一种运动员运动损伤风险预警方法
【专利摘要】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。
【专利说明】—种运动员运动损伤风险预警方法
【技术领域】
[0001]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】
[0002]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 Basis Funct1n)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、系统辨认、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】
[0003]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。
[0004]本发明采用如下技术手段实现发明目的:
[0005]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:
[0006](I)运动损伤风险预警因子的分析；
[0007](2)提出田径运动损伤风险预警致伤因子动态链模型；
[0008](3)建立运动员风险预警数据库；
[0009](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；
[0010](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；
[0011](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；
[0012](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；
[0013](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;
[0014](9)基于简化的决策表构建RBF神经网络；
[0015](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；
[0016](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网络结构和连接权值，转步骤(10)；
[0017](12)利用测试样本数据，判断训练好的RBF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)；
[0018](13)保存训练好的RBF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。
[0019]作为对本技术方案的进一步限定，所述步骤(6)的SOM神经网络离散方法包括如下步骤:
[0020](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；
[0021](6.2)每一个连续的运动损伤致伤因子属性Bi (i = 1，2，…，I Cl)对应一个SOM网络，以下以一个属性的离散化为例说明，给定SOM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(?),MaHai)]区间内的随机值，确定学习率a (t)的初始值α (O)，a (t)应随t的增大缓慢减小，确定总的学习次数T ；
[0022](6.3)将属性Bi中的数值X输入到som网络；
[0023](6.4)计算输入数值X与连接权值wj之间的距离；
[0024]dj = (X-Wj)2, j = I, 2, 3 (公式 I)
[0025](6.5)选取使距离最小的神经元k做为获胜节点；
[0026](6.6)对获胜节点集的连接权值进行更新
[0027]Wj (t+1) = w (t)_a (t) (X-Wj) (公式 2)
[0028](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；
[0029](6.8)更新学习率:
【权利要求】
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。
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(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Bi (i = I, 2，…，I Cl)对应一个SOM网络，给定SOM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(aj, Maxfei)]区间内的随机值,确定学习率a⑴的初始值α (O), a (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)将属性中的数值X输入到som网络； (6.4)计算输入数值X与连接权值wj之间的距离； dj = (X-Wj)2, j = I, 2, 3 (公式 I) (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 Wj (t+1) = w(t)-a (t) (X-Wj) (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:
(6.9)令t = t+Ι,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网络输出层神经元个数调整为4，其余属性对应的SOM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。
3.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。
4.根据权利要求3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Cd ； (8.3)分明矩阵中所有取值为非0，I,的元素Cij,建立相应的逻辑表达式Lij,其中
1、j为分明矩阵的元素下标； (8.4)将所有的析取表达式Lu做合取运算，得到一个合取范式L，即
(8.5)将上述合取范式转换为析取范式的形式为L' = 丫h，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。
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(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η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:
其中j = {1,2, -,UjRj(X)为第j个隐节点对输出，X为网络的η维输入向量，(^_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 ^为第j个隐含层节点高斯函数的宽度，I Ix-CjI I表示输入向量与中心点之间的距离测度，网络输出定义为:
其中i = 1,2,…，m;yi为第i个输出层节点的输出，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: ^ ~
其中e,为误差，定义如下:
其中dq为样本XqK需类型的取值，在本项目中高等风险等级的样本对应的dq = 3。
6.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~(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 ^ (I)，每个类别输入一个样本，求取初始Wu (I)，设定容许误差ε , ε为一大于零的小量设定学习效率Il1 = n2 = n3 = 1/t，t为迭代循环变量，设定循环变量t初始为I，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)〈e，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
步骤五:更新新的网络参数Wlj (t+1)，Cj (t+1), σ」(?+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。
【文档编号】G06N3/02GK104200076SQ201410415296
【公开日】2014年12月10日 申请日期:2014年8月19日 优先权日:2014年8月19日
【发明者】钟亚平, 胡卫红, 刘鹏 申请人:钟亚平, 胡卫红, 刘鹏