGF(a)为：

$\mathrm{SGF}\left(a\right)=\frac{\mathrm{Max}\left(\mathrm{AVG}\left(a_i\right)\right)-\mathrm{Min}\left(\mathrm{AVG}\left(a_i\right)\right)}{\mathrm{std}\left(a\right)}$   (公式16)

定义2：给定一个信息***S＝(U,C∪D)，若离散化后不相容对象有m个，具体计算见公式21，则定义决策表的不相容度α为：

$\mathrm{\&alpha;}=\frac{m}{\left|U\right|}$   (公式17)

其中|U|为决策表中对象的总数。实际应用中，只需要设定一个较小的不相容度阀值即可。在目前大部分粗糙集的应用研究中，SOM神经网络输出层神经元的个数是主观确定的，容易出现偏差。为此，根据以上两个定义，提出一种适用于粗糙集的SOM神经网络离散化方法，步骤如下：

1)计算决策表中每个连续属性的重要度并按从大到小的顺序进行排序。

2)每一个连续的运动损伤致伤因子属性a_i(i＝1,2,…,|C|)对应一个SOM神经网络，以下以一个属性的离散化为例说明，给定SOM神经网络输出层神经元个数的初始值为3，输入层神经元个数为1，将网络的连接权值wj赋予[Min(a_i)，Max(a_i)]区间内的随机值，确定学习率α(t)的初始值α(0)，α(t)应随t的增大缓慢减小，确定总的学习次数T；

3)将属性a_i中的数值x输入到som网络；

4)计算输入数值x与连接权值wj之间的距离；

d_j＝(x-w_j)²,j＝1,2,3  (公式18)

5)选取使距离最小的神经元k做为获胜节点；

6)对获胜节点及的连接权值进行更新

w_j(t+1)＝w(t)-α(t)(x-w_j)  (公式19)

7)返回步骤(3)，选取另一个数据输入网络，直到将样本中的全部模式提供给网络；

8)更新学习率：

$\mathrm{\&alpha;}\left(t\right)=\mathrm{\&alpha;}\left(0\right)[1-\frac{t}{T}];$   (公式20)

9)令t＝t+1，返回步骤2)，重复至t＝T。

10)计算离散化后决策表的不相容度，若满足不相容度阀值要求则计算结束，否则转下一步。

11)选出重要度排序第一的属性，将其SOM神经网络输出层神经元个数调整为4，其余属性对应的SOM神经网络输出层神经元个数不变，重新离散化决策表，并转步骤(10)，直至每个SOM网络的最大聚类数调整为4。每个SOM网络的最大聚类数限定为4，若重要度最大的属性其SOM神经网络聚类数已达要求，则选择重要度次之的属性进行调整，以此类推。

12)完成最终的离散化操作。

由于粗糙集理论对知识的粒度要求不高，因此最大聚类数限定为4就可以基本满足对不相容度的要求，若遇特殊情况，适当增加SOM网络输出层神经元的最大限制数目即可。

七、将利用SOM网络离散后的指标数据与初始就离散赋值的数据合成决策表

八、按照RS理论的约简过程对决策表进行属性约简和规则提取

将利用SOM网络离散后的数据与初始就离散赋值的数据合成决策表后，再按照RS理论的约简过程对决策表进行属性约简和规则提取。RS的基本思想是使用等价关系将集合中的元素进行分类，生成集合的某种划分，与等价关系相对应。根据等价关系的理论，同一分组等价类内的元素是不可分辨的，对信息的处理可以在等价类的粒度上进行，由此可以达到对信息进行简化的目的。它是一种基于集合论的不确定信息处理方法。能有效地分析和处理不精确、不完整的各种定型、定量或者混合型的不完备信息，从中发现隐含的知识，揭示潜在的规律。

属性约简有不同的方法，本项目用分明矩阵法进行约简。A.Skowron于1991年提出一种用分明矩阵表示知识的方法，这种表示方法有利于我们解释和计算数据核及约简。

定义3：设S＝(U,A,V,f)是一个决策表。其中U为论域，在本应用中即为运动员样本库的全体；A为属性集合，A＝CUD，C为条件属性集，即所有潜在运动损伤致伤因子属性的集合，D为决策属性集，本例中仅包含运动损伤风险预警等级属性；表示所有属性取值的集合，即为样本库中所有运动员各个属性取值的集合；

f:U×A→V是信息函数，它决定样本库中运动员各个属性的取值规则。定义a(x)为样本x在属性a上的取值，则该决策表的分明矩阵C_D可以表示为：

$c_{\mathrm{ij}}=\left\{\begin{array}{cc}\left\{a\right|a\&Element;A,a\left(x_i\right)\&NotEqual;a\left(x_j\right)\}& D\left(x_i\right)\&NotEqual;D\left(x_j\right)\\ 0& D\left(x_i\right)=D\left(x_j\right)\\ 1& D\left(x_i\right)\&NotEqual;D\left(x_j\right),a\left(x_i\right)=a\left(x_j\right)\end{array}\right.$   (公式21)

矩阵是一个沿主对角线对称的矩阵，在分析时，只考虑其上三角或下三角部分即可。当两个样本的决策属性取值相同时，它们所对应的差别矩阵元素取值为0；当两个样本的决策属性不同且可以通过某些条件属性的取值不同加以区分时，它们所对应的差别矩阵元素的取值为这两个样本属性上取值不同的条件属性集合，即可以区分这两个样本的条件属性集合；当两个样本发生冲突时，即所有的条件属性取值相同而决策属性的取值不同时，它们所对应的差别矩阵的元素取值为1。差别矩阵元素中是否包含1可以作为判定决策表***是否包含不一致信息的依据即不相容决策表的依据。

基于差别矩阵的属性约简可以分为以下六个步骤。

1)读入运动损伤风险预警样本库数据，作为决策表；

2)计算该决策表的分明矩阵C_D；

3)分明矩阵中所有取值为非0,1,的元素c_ij，建立相应的逻辑表达式L_ij，其中

  (公式22)

4)将所有的析取表达式L_ij做合取运算，得到一个合取范式L，即

  (公式23)

5)将上述合取范式转换为析取范式的形式为

6)输出属性约简结果。析取范式中的每个合取项对应一个属性约简的结果，每个合取项中所包含的属性组成约简后的条件属性集合。可用这些不同的约简结果，分别训练RBF神经网络，选取分类效果最好的作为最终约简结果。

具体算法如下：

九、基于简化的决策表构建RBF神经网络

RBF神经网络结构与前向神经网络类似，它是一种三层前向网络。输入层由信号源结点组成。第二层为隐含层，节点数目视所描述问题的需要而定。第三层为输出，它对输入模式的作用做出响应。从输入空间到隐层空间的变换是非线性的，而从隐含层空间到输出层空间的变换是线性的。隐含层单元的变换函数是径向基函数，它是一种局部分布的对中心点径向对称衰减的非负非线性函数。

RBF神经网络拓扑结构如表8所示。RBF神经网络从输入空间到隐含空间的变换是非线性的，而从隐含层空间到输出空间的变换则是线性的。这是一种前馈网络的拓扑结构。

用RBF神经网络逼近非线性***，在给定了学习样本数据后，其算法主要是解决两个问题：

1)神经网络结构设计问题，包括网络隐含层节点数的确定，RBF的聚类中心C的确定；

2)权值修正问题，即调整隐含层空间到输出层空间的连接权矩阵w。

本项目主要运用RBF神经网络，根据输入信息区分运动员的运动损伤风险预警等级是高、中或低，也就是将运动员根据运动损伤风险大小分为三类。简单起见，用RBF神经网络输出值的1,2,3来代表这三个类别。具体如下：

表-52RBF输出与风险等级对照表

即本项目的目的为使用RBF神经网络构造一个分类器。主要包含基函数选取、隐含层设计和径向基函数中心、权值和宽度的变更。本项目神经网络隐含层中心、宽度和到输出层之间的权值采用梯度下降法确定。

(1)基函数的选取

选用高斯函数作为隐含层单元的激活函数，假设输入向量为n维，有m个输出节点，隐层节点的个数为k个，隐层节点的输出表示为:

$R_j\left(x\right)=e^{-\frac{{\left|\right|x-c_j\left|\right|}^2}{{2\mathrm{\&sigma;}}_j^2}}$   (公式24)

其中j＝{1，2，…，k}，Rj(x)为第j个隐含层节点对输出，x为网络的n维输入向量，c_j是第j个隐含层节点的核函数中心矢量，它与输入向量x具有相同的维数，σ_j为第j个隐含层节点高斯函数的宽度，||x-c_j||表示输入向量与中心点之间的距离测度。网络输出定义为:

$y_i=\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}{R}_j\left(x\right)$   (公式25)

其中i＝1，2，…，m；yi为第i个输出层节点的输出，w_ij为第j个隐含层节点到第i个输出层节点的连接权值。在本项目中只需1个输出即可，即i＝1。

(2)隐含层设计

设计RBF神经网络的隐含层，主要是确定隐含层单元数目和它们的激励函数。本项目采用高斯函数，高斯函数由聚类中心和聚类宽度确定。在本项目中，训练模式的类别是已知的，即运动损伤风险预警等级，因此可以采用一种简单的方式来确定，即每一类对应一个高斯函数共三个，即k＝3。高斯函数的宽度参数可以取三类样本与其中心点距离的均值，而高斯函数的中心可以分别取三类样本的均值作为各自单元的中心点。虽然这种方法构造的网络相对显得有点粗糙，但是通过有效的学习算法以及采用误差校正的策略可以有效的改善网络的性能。在实际分类应用中，通过这样的方式构造的网络简洁高效，同时不会影响分类准确性。

(3)径向基函数中心、宽度和到输出层之间的权值的更新

径向基函数中心以及其它参数均经历学习过程。通常采用误差修正学习过程，应用梯度下降法，具体如下：

假设有N个样本输入，对所有输入样本，定义误差函数：

$\mathrm{\&xi;}=\frac{1}{2}\underset{q=1}{\overset{N}{\mathrm{\&Sigma;}}}{e}_q^2$   (公式26)

其中e_q为误差，定义如下：

$e_q=d_q-y\left(x_q\right)=d_q-\underset{j=1}{\overset{3}{\mathrm{\&Sigma;}}}{w}_{1j}{R}_j\left(x_q\right)=d_q-\underset{j=1}{\overset{3}{\mathrm{\&Sigma;}}}{w}_{1j}{e}^{-\frac{{\left|\right|x_q-c_j\left|\right|}^2}{{2\mathrm{\&sigma;}}_j^2}}$   (公式27)

其中d_q为样本x_q所需类型的取值。如在本项目中高等风险等级的样本对应的d_q＝3。

各个自由参数的迭代过程如下：

1)输出单元的权值

$\frac{\&PartialD;\mathrm{\&xi;}\left(n\right)}{{\&PartialD;w}_{1j}\left(n\right)}=-\underset{q=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_q\left(n\right)R_j\left(x_q\right)=-\underset{q=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_q{e}^{-\frac{{\left|\right|x_q-c_j\left|\right|}^2}{{2\mathrm{\&sigma;}}_j^2}}$   (公式28)

$w_{1j}(n+1)=w_{1j}\left(n\right)-{\mathrm{\&eta;}}_1\frac{\&PartialD;\mathrm{\&xi;}\left(n\right)}{{\&PartialD;w}_{1j}}$   (公式29)

其中n代表当前个变量取值，n+1代表迭代修正后的取值。

2)隐单元中心

$\frac{\&PartialD;\mathrm{\&xi;}\left(n\right)}{{\&PartialD;c}_j\left(n\right)}=-\underset{q=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_q\left(n\right)R_j\left(x_q\right)=-\underset{q=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_q\frac{w_{1j}\left(n\right)}{{\mathrm{\&sigma;}}_j^2}{e}^{-\frac{{\left|\right|x_q-c_j\left(n\right)\left|\right|}^2}{{2\mathrm{\&sigma;}}_j^2}}(x_q-c_j\left(n\right))$   (公式30)

$c_j(n+1)=c_j\left(n\right)-{\mathrm{\&eta;}}_2\frac{\&PartialD;\mathrm{\&xi;}\left(n\right)}{{\&PartialD;c}_j}$   (公式31)

3)函数宽度

$\frac{\&PartialD;\mathrm{\&xi;}\left(n\right)}{{\&PartialD;\mathrm{\&sigma;}}_j\left(n\right)}=-\underset{q=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_q(n\frac{w_{1j}\left(n\right)}{{\mathrm{\&sigma;}}_j^3}{\left|\right|x_q-c_j\left|\right|}^2{R}_j\left(x_q\right)$   (公式32)

${\mathrm{\&sigma;}}_j(n+1)={\mathrm{\&sigma;}}_j\left(n\right)-{\mathrm{\&eta;}}_3\frac{\&PartialD;\mathrm{\&xi;}\left(n\right)}{{\&PartialD;\mathrm{\&sigma;}}_j\left(n\right)}$   (公式33)

其中η₁，η₂，η₃为学习效率可以为常数也可为变量。

十、根据简化后的决策表，选取运动风险预警样本库中的相应数据，训练RBF神经网络，学习方法具体过程如下:

步骤一：根据已知类别个数确定隐层节点数目，本项目中k＝3，求取该类别所有输入向量的平均值作为该类的中心初始值c_j(1)，将每类所有输入向量与中心距离的平均值作为该类的宽度初始值σ_j(1)，每个类别输入一个样本，求取初始w_1j(1)，设定容许误差ε，ε为一大于零的小量。设定学习效率η₁＝η₂＝η₃＝1/t，t为迭代循环变量。设定循环变量t初始为1，最大值为MaxT。

步骤二：输入第t个训练样本，得到网络实际输出y(t)。

步骤三：计算实际输出与期望输出之间的误差ξ(t)，如果误差ξ(t)<ε，则该样本不需要调整网络参数，跳到步骤六，否则进入下一步。

步骤四：按公式28,30,32计算并按公式29,31,33计算w_1j(t+1),c_j(t+1),σ_j(t+1)。

步骤五：更新新的网络参数w_1j(t+1),c_j(t+1),σ_j(t+1)，t＝t+1；如果t>MaxT，显示不收敛，进入步骤六，否则转到步骤二。

步骤六：整个学习过程结束，保存当前网络各参数；

步骤七:利用保存的网络参数测试新的运动员的损伤预警等级。

十一、判断约简结果是否收敛，是否满足精度要求，若不满足，修正RBF神经网络结构和连接权值，转步骤十；

十二、利用测试样本数据，判断训练好的RBF神经网络是否得到正确的诊断结果，若没有，从步骤八中选用其它的约简结果，转步骤九；

十三、保存训练好的RBF神经网络，利用训练好的RBF神经网络评估新检测的运动员风险评估指标。

步骤十二具体包括如下过程：

(1)建立测试样本数据

在建立运动风险预警样本库样本库时，留取一部分数据作为测试样本，这样就保证了运动损伤风险预警等级判别的一致性，可以有效的对模型预测的准确性进行验证。由于国内一级以上的田径运动员人群较少，本实施例共采集148位运动员信息，131人信息用于建立训练样本库，用于训练RBF神经网络；选取17位田径运动员作为测试样本，对田径运动员伤病预警***预警算法的准确性进行测试。

(2)数据导入

运动员运动伤病风险预警致伤因子的录入主要分为四个部分：个人基本信息在建库时直接导入，信息可以在运动信息管理中的个人信息页面修改；生理生化指标在监控信息管理中添加、修改；大多离散的损伤致伤因子信息在伤病信息管理中的个人伤病风险信息页面添加、修改；离散因子中经常变化的部分，在运动损伤预警中的伤病预警页面添加并直接提交获得预警结果。

(3)风险预警诊断结果

本项目对测试样本的运动损伤预警等级分别利用实际情况+量化模型、实际情况+量化模型+专家评定和田径运动员伤病智能预警***进行预测，结果如表53所示。田径运动员伤病智能预警***中采用粗糙集—神经网络算法对损伤风险进行预测，样本库建设中结合信息采集中实际运动伤病的发生情况、教练专家的意见和基于层次分析法的量化动态链模型的复合算法确定运动损伤风险等级，因此最终表53中后两列的风险等级完全一致，说明本方法达到了设计要求。

实际运动伤病的发生情况、教练专家的意见和基于层次分析法的线性动态链量化模型的复合算法具体步骤如下：

(1)如实际训练过程中有运动损伤发生，则该运动员运动损伤发生前所采集的数据即为高风险等级；

(2)对于未发生运动损伤的情形，则按照采集数据运用动态连线性模型计算风险等级，并同时将该运动员的运动损伤风险因子得分情况提供给15名高级以上教练员、队医和科研人员进行风险等级打分。

(3)如教练、队医和科研人员和打分结果超过80％为同一风险等级，则将该结果作为该运动员的风险评级结果；否则将动态链量化模型结果作为风险评级结果。

表53不同方法运动风险预警结果比对

通过以上测试可知，运用粗糙集-RBF神经网络算法对运动损伤风险预警取得了较为理想的结果，因此此算法用于运动员的运动损伤风险预警是完全可行的。

当然，上述说明并非对本发明的限制，本发明也不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也属于本发明的保护范围。

Claims (5)

1.一种运动员运动损伤风险预警方法，其特征在于，包括如下步骤：

(1)运动损伤风险预警因子的分析；

(2)提出田径运动损伤风险预警致伤因子动态链模型；

(3)建立运动员风险预警数据库；

(4)运用层次分析法,建立田径运动损伤风险预警致伤因子动态链量化模型；

(5)根据运动项目选取运动员及风险预警因子，利用运动风险数据库中的相应数据，建立该项目的运动风险预警样本库和测试样本数据；

(6)判断运动风险预警样本库中的风险预警因子对应数据的离散性，若不离散，调用SOM神经网络离散方法对数据进行离散化处理；

(7)将利用SOM神经网络离散后的指标数据与初始就离散赋值的数据合成决策表；

(8)按照RS理论的约简过程对决策表进行属性约简和规则提取，得到一组约简结果；

(9)基于选择的其中一个简化的决策表构建RBF神经网络；

(10)根据简化后的决策表，选取运动风险预警样本库中的相应数据，训练RBF神经网络；

(11)判断约简结果是否收敛，是否满足精度要求，若不满足，修正RBF神经网络结构和连接权值，转步骤(10)；

(12)利用测试样本数据，判断训练好的RBF神经网络是否得到正确的诊断结果，若没有，从步骤(8)中选用其它的约简结果，转步骤(9)；

(13)保存训练好的RBF神经网络，利用训练好的RBF神经网络评估新检测的运动员风险评估指标；

所述步骤(6)的SOM神经网络离散方法包括如下步骤：

(6.1)计算决策表中每个连续属性的重要度并按从大到小的顺序进行排序；

(6.2)每一个连续的运动损伤致伤因子属性a_i(i＝1,2,…,|C|，)对应一个SOM神经网络，给定SOM神经网络输出层神经元个数的初始值为3，输入层神经元个数为1，将网络的连接权值w_j赋予[Min(a_i)，Max(a_i)]区间内的随机值，确定学习率α(t)的初始值α(0)，α(t)应随t的增大缓慢减小，t代表学习次数，初始值为1，确定总的学习次数T；

(6.3)将属性a_i中的数值x输入到SOM神经网络；

(6.4)计算输入数值x与连接权值w_j之间的距离；

d_j＝(x-w_j)²,j＝1,2,3           (公式1)

(6.5)选取使距离最小的神经元k做为获胜节点；

(6.6)对获胜节点集的连接权值进行更新

w_j(t+1)＝w(t)-α(t)(x-w_j)          (公式2)

(6.7)返回步骤(6.3)，选取另一个数据输入网络，直到将样本中的全部模式提供给网络；

(6.8)更新学习率：

$\mathrm{\&alpha;}\left(t\right)=\mathrm{\&alpha;}\left(0\right)[1-\frac{t}{T}];$        (公式3)

(6.9)令t＝t+1，返回步骤(6.2)，重复至t＝T；

(6.10)计算离散化后决策表的不相容度，若满足不相容度阀值要求则计算结束，否则转下一步；

(6.11)选出重要度排序第一的属性，将其SOM神经网络输出层神经元个数调整为4，其余属性对应的SOM神经网络输出层神经元个数不变，重新离散化决策表，并转步骤(6.10)，直至每个SOM神经网络的最大聚类数调整为4，每个SOM神经网络的最大聚类数限定为4，若重要度最大的属性其SOM神经网络聚类数已达要求，则选择重要度次之的属性进行调整，以此类推；

(6.12)完成最终的离散化操作。

2.根据权利要求1所述运动员运动损伤风险预警方法，其特征在于，所述步骤(8)采用基于粗糙集中的分明矩阵方法进行决策表约简。

3.根据权利要求2所述运动员运动损伤风险预警方法，其特征在于，所述基于粗糙集中的分明矩阵方法包括如下步骤：

(8.1)读入运动风险预警样本库数据，作为决策表；

(8.2)计算该决策表的分明矩阵C_D；

(8.3)分明矩阵中所有取值为非0,1,的元素c_ij，建立相应的逻辑表达式L_ij，其中

           (公式4)

i、j为分明矩阵的元素下标；

(8.4)将所有的析取表达式L_ij做合取运算，得到一个合取范式L，即

        (公式5)

(8.5)将上述合取范式转换为析取范式的形式为i代表最终获取的约简结果个数；

(8.6)输出属性约简结果，析取范式中的每个合取项对应一个属性约简结果，每个合取项中所包含的属性组成约简后的条件属性集合。

4.根据权利要求1所述运动员运动损伤风险预警方法，其特征在于，所述步骤(9)包括如下步骤：

(9.1)选取基函数

选用高斯函数作为隐含层单元的激活函数，假设输入向量为n维，有m个输出节点，隐含层节点的个数为k个，隐含层节点的输出表示为:

$R_j\left(x\right)=e^{-\frac{{\left|\right|x-c_j\left|\right|}^2}{2{\mathrm{\&sigma;}}_j^2}}$          (公式6)

其中j＝{1，2，…，k}，R_j(x)为第j个隐节点对输出，x为网络的n维输入向量，c_j是第j个隐含层节点的核函数中心矢量，它与输入向量x具有相同的维数，σ_j为第j个隐含层节点高斯函数的宽度，||x-c_j||表示输入向量与中心点之间的距离测度，网络输出定义为:

$y_i=\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}{R}_j\left(x\right)$           (公式7)

其中i＝1，2，…，m；y_i为第i个输出层节点的输出，w_ij为第j个隐含层节点到第i个输出层节点的连接权值；

(9.2)隐含层设计

设计RBF神经网络的隐含层，主要是确定隐含层单元数目和它们的激励函数，采用高斯函数，高斯函数由聚类中心和聚类宽度确定，训练模式的类别是已知的，即运动损伤风险预警等级，因此可以采用一种简单的方式来确定，即每一类对应一个高斯函数共三个，即k＝3，高斯函数的宽度参数可以取三类样本与其中心点距离的均值，而高斯函数的中心可以分别取三类样本的均值作为各自单元的中心点；

(9.3)径向基函数中心、宽度和到输出层之间的权值的更新

径向基函数中心以及其它参数均经历学习过程，通常采用误差修正学习过程，应用梯度下降法，具体如下：

假设有N个样本输入，对所有输入样本，定义误差函数：

$\mathrm{\&xi;}=\frac{1}{2}\underset{q=1}{\overset{N}{\mathrm{\&Sigma;}}}{e}_q^2$           (公式8)

其中e_q为误差，定义如下：

$e_q=d_q-y\left(x_q\right)=d_q-\underset{j=1}{\overset{3}{\mathrm{\&Sigma;}}}{w}_{1j}{R}_j\left(x_q\right)=d_q-\underset{j=1}{\overset{3}{\mathrm{\&Sigma;}}}{w}_{1j}{e}^{-\frac{{\left|\right|x_q-c_j\left|\right|}^2}{2{\mathrm{\&sigma;}}_j^2}}$       (公式9)

其中d_q为样本x_q所需类型的取值，在本项目中高等风险等级的样本对应的d_q＝3。

5.根据权利要求1所述运动员运动损伤风险预警方法，其特征在于，所述步骤(10)包括如下步骤：

步骤一：根据已知类别个数确定隐含层节点数目，本项目中k＝3，求取该类别所有输入向量的平均值作为该类的中心初始值c_j(1)，将每类所有输入向量与中心距离的平均值作为该类的宽度初始值σ_j(1)，每个类别输入一个样本，求取初始w_1j(1)，设定容许误差ε，ε为一大于零的小量设定学习效率η₁＝η₂＝η₃＝1/t，t为迭代循环变量，设定循环变量t初始为1，最大值为MaxT；

步骤二：输入第t个训练样本，得到网络实际输出y(t)；

步骤三：计算实际输出与期望输出之间的误差ξ(t)，如果误差ξ(t)<ε，则该样本不需要调整网络参数，跳到步骤六，否则进入下一步；

步骤四：按公式 $\frac{\&PartialD;\mathrm{\&xi;}\left(n\right)}{\&PartialD;w_{1j}\left(n\right)}=-\underset{q=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_q\left(n\right)R_j\left(x_q\right)=-\underset{q=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_q{e}^{-\frac{{\left|\right|x_q-c_j\left|\right|}^2}{2{\mathrm{\&sigma;}}_j^2}}---\left(29\right)$

公式 $\frac{\&PartialD;\mathrm{\&xi;}\left(n\right)}{\&PartialD;c_j\left(n\right)}=-\underset{q=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_q\left(n\right)R_j\left(x_q\right)=-\underset{q=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_q\frac{w_{1j}\left(n\right)}{{\mathrm{\&sigma;}}_j^2}{e}^{-\frac{{\left|\right|x_q-c_j\left(n\right)\left|\right|}^2}{2{\mathrm{\&sigma;}}_j^2}}(x_q-c_j\left(n\right))---\left(31\right)$

公式 $\frac{\&PartialD;\mathrm{\&xi;}\left(n\right)}{\&PartialD;{\mathrm{\&sigma;}}_j\left(n\right)}=-\underset{q=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_q\left(n\right)\frac{w_{1j}\left(n\right)}{{\mathrm{\&sigma;}}_j^3\left(n\right)}{\left|\right|x_q-c_j\left|\right|}^2{R}_j\left(x_q\right)---\left(33\right)$

计算并按公式

$w_{1j}(n+1)=w_{1j}\left(n\right)-{\mathrm{\&eta;}}_1\frac{\&PartialD;\mathrm{\&xi;}\left(n\right)}{\&PartialD;w_{1j}}---\left(30\right)$

公式 $c_j(n+1)=c_j\left(n\right)-{\mathrm{\&eta;}}_2\frac{\&PartialD;\mathrm{\&xi;}\left(n\right)}{\&PartialD;c_j}---\left(32\right)$

公式 ${\mathrm{\&sigma;}}_j(n+1)={\mathrm{\&sigma;}}_j\left(n\right)-{\mathrm{\&eta;}}_3\frac{\&PartialD;\mathrm{\&xi;}\left(n\right)}{\&PartialD;{\mathrm{\&sigma;}}_j\left(n\right)}---\left(34\right)$ 计算w_1j(t+1),c_j(t+1),σ_j(t+1)；

步骤五：更新新的网络参数w_1j(t+1),c_j(t+1),σ_j(t+1)，t＝t+1；如果t>MaxT，显示不收敛，进入步骤六，否则转到步骤二；

步骤六：整个学习过程结束，保存当前网络各参数。