深度学习方法在运动健康领域的应用
Application of Deep Learning Methods in Sports and Health Field
DOI: 10.12677/AAM.2023.127331, PDF,  被引量    国家科技经费支持
作者: 宋 凯：青岛大学数学与统计学院，山东 青岛
关键词: 神经网络；运动；健康；异常行为；竞技体育；Neural Network； Sports； Healthy； Abnormal Behavior； Competitive Sports
摘要: 深度学习技术作为机器学习领域的一个重要分支，已经被广泛应用于各个学科领域。“运动健康”是一个多学科交叉融合的研究领域，随着测量技术的发展和进步，所产生的数据量越来越大，为此部分学者将深度学习技术引入运动健康领域的研究中，取得了一系列的研究成果。针对人工智能方法在运动健康领域的应用进行了综述，系统总结了以人工神经网络为基础的人工智能方法以及机器学习相关方法在运动损伤的预测、人体异常行为的检测、竞技体育及运动健康预测等方面的应用，最后，分别从模型的泛化能力、新技术和人工智能新方法的应用等方面对运动健康领域未来的发展进行了展望。
Abstract: Deep learning technology, as an important branch of machine learning, has been widely applied in various disciplinary fields. “Sports and health” are research fields that integrate multiple disci-plines. With the development and progress of measurement technology, the amount of data gener-ated is increasing. Therefore, some scholars have introduced deep learning technology into the field of sports and health and achieved a series of research results. This paper summarizes the applica-tion of artificial intelligence methods in the field of sports health, and systematically summarizes the application of artificial intelligence methods based on artificial neural network and machine learning related methods in sports injury prediction, detection of abnormal human behavior, com-petitive sports application and sports health prediction. Finally, the future development of sports health is prospected from the aspects of the generalization ability of the model, the application of new technologies and new methods of artificial intelligence.
文章引用：宋凯. 深度学习方法在运动健康领域的应用[J]. 应用数学进展, 2023, 12(7): 3327-3337. https://doi.org/10.12677/AAM.2023.127331

参考文献

[1] 谷松. 体育运动促进青少年心理健康素质发展的心理机制[J]. 吉林体育学院学报, 2020, 36(2): 16-24.
[2] 马爱民, 颜军, 傅建, 何勇, 龚江泳. 体育锻炼促进心理健康的心理机制研究[J]. 唐山师范学院学报, 2018, 40(6): 103-108.
[3] 马伟龙. 运动促进人体健康的生理机制研究综述: 基于BDNF的视角[J]. 体育科技文献通报, 2021, 29(7): 188-190.
[4] 麻晓鸽, 崔丽萍, 陈叶坪. 健康教育与有氧运动对女大学生亚健康生理生化因子的影响[C]//中国健康教育与健康促进大会. 中国生理学会第十届全国生理学教学研讨会论文集. 2012: 395-398.
[5] 张丽军. 大数据时代运动健康教育模块化体系的建构[J]. 体育成人教育学刊, 2021, 37(4): 51-58.
[6] 李扬, 秦磊, 谢邦昌. 中国人的运动健康大数据[J]. 中国统计, 2017(7): 14-15.
[7] 孟现录, 兰李淋. 基于大数据背景的学生体质健康信息管理研究[J]. 运动-休闲: 大众体育, 2022(20): 3.
[8] 李芳霞. 浅谈关于大数据在运动及健康领域的应用研究[J]. 百科论坛电子杂志, 2020(11): 922-923.
[9] 田子彬. 大数据背景下国民体质健康监测促进民众健身机理研究[J]. 当代体育科技, 2021, 11(36): 215-217.
[10] McCulloch, W.S. and Pitts, W. (1943) A Logical Calculus of the Ideas Immanent in Nervous Activity. The Bulletin of Mathematical Biophysics, 5, 115-133. [Google Scholar] [CrossRef] 
[11] Rosenblatt, F. (1958) The Perceptron: A Probabilistic Model for Infor-mation Storage and Organization in the Brain. Psychological Review, 65, 386-408. [Google Scholar] [CrossRef] [PubMed]
[12] Werbos, P. (1974) Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. Ph.D. Thesis, Committee on Applied Mathematics, Harvard University, Cam-bridge.
[13] Wang, T., Wen, C.-K., Wang, H., Gao, F., Jiang, T. and Jin, S. (2017) Deep Learning for Wireless Physical Layer: Opportunities and Challenges. China Communications, 14, 92-111. [Google Scholar] [CrossRef] 
[14] 卢宏涛, 张秦川. 深度卷积神经网络在计算机视觉中的应用研究综述[J]. 数据采集与处理, 2016, 31(1): 1-17.
[15] 周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[J]. 计算机学报, 2017, 40(6): 1229-1251.
[16] Fukushima, K. (1980) Neocognitron: A Self-Organizing Neural Network Model for a Mechanism of Pattern Recognition Unaffected by Shift in Position. Biological Cybernetics, 36, 193-202. [Google Scholar] [CrossRef] 
[17] LeCun, Y., Bottou, L., Bengio, Y. and Haffner, P. (1998) Gradi-ent-Based Learning Applied to Document Recognition. Proceedings of the IEEE, 86, 2278-2324. [Google Scholar] [CrossRef] 
[18] Hinton, G.E., Osindero, S. and Teh, Y.-W. (2006) A Fast Learning Algo-rithm for Deep Belief Nets. Neural Computation, 18, 1527-1554. [Google Scholar] [CrossRef] [PubMed]
[19] Silver, D., Huang, A., Maddison, C.J., Guez, A., Sifre, L., Van Den Driessche, G., Schrittwieser, J., Antonoglou, I., Panneershelvam, V. and Lanctot, M. (2016) Mastering the Game of Go with Deep Neural Networks and Tree Search. Nature, 529, 484-489. [Google Scholar] [CrossRef] [PubMed]
[20] Silver, D., Schrittwieser, J., Simonyan, K., Antonoglou, I., Huang, A., Guez, A., Hubert, T., Baker, L., Lai, M. and Bolton, A. (2017) Mastering the Game of Go without Human Knowledge. Nature, 550, 354-359. [Google Scholar] [CrossRef] [PubMed]
[21] Bengio, Y., Courville, A. and Vincent, P. (2013) Representation Learning: A Review and New Perspectives. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35, 1798-1828. [Google Scholar] [CrossRef] 
[22] Kingma, D.P. and Welling, M. (2013) Auto-Encoding Variational Bayes.
[23] Seyfioğlu, M.S., Özbayoğlu, A.M. and Gürbüz, S.Z. (2018) Deep Convolutional Autoencoder for Ra-dar-Based Classification of Similar Aided and Unaided Human Activities. IEEE Transactions on Aerospace and Elec-tronic Systems, 54, 1709-1723. [Google Scholar] [CrossRef] 
[24] Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A. and Bengio, Y. (2020) Generative Adversarial Net-works. Communications of the ACM, 63, 139-144. [Google Scholar] [CrossRef] 
[25] Yang, S., Lee, F., Miao, R., Cai, J., Chen, L., Yao, W., Kotani, K. and Chen, Q. (2020) RS-CapsNet: An Advanced Capsule Network. IEEE Ac-cess, 8, 85007-85018. [Google Scholar] [CrossRef] 
[26] Baek, J., Lee, B., Kwon, S. and Yoon, S. (2018) LncRNAnet: Long Non-Coding RNA Identification Using Deep Learning. Bioinformatics, 34, 3889-3897. [Google Scholar] [CrossRef] [PubMed]
[27] He, Y., Shen, Z., Zhang, Q., Wang, S. and Huang, D.-S. (2021) A Survey on Deep Learning in DNA/RNA Motif Mining. Briefings in Bioinformatics, 22, bbaa229. [Google Scholar] [CrossRef] [PubMed]
[28] Ren, J., Song, K., Deng, C., Ahlgren, N.A., Fuhrman, J.A., Li, Y., Xie, X., Poplin, R. and Sun, F. (2020) Identifying Viruses from Metagenomic Data Using Deep Learning. Quantitative Biol-ogy, 8, 64-77. [Google Scholar] [CrossRef] [PubMed]
[29] Jiang, D., Sun, B., Su, S.J., et al. (2020) Feature Fusion Methods in Deep-Learning Generic Object Detection: A Survey. 2020 IEEE 9th Joint International Information Technology and Artificial Intelligence Conference (ITAIC), Chongqing, 11-13 December 2020, 431-437. [Google Scholar] [CrossRef] 
[30] Simonyan, K. and Zisserman, A. (2014) Very Deep Convolutional Networks for Large-Scale Image Recognition.
[31] 张宾, 武斌, 周晶, 李慧超, 王帅. 探究人工智能时代背景下自然语言处理技术的发展应用[J]. 科技风, 2020(23): 84.
[32] Yang, Z., Dai, Z., Yang, Y., Carbonell, J., Salakhutdinov, R.R. and Le, Q.V. (2019) Xlnet: Generalized Autoregressive Pretraining for Language Understanding. Proceedings of the 33rd International Conference on Neural Information Processing Systems, Vancouver, 8-14 Decem-ber 2019, 5753-5763.
[33] 钟亚平, 刘鹏. 基于RBF神经网络算法的田径运动损伤预警模型研究[J]. 计算机应用与软件, 2014, 31(6): 48-51.
[34] Song, H. and Montenegro-Marin, C.E. (2021) Secure Prediction and Assessment of Sports Injuries Using Deep Learning Based Convolutional Neural Network. Journal of Ambient Intelligence and Hu-manized Computing, 12, 3399-3410. [Google Scholar] [CrossRef] 
[35] 陈吉鑫. 基于MEMS惯性传感器的可穿戴式跌倒检测系统研究[D]: [硕士学位论文]. 成都: 西南交通大学, 2018.
[36] Bagala, F., Becker, C., Cappello, A., Chiari, L., Aminian, K., Hausdorff, J.M., Zijlstra, W. and Klenk, J. (2012) Evaluation of Accelerometer-Based Fall Detection Algorithms on Real-World Falls. PLOS ONE, 7, e37062. [Google Scholar] [CrossRef] [PubMed]
[37] Aziz, O., Musngi, M., Park, E.J., Mori, G. and Robinovitch, S.N. (2017) A Comparison of Accuracy of Fall Detection Algorithms (Threshold-Based vs. Machine Learning) Using Waist-Mounted Tri-Axial Accelerometer Signals from a Comprehensive Set of Falls and Non-Fall Trials. Medical & Bi-ological Engineering & Computing, 55, 45-55. [Google Scholar] [CrossRef] [PubMed]
[38] 袁国良, 樊肖爽. 机器学习辅助IMU人体跌倒状态识别[J]. 单片机与嵌入式系统应用, 2018, 18(6): 25-28, 41.
[39] 裴利然, 姜萍萍, 颜国正. 基于支持向量机的跌倒检测算法研究[J]. 光学精密工程, 2017, 25(1): 182-187.
[40] 白勇, 孙晓雯, 秦防, 孙子文. 基于SVD特征降维和支持向量机的跌倒检测算法[J]. 计算机应用与软件, 2017, 34(1): 247-251.
[41] 马娟娟, 潘泉, 梁彦, 胡劲文, 赵春晖, 王华夏. 基于深度优先随机森林分类器的目标检测[J]. 中国惯性技术学报, 2018, 26(4): 518-523.
[42] 曹荟强, 林仲志, 吴水才. 基于隐马尔可夫模型的老年人跌倒行为检测方法研究[J]. 中国生物医学工程学报, 2017, 36(2): 165-171.
[43] 刘鹤飞. 隐马尔可夫多元线性回归模型及其贝叶斯估计[J]. 统计与决策, 2019(6): 21-24.
[44] 刘勃, 孔韦韦, 肖家钦, 王明伟. 基于RBF神经网络的跌倒检测算法[J]. 计算机技术与发展, 2022, 32(6): 167-172, 178.
[45] 王晓雷, 李栋豪, 郑晓婉, 娄泰山, 丁国强, 焦玉召, 赵红梅. 基于RBF神经网络的跌倒检测算法研究[J]. 电子测量与仪器学报, 2019, 33(11): 185-191.
[46] 张正红, 刘志兰. 刘翔分段成绩与专项成绩的灰色关联综合分析及模式化训练途径[J]. 武汉体育学院学报, 2008, 42(4): 90-92.
[47] 赵永寿. 关于构建铅球运动员成绩的人工神经网络预测模型的研究[J]. 北京体育大学学报, 2006, 29(4): 486-488.
[48] 陈海英, 郭巧, 徐力. 基于神经网络的人体100 m跑运动能力综合评价[J]. 中国体育科技, 2003, 39(2): 1-3.
[49] 肖毅, 张辉. 中国乒乓球队奥运攻关研究报告——基于人工神经网络的乒乓球比赛诊断模型研究[J]. 体育科研, 2008, 29(6): 19-22.
[50] 宋爱玲, 刘静, 李征, 陈锴. 基于BP神经网络的高水平女子100 m栏专项成绩预测模型[J]. 首都体育学院学报, 2012, 24(3): 265-267.
[51] 钟武, 唐岳年. 铅球运动员专项成绩的神经网络预测模型的构建[J]. 西安体育学院学报, 2005, 22(3): 78-81.
[52] 刘爱东, 张兵, 王惠君, 赵丽云, 苏畅, 于冬梅, 翟凤英. 1997-2009年中国九省区成人体质指数分布及变化趋势研究[J]. 中国健康教育, 2011, 27(3): 167-170.
[53] 马蕾. 基于心律特征提取和卷积神经网络的运动健康分析算法[J]. 系统仿真技术, 2021, 17(4): 265-269.
[54] 刘秀玲, 杨国杰, 王洪瑞, 杜欢平, 郭磊. 动态生理信息融合在人体健康评价系统的应用[J]. 计算机工程与应用, 2010, 46(16): 226-228.
[55] 罗潇. 人工智能对增强学生体质健康的促进作用[J]. 新体育∙运动与科技, 2021(5): 30-34.
[56] 曲东才. 增强神经网络辨识模型泛化能力的研究[J]. 海军航空工程学院学报, 2007, 22(1): 109-113.
[57] 武妍, 张立明. 神经网络的泛化能力与结构优化算法研究[J]. 计算机应用研究, 2002, 19(6): 21-25, 84.
[58] 黎浩, 张良, 李筱烨, 刘思雨, 王婧琪, 张雯. 基于物联网技术的团队运动体能检测评估系统的设计与实现[J]. 网络安全技术与应用, 2021(3): 44-46.
[59] 封顺天. 可穿戴设备发展现状及趋势[J]. 信息通信技术, 2014, 8(3): 52-57.
[60] 温煦, 袁冰, 李华, 周厚栋. 论智能可穿戴设备在我国体力活动大数据分析中的应用[J]. 中国体育科技, 2017, 53(2): 80-87.
[61] 李彦冬, 郝宗波, 雷航. 卷积神经网络研究综述[J]. 计算机应用, 2016, 36(9): 2508-2515.
[62] 朱小燕, 王昱, 徐伟. 基于循环神经网络的语音识别模型[J]. 计算机学报, 2001, 24(2): 213-218.
[63] 张华赢, 吴显, 游奕弘. 基于循环神经网络的配电网非线性负荷建模[J]. 电网与清洁能源, 2022, 38(2): 53-60.
[64] 冯文刚. 基于深度长短记忆模型的民航安保事件分析[J]. 中国安全科学学报, 2021, 31(9): 1-7.
[65] 李滨, 王靖德, 梁水莹, 韦昌福. 基于长短期记忆循环神经网络的AGC实时控制策略[J]. 电力自动化设备, 2022, 42(3): 128-134.

为你推荐