長期超負(fù)荷運(yùn)動下人體特征部位損傷概率實(shí)驗(yàn)分析預(yù)測

1、長期超負(fù)荷運(yùn)動下人體特征部位損傷概率實(shí)驗(yàn)分析預(yù)測摘要：為了提高長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測能力，提出一種基于隨機(jī)概率分布模型的長 期超負(fù)荷運(yùn)動下人體特征部位損傷概率實(shí)驗(yàn)分析預(yù)測方法.對統(tǒng)計(jì)的長期超負(fù)荷運(yùn)動下人體特征部位損傷概 率先驗(yàn)信息進(jìn)行回歸分析模型構(gòu)建，采用描述性統(tǒng)計(jì)分析方法進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷概 率的樣本分析，在回歸分析模型中對長期超負(fù)荷運(yùn)動下人體特征部位損傷概率樣本序列進(jìn)行關(guān)聯(lián)特征分解, 結(jié)合隨機(jī)概率分布模型進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷的自動預(yù)測，采用支持向量機(jī)預(yù)測模型進(jìn) 行長期超負(fù)荷運(yùn)動下人體特征部位損傷概率的特征信息聚類和穩(wěn)健性檢驗(yàn)處理，實(shí)現(xiàn)長期

2、超負(fù)荷運(yùn)動下人 體特征部位損傷概率預(yù)測模型優(yōu)化.最后通過仿真實(shí)驗(yàn)進(jìn)行測試，結(jié)果表明，采用該模型進(jìn)行長期超負(fù)荷運(yùn)動 下人體特征部位損傷概率預(yù)測的精度較高，收斂性較好，提高了對長期超負(fù)荷運(yùn)動下人體特征部位損傷概率 的預(yù)測和決策能力.關(guān)鍵詞：長期超負(fù)荷運(yùn)動；人體；特征部位!損傷概率!預(yù)測在體育運(yùn)動訓(xùn)練中，人體的損傷是關(guān)系到運(yùn)動 員健康和身體機(jī)能的重要因素，需要對長期超負(fù)荷 運(yùn)動下人體特征部位損傷概率進(jìn)行有效預(yù)測，結(jié)合 預(yù)測結(jié)果進(jìn)行體育訓(xùn)練中的易損傷部位定位檢測. 根據(jù)損傷部位檢測和損傷概率預(yù)測結(jié)果實(shí)現(xiàn)長期 超負(fù)荷運(yùn)動下人體特征部位損傷概率分析，提高運(yùn) 動訓(xùn)練過程中的損傷診斷和預(yù)防能力，從而避免體 育

3、訓(xùn)練中的損傷，為體育訓(xùn)練中的損傷預(yù)防和救治 提供理論基礎(chǔ).研究長期超負(fù)荷運(yùn)動下人體特征部 位損傷概率預(yù)測方法在體育運(yùn)動和體育醫(yī)學(xué)中具 有很好的應(yīng)用價值對長期超負(fù)荷運(yùn)動下的人體特征部位損傷概 率進(jìn)行預(yù)測，能有效反映運(yùn)動員的生理狀態(tài)特征， 從而制訂科學(xué)的訓(xùn)練計(jì)劃，促進(jìn)更加合理化的運(yùn)動 方式的形成.傳統(tǒng)的人體特征部位損傷概率預(yù)測， 主要利用專家系統(tǒng)進(jìn)行預(yù)測，采用以人工神經(jīng)元網(wǎng) 絡(luò)預(yù)測體系為主、貝葉斯動態(tài)預(yù)測體系為輔的雙重 預(yù)測方法進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損 傷概率預(yù)測對長期超負(fù)荷運(yùn)動下人體特征部 位損傷的整體運(yùn)行狀態(tài)和變化趨勢作出判斷和預(yù) 警，結(jié)合總體狀態(tài)描述指標(biāo)進(jìn)行運(yùn)動損傷預(yù)測，提 高預(yù)測

4、效果，但上述傳統(tǒng)方法在進(jìn)行長期超負(fù)荷運(yùn) 動下人體特征部位損傷概率預(yù)測時，存在精度較低 和置信度不好的問題.對此，本文提出一種基于隨機(jī)概率分布模型的 長期超負(fù)荷運(yùn)動下人體特征部位損傷概率實(shí)驗(yàn)分 析預(yù)測方法.首先對長期超負(fù)荷運(yùn)動下人體特征部 位損傷概率先驗(yàn)信息進(jìn)行回歸分析模型構(gòu)建，采用 描述性統(tǒng)計(jì)分析方法進(jìn)行長期超負(fù)荷運(yùn)動下人體 特征部位損傷概率的樣本分析，然后在回歸分析模 型中對長期超負(fù)荷運(yùn)動下人體特征部位損傷概率 樣本序列進(jìn)行關(guān)聯(lián)特征分解.結(jié)合隨機(jī)概率分布 模型進(jìn)行長期超負(fù)荷運(yùn)動下人體特征部位損傷的 自動預(yù)測，采用支持向量機(jī)預(yù)測模型進(jìn)行長期超負(fù) 荷運(yùn)動下人體特征部位損傷概率的特征信息聚類 和穩(wěn)

5、健性檢驗(yàn)處理，實(shí)現(xiàn)長期超負(fù)荷運(yùn)動下人體特 征部位損傷概率預(yù)測模型優(yōu)化.最后進(jìn)行仿真實(shí)驗(yàn) 分析，展示了該方法在提高長期超負(fù)荷運(yùn)動下人體 特征部位損傷概率預(yù)測能力方面的優(yōu)越性.1長期超負(fù)荷運(yùn)動下人體特征部位損傷概率分析及關(guān)聯(lián)特征分解1長期超負(fù)荷運(yùn)動下人體特征部位損傷概1.1長期超負(fù)荷運(yùn)動下人體特征部位損傷概率分 析長期超負(fù)荷運(yùn)動下人體特征部位損傷概率數(shù) 據(jù)可以看作是一組概率分析樣本序列，采用概率分 析樣本序列分析方法分析長期超負(fù)荷運(yùn)動下人體 特征部位損傷概率分布，進(jìn)行長期超負(fù)荷運(yùn)動下人 體特征部位損傷概率的分析由，采用特征方程描述 長期超負(fù)荷運(yùn)動下人體特征部位損傷概率的擬合 狀態(tài)模型為：E .E

6、.1 &E(.2),，E(.B)(1)其中，0 p(a) ) , $ , V iUR1Si v 1 ；令xn+1 #xn (1 *)是一長期超負(fù)荷 運(yùn)動下人體特征部位損傷概率樣本序列模型的共 軛解，滿足初始值特征分解條件U u(t) ) u(t) X ,(6 ( ()(2)ckl (1 2 ,0-1) R 0 (k 2 3)當(dāng)q2 ,長期超負(fù)荷運(yùn)動下人體特征部位損 傷概率信息分布滿足Bernoulli空間的(2 + 1)維連 續(xù)特征分布,其中在持續(xù)時間內(nèi)運(yùn)動損傷預(yù)測的約 束條件為：*(3) ln=*(3)= 2-02!2(3)通過全局漸進(jìn)穩(wěn)定性特征分解,對長期超負(fù)荷 運(yùn)動下人體特征部位損傷概率

7、進(jìn)行分析,得到長 期超負(fù)荷運(yùn)動下人體特征部位損傷概率樣本序列 的因子主成分概率密度置信域?yàn)椋?(*i,i #k )Kirkk 1expKirkk 1exp2!#k為非線性成分的統(tǒng)計(jì)量,運(yùn)動損傷預(yù)測的約束 變量為：1Ck=(1Ck=(ln=* (0).0(j)k I k* (0)0(& j(& j)k 0(7)其中，*表示分類系數(shù).對得到的人體特征部位損傷概率的約束變量 分類結(jié)果進(jìn)一步深化處理,以判斷損傷概率樣本序 列是否具有可預(yù)測性.將長期超負(fù)荷運(yùn)動下人體 特征部位損傷概率序列特征值分解為多個數(shù)值7# , 得到損傷概率樣本序列滿足：I I(u*, D%u* )|； 0I Iucxnsc-1 C

8、 C(u。, s )I I -TIC XIIJC-1($)當(dāng)Sc 1時,可得到長期超負(fù)荷運(yùn)動下人體特 征部位損傷概率序列特征值,表明長期超負(fù)荷運(yùn)動 下人體特征部位損傷概率樣本序列具有可預(yù)測性, 得到人體特征部位損傷概率的分布特征信息集為:T(X)(9)Ed(ai) 1p(ai) 1og2p (.(9)6*(*)(10)(6*(*)(10)(11)s.t.(15)(17)akD (% )2k!* 一#k) +as)(21) 是一個具綜上，可以得到長期超負(fù)荷運(yùn)動下人體特征部 位損傷概率樣本序列關(guān)聯(lián)特征，可描述為：E(6 (*),6*(*)= 2 ( I u(x) |2 +1 | 2 ) + ! |

9、 6 (* ) I 662預(yù)測模型優(yōu)化2.1人體特征部位損傷的自動預(yù)測在對長期超負(fù)荷運(yùn)動下人體特征部位損傷概 率先驗(yàn)信息進(jìn)行回歸分析模型構(gòu)建的基礎(chǔ)上，進(jìn)行 人體特征部位損傷的自動預(yù)測模型的優(yōu)化設(shè)計(jì). 本文提出一種基于隨機(jī)概率分布模型的長期超負(fù) 荷運(yùn)動下人體特征部位損傷概率實(shí)驗(yàn)分析預(yù)測方 法，在Sobolev空間中構(gòu)建長期超負(fù)荷運(yùn)動下人體 特征部位損傷概率預(yù)測的回歸分析模型艾，長期超 負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測的控制目 標(biāo)函數(shù)為：max*a ,b ,d ,p* a ,b 5 , p Rp2 K+2 (S)，+ - B a-M5-Dp-S12)在Banach空間中，長期超負(fù)荷運(yùn)動下人體特

10、征部位損傷概率預(yù)測模型的連續(xù)函數(shù)為6：1 X IR5 + R，長期超負(fù)荷運(yùn)動下人體特征部位損傷 概率預(yù)測準(zhǔn)確性的置信度為：de*1% + de*2% (* 1 )*2)或(41 + c2%)e*(*1 =*2 = *)，在回歸 分析模型中對長期超負(fù)荷運(yùn)動下人體特征部位損 傷概率樣本序列進(jìn)行關(guān)聯(lián)特征分解，回歸分析模型 的特征分解值滿足：G (*1 ,*2 ,) g(,1 ,2 ,)+ j Y(*1 ,*2 ,) g y1,y2,i)*d6(13)/*( | * y | 2 + * | * y | 2)其中，：*1,*2,1,2 R，設(shè)* *是長期超負(fù)荷 運(yùn)動下人體特征部位損傷概率預(yù)測模型的向量解

11、 集*0中的一個權(quán)重貢獻(xiàn)點(diǎn)，損傷概率訓(xùn)練向量 模式：*(%) = (*0(t) ,*1(t) ,-,*k1(t)T(14)采用BPBP算法進(jìn)行信息融合，由一系列隨機(jī) 分布特征N (Bk,)產(chǎn)生的一組數(shù)據(jù)，構(gòu)建概率 分析樣本序列yk ,得到長期超負(fù)荷運(yùn)動下人體特 征部位損傷概率預(yù)測的輸出Lyapunov指數(shù)為：-CMw( Ci)POF= -三%M ( C)XDC (C)&i = 1Md( C,)=M( Ct) + M0( G)(16)式中，M(C,)為BP算法結(jié)構(gòu)的長期超負(fù)荷運(yùn)動 下人體特征部位損傷概率穩(wěn)態(tài)向量模型, C) =1,2,),)為預(yù)測信息的加載數(shù).當(dāng)長期超 負(fù)荷運(yùn)動下人體特征部位損傷

12、概率預(yù)測模型的融 合尺度滿足Duhamel公式：6%) = 2 (%)(60 , 61 ) + % =5 ( 16 %t)AtJo V其中，長期超負(fù)荷運(yùn)動下人體特征部位損傷概率 預(yù)測的尺度變換性表示為F(6)= | 6 |- !，采用邊 界條件約束方法，進(jìn)行長期超負(fù)荷運(yùn)動下人體特征 部位損傷概率實(shí)驗(yàn)分析.2.2損傷概率預(yù)測模型優(yōu)化根據(jù)Lyapunov Krasovskii泛函理論，對于 一個連續(xù)的長期超負(fù)荷運(yùn)動下人體特征部位損傷 概率樣本序列，經(jīng)驗(yàn)?zāi)B(tài)分解的遞歸計(jì)算表達(dá)式 為：KI *23 / %)=k = 1Lk = 1在長期超負(fù)荷運(yùn)動下人體特征部位損傷概率 數(shù)據(jù)的采樣間隔滿足灰色條件，長期

13、超負(fù)荷運(yùn)動下 人體特征部位損傷概率預(yù)測特征點(diǎn)的高階矩滿足 x =XT 2 0, Y=YT 2 0,那么有下列等式成立：0 = B 6T OX,】)7 B 6T OXqOTs=6T()乂61(%) B 6T()X61(%)dsj %一(19)0 = B 6T %()62 %()7 6T %)62 %)7= t?6T %)62 %) B6T %)62 %)TsJ %一！(20)長期超負(fù)荷運(yùn)動下人體特征部位損傷概率樣 本序列的主成分因子為：61(%) = %*T (%) * ( % 一62%) = %,t (z) ,t (z!)&t在回歸分析模型中，得到的,k(k 有可預(yù)測性的長期超負(fù)荷運(yùn)動下人體特

14、征部位損 傷概率樣本序列，采用定量遞歸分析方法進(jìn)行合 并，得到條件不等式：V%) 1 +2 TD12 +3 !名23!+(%) 9E(t, s )3 !名23!+(%) 9E(t, s )# 9#( t, s )7tIs ) 2 9*21 , s )ds(!統(tǒng)計(jì)得到長期超負(fù)荷運(yùn)動下人體特征部位損 傷概率數(shù)據(jù)信息流的單變量時間序列表示工, 其中長期超負(fù)荷運(yùn)動下人體特征部位損傷概率數(shù) 據(jù)采樣樣本長度為N,得到長期超負(fù)荷運(yùn)動下人 體特征部位損傷概率樣本時間序列組合排序的重 構(gòu)軌跡為：X=( s 1 , s 2 , , s K = (* , * n一 , * n一(m一1)(24)其中K =N (m

15、1),表示長期超負(fù)荷運(yùn) 動下人體特征部位損傷概率數(shù)據(jù)的嵌入維，對于長 期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測的判 別統(tǒng)計(jì)量X*-S,當(dāng)且僅當(dāng)存在一個弱非線性 可行解X - S ,使得所有不等式G)(X* )ft(X) 成立，當(dāng)預(yù)測問題X*為多目標(biāo)優(yōu)化問題，采用支 持向量機(jī)學(xué)習(xí)，得到長期超負(fù)荷運(yùn)動下人體特征部 位損傷概率預(yù)測的最優(yōu)值表述：Ssarm Behavior :)f (AN-/ Ji)(23)La圖1長期超負(fù)荷運(yùn)動下人體特征部位損傷概率統(tǒng)計(jì)的時域波形本文模型else goto search(25)根據(jù)上述描述，實(shí)現(xiàn)基于隨機(jī)概率分布模型的 長期超負(fù)荷運(yùn)動下人體特征部位損傷概率實(shí)驗(yàn)分 析預(yù)測

16、.3仿真實(shí)驗(yàn)分析為了測試本文方法在實(shí)現(xiàn)長期超負(fù)荷運(yùn)動下 人體特征部位損傷概率實(shí)驗(yàn)分析預(yù)測能力方面的 性能，進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)采用Matlab設(shè)計(jì)，長期 超負(fù)荷運(yùn)動下人體特征損傷檢測學(xué)習(xí)訓(xùn)練參數(shù)為 NE(* (t)=l+9e-#2- =12,數(shù)據(jù)采樣的時間間隔 為3 d,迭代次數(shù)為100次.根據(jù)上述仿真設(shè)定，進(jìn) 行長期超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測 模型設(shè)計(jì)，得到樣本數(shù)據(jù)時域波形描述如圖1所 示.以上述采集的長期超負(fù)荷運(yùn)動下人體特征部 位損傷概率統(tǒng)計(jì)樣本為測試集，進(jìn)行長期超負(fù)荷運(yùn) 動下人體特征部位損傷概率預(yù)測模型仿真分析，得 到不同方法的預(yù)測誤差對比結(jié)果如圖2所示.圖2預(yù)測誤差分析測試不同方法進(jìn)行預(yù)測的置信度，得到對比結(jié) 果見表1.表1置信度水平對比迭代次數(shù)本文方法文獻(xiàn)4文獻(xiàn)51000.8970.7320.6572000.9830.8760.8323000.9920.9210.893分析上述仿真結(jié)果得知，采用該模型進(jìn)行長期 超負(fù)荷運(yùn)動下人體特征部位損傷概率預(yù)測的精度 較高，收斂性較好，提高了對長期超負(fù)荷運(yùn)動下人 體特征部位損傷概率的預(yù)測和決策能力.4結(jié)語本文提出一種基于隨機(jī)概率分布模型的長期 超負(fù)荷運(yùn)動下人體特征部位損傷概率實(shí)驗(yàn)分析預(yù) 測方法.對統(tǒng)計(jì)的長期超負(fù)荷運(yùn)動下人體特征部位 損傷概率先驗(yàn)信息進(jìn)行回歸分析模型構(gòu)建，采用