杨宋华

摘 要： 现有运动损伤评估方法不能同时进行横纵向损伤风险评估，也不能明确判断损伤部位是单一性损伤还是复合性损伤。为了解决此问题，设计基于大数据网络的运动损伤评估模型。通过网络拓扑结构的搭建、深度神经网络数据的获得、大数据与深度神经网络关系的构建，完成大数据网络环境的搭建。通过运动损伤风险源的确定、损伤风险因素识别、基于损伤风险因素的运动损伤评估，完成基于大数据网络运动损伤评估模型的搭建。设计对比实验结果表明，新型运动损伤评估模型与传统方法相比，能够同时进行横纵向损伤风险评估，也可以在短时间内判断特定部位的运动损伤属性。

关键词： 大数据网络； 运动损伤； 评估模型； 拓扑结构； 深度神经网络； 风险源； 风险因素

中图分类号： TN915?34； TP183 文献标识码： A 文章编号： 1004?373X（2018）06?0154?04

Abstract： The existing sports injury evaluation methods can neither simultaneously conduct horizontal and longitudinal injury risk estimation， nor can they clearly judge whether the injury part belongs to single injury or compound injury. To solve this problem， a sports injury evaluation model based on big data network is designed. The establishment of big data network environment is accomplished by establishing network topological structure， obtaining deep neural network data， and constructing the relationship between big data and deep neural network. The establishment of big data network based sports injury evaluation model is accomplished by determining the risk sources of sports injury， recognizing injury risk factors， and estimating the sports injury based on injury risk factors. The comparison experiment was designed， and the results show that the new sports injury evaluation model can simultaneously conduct horizontal and longitudinal injury risk estimation， and can also judge the sports injury property of specific parts within a short time in comparison to the traditional methods.

Keywords： big data network； sports injury； evaluation model； topological structure； deep neural network； risk source； risk factor

0 引 言

運动损伤评估模型，是一种通过预测、评估运动损伤风险，进而完成特定部位运动损伤属性确定的物理方法。传统情况下，采用风险识别相关理论，完成讯上风险管理，并在此基础上通过大量的数字运算，认清特定部位的风险因素，进而把握因运动造成损伤的严重程度。但随着科学技术的不断进步，人们对于运动损伤评估准确性的要求，也越来越高，为了更好适应这种发展现状，新型评估模型的出现成为了一种必然趋势[1?2]。大数据网络是一种通过云计算手段，网络互联网信息的捕捉手法，通常被用于广域网、局域网的构建等方面。引入大数据网络的相关概念，建立新型基于大数据网络的运动损伤评估模型，通过完善拓扑结构、结合大数据与深度神经网络等方法，搭建模型运行所需的大数据网络环境[3]。在已完成搭建的环境下，可以通过完成风险源确定、风险因素识别等方式，完成运动损伤的风险评估，通过不确定性条件对模型的实现进行约束，使其能够达到一个良好的运行状态。新型运动损伤评估模型，在横纵向损伤风险评估的实时性、判断特定部位运动损伤属性准确性等方面，也都具备更强的实用性价值。

1 大数据网络环境的构建

1.1 网络拓扑结构的搭建

大数据环境的网络拓扑结构，包含三种连接神经元。其中第一种连接神经元，负责传递定点损伤部位与中枢神经系统间的交流信息，该神经元与其他2种神经元之间，保持反馈连接状态。第二种连接神经元，负责传递中枢神经系统与反应损伤部位间的交流信息，该神经元也可被称为中间神经元，起到承上启下的作用[4?5]。第三种连接神经元，负责传递定点损伤部位与反应损伤部位间的交流信息，是一种外围神经元，既可承接上述两种神经元传递而来的信息，也可直接连通起始环节与终端环节。

1.2 深度神经网络数据的获得

大数据网络环境下，深度神经网络数据，可以解决运动损伤数据的识别、评估问题。当一个运动损伤数据被标记时，会自动生成一个与之相对应的深度神经网络数据，且该数据是惟一的。当多个运动损伤数据被标记时，对自动生成多个深度神经网络数据，且每个深度神经网络数据，都会自动与其相对应的运动损伤数据连接[6]。深度神经网络数据、运动损伤数据二者间始终保持惟一的对应关系，因此，无论同时生成多少个深度神经网络数据，也不会发生对应混乱现象。endprint

1.3 大数据与深度神经网络关系的构建

大数据与深度神经网络间的关系，是在大数据网络环境下，描述运动损伤评估模型的重要指标。为了便于分析，可认为大数据与深度神经网络间的关系，是一种由输入端向输出端作评估延迟线的连接方式[7?8]。当输入端的运动损伤数据包含特定序列时，输出端显示的评估数值为1，否则输出0，且评估延迟线的长度有限，但运动损伤数据、评估数值二者间的延迟不确定。所以，大数据与深度神经网络间的关系，依然属于一种不确定的无意识序列形式。

2 基于大数据网络运动损伤评估模型的构建

2.1 运动损伤风险源的确定

运动损伤风险源，是确定损伤风险因素的依据。单纯的从一个视角分析运动损伤风险，其评估结果可能显得过于片面，为了有效避免此类现象发生，在对运动损伤进行评估之前，必须首先完成损伤风险源的确定[9?10]。以体操项目为例，其风险源包括规则导向、器械要求、动作类型、动作组别、动作难度5大类，而该项目可按男女组别分为10项小分类，每个分项与损伤风险源间的关系可用图1表示。

2.2 运动损伤风险因素识别

上述過程完成运动损伤风险源的确定。运动损伤风险因素识别是根据已确定的风险源，应用特定算法推算出运动损伤的风险等级，进而达到判断损伤严重程度的目的。设已确定的风险源表示为[s]，则在该项风险源下，运动损伤风险因素的识别，可用如下公式表示：

[η（s）=12n=0n[ξs（l）n]] （1）

式中：[n]代表不确定变量，可随着[s]数值的改变而改变；[ξ]代表完成运动损伤风险识别的特定算法；[l]代表在[s]风险源下，识别运动损伤风险因素产生的特定参数。

2.3 基于损伤风险因素的运动损伤评估

通过式（1）的计算，可得到一个确定的运动损伤因素识别结果，为方便后续损伤评估的进行，规定运动损伤因素识别结果为损伤评估数据来源。通常情况下，数据来源可以分为单精度、多精度和混合精度三种。其中单精度的数据来源，不需经过任何处理，可根据具体数值结果，直接进行运动损伤预评估[11]。多精度的数据来源，首先要完成精度降低处理，将所有数据均简化成单精度数据后，方可进行运动损伤预评估。混合精度的数据来源，首先要进行区分操作，将其中单精度数据来源、多精度数据来源归为两类，再分别对两种数据来源，分别进行上述操作。根据运动损伤预评估结果，可确定完成整体评估的方法。

3 实验结果与分析

上述过程，完成基于大数据网络运动损伤评估模型的搭建。为了验证该模型的实用性价值，以2台配置相同的计算机作为实验对象，其中1台作为实验组，搭载新型损伤评估模型，另1台作为对照组，搭载传统损伤评估模型。

3.1 实验参数设置

表1中参数依次代表损伤参数、评估准确性、网络安全系数、运动损伤等级、横向损伤判断准确性、纵向损伤判断准确性。其中网络安全系数为Ⅲ级，代表运动损伤评估模型使用的大数据网络环境，始终保持安全状态。为了保证实验的公平性，实验组与对照组的实验参数，始终保持一致。

3.2 横纵向损伤风险评估情况对比

横纵向运动损伤风险评估，若可以同时进行，则横向与纵向的运动损伤评估准确度相差较小，且始终保持相同的上升或下降趋势；若横纵向运动损伤风险评估，不能同时进行，则横向与纵向的运动损伤评估准确度相差较大，且始终保持相反的上升或下降趋势。应用特殊的检测方法，分别记录实验组与对照组，横纵向运动损伤风险评估准确度如下。对比图2、图3可知，实验组横向损伤风险评估准确度的最大值为94.67%，纵向损伤风险评估准确度的最大值为93.51%，二者始终保持相同的变化趋势，且相差较小。对照组横向损伤风险评估准确度的最大值为96.22%，纵向损伤风险评估准确度的最大值为85.38%，二者的变化趋势没有始终保持一致，且相差也较大。所以，可证明应用大数据网络运动损伤评估模型，确实可以同时进行横纵向损伤风险评估，而传统模型不可以。

3.3 运动损伤属性判断情况对比

若损伤部位发生单一性损伤，则属性判断结果为竖线，竖线越长代表损伤越严重；若损伤部位发生复合性损伤，则属性判断结果为横线，横线越长代表损伤越严重。

由图4可知，实验组可根据判断结果清楚分析出特定部位发生的损伤为单一性还是复合性，且单一性损伤程度的最大值为38.75%，复合性损伤程度的最大值为40.02%。对照组所有分析结果均具有一定角度，不能清楚分析出特定部位发生的损伤为单一性还是复合性，其结果也不具备一定的说服力。所以，可证明应用大数据网络运动损伤评估模型，确实可以判断特定部位的运动损伤属性，而传统模型不可以。

4 结 语

基于大数据网络的运动损伤评估模型，以大数据网络环境作为应用背景，在提升运行稳定性的同时，可以同时进行横纵向损伤风险评估，并判断特定部位的运动损伤属性。

参考文献

[1] 高晓嶙，徐辉，黄鹏，等.应用功能性动作测试评估我国橄榄球运动员损伤风险的研究[J].中国运动医学杂志，2017，36（5）：410?415.

GAO Xiaolin， XU Hui， HUANG Peng， et al. Assessing sports injury risks of Chinese rugby athletes using functional movement screen [J]. Chinese journal of sports medicine， 2017， 36（5）： 410?415.endprint

[2] 张锐，高守东.身体功能训练对网球专项学生功能动作筛查（FMS）和运动损伤率的影响[J].安徽体育科技，2016，37（2）：78?81.

ZHANG Rui， GAO Shoudong. Effect of body function training on students′ professional tennis function screening and sports injury rate [J]. Journal of Anhui sports science， 2016， 37（2）： 78?81.

[3] 邢聪，吴瑛，项贤林.美国运动损伤前沿研究热点与内容分析：基于科学知识图谱的可视化研究[J].体育科学，2016，36（9）：66?72.

XING Cong， WU Ying， XIANG Xianlin. Analysis on the latest hotspot and content about America sports injury?based on visualization research of scientific knowledge map [J]. China sport science， 2016， 36（9）： 66?72.

[4] 劉少华，崔岩，董欣荣，等.左卡尼丁对抗大鼠力竭运动损伤及保护肾脏的作用与机制[J].滨州医学院学报，2016，39（3）：176?179.

LIU Shaohua， CUI Yan， DONG Xinrong， et al. Effects of L?carnitine on resistant sport fatigue and attenuate exercise?induced renal injury [J]. Journal of Binzhou Medical University， 39（3）： 176?179.

[5] 张丹妮，陈乐琴，张一民.中老年人健身损伤风险发生的体质因素探析[J].南京体育学院学报（自然科学版），2016，15（1）：50?55.

ZHANG Danni， CHEN Leqin， ZHANG Yimin. Exploration on physical factors of middle?aged and elderly fitness sports injury risk [J]. Journal of Nanjing Institute of Physical Education （Natural science）， 2016， 15（1）： 50?55.

[6] 琚安康，郭渊博，朱泰铭.基于开源工具集的大数据网络安全态势感知及预警架构[J].计算机科学，2017，44（5）：125?131.

JU Ankang， GUO Yuanbo， ZHU Taiming. Framework for big data network security situational awareness and threat warning based on open source toolset [J]. Computer science， 2017， 44（5）： 125?131.

[7] 江勇，周汉香，李朝前.大数据网络环境下的科技期刊作者队伍建设[J].湖北工业职业技术学院学报，2017，30（4）：96?99.

JIANG Yong， ZHOU Hanxiang， LI Chaoqian. Construction of scientific journals′ author team under big data network environment [J]. Journal of Hubei Industrial Polytechnic， 2017， 30（4）： 96?99.

[8] 张思，刘清堂，雷诗捷，等.网络学习空间中学习者学习投入的研究：网络学习行为的大数据分析[J].中国电化教育，2017，21（4）：24?30.

ZHANG Si， LIU Qingtang， LEI Shijie， et al. Study of learners′ engagement in online learning space?big data analytics of e?learning behavior [J]. China educational technology， 2017（4）： 24?30.

[9] 王春雨，黄维肖，袁义厘，等.失禁性皮炎皮肤损伤评估量表的汉化及信度、效度评价[J].中国护理管理，2016，16（3）：337?340.

WANG Chunyu， HUANG Weixiao， YUAN Yili， et al. Reliability and validity of the Chinese version of the incontinence?associated dermatitis and its severity instrument [J]. Chinese nursing management， 2016， 16（3）： 337?340.

[10] 鲍玉冬，杨闯，赵彦玲，等.基于碰撞变形能的机械采收蓝莓果实碰撞损伤评估[J].农业工程学报，2017，33（16）：283?292.

BAO Yudong， YANG Chuang， ZHAO Yanling， et al. Collision injury assessment of mechanical harvesting blueberry fruit based on collision deformation energy [J]. Transactions of the Chinese society of agricultural engineering， 2017， 33（16）： 283?292.

[11] KUMAR A， BARO O， HARINARAYAN N H. Obtaining the surface PGA from site response analyses based on globally recorded ground motions and matching with the codal values [J]. Natural hazards， 2016， 81（1）： 543?572.endprint