基于赛场综合环境的击剑运动员中枢疲劳预测模型*

高洪杰，周文婷

(1.哈尔滨学院 体育学院,黑龙江 哈尔滨 150001；2.哈尔滨体育学院 运动科学与健康系,黑龙江 哈尔滨 150001)

基于赛场综合环境的击剑运动员中枢疲劳预测模型*

高洪杰1，周文婷2

(1.哈尔滨学院 体育学院,黑龙江 哈尔滨 150001；2.哈尔滨体育学院 运动科学与健康系,黑龙江 哈尔滨 150001)

中枢疲劳会严重影响运动员的竞技状态，而环境因素是影响运动员中枢疲劳的重要因素之一。由于中枢疲劳和环境因素对击剑运动员的影响更加突出，因此以中国国家击剑队运动员为研究对象，研究了击剑运动中环境因素与中枢疲劳的相关性，并基于ANN建立了在各种环境因素下运动员中枢疲劳通用预测模型和分组预测模型。实验表明，建立的击剑运动员中枢疲劳通用预测模型具有较好的性能，其预测结果与实际测量值的相关系数为0.68；针对不同运动员组别，建立的击剑运动员中枢疲劳分组预测模型具有更高的预测准确性，其预测结果与实际测量值的相关系数均高于0.70。

赛场；环境；击剑运动员；中枢疲劳；预测

运动性疲劳是运动过程中的常见现象，其发生机制主要包括外周机制和中枢机制。中枢疲劳是中枢的一种保护性抑制, 目的是防止机体发生过度的机能衰竭[1]。已知中枢疲劳可受多种因素影响并存在显著的个体差异[2-4]，环境则是其中主要因素之一[5]。研究发现，环境温度对运动员中枢疲劳的发生作用显著，且多种可明确导致中枢疲劳的神经递质，如5-羟色胺、多巴胺及去肾上腺素等，均与体温调节控制有关[6]。更有学者认为，运动介导的体温升高与中枢疲劳相关，脑部过热的热储存可能是中枢疲劳的基本因素[6]。虽然除环境温度外，目前尚无其他环境因素对中枢疲劳影响的相关研究，但有研究表明，环境声音可显著影响环境中个体的心理疲劳[5,7-9]，导致紧张、焦虑、烦躁等症状，引起个体不适反应，其他环境因素，如温度、湿度、照度等则可与环境声音协同发挥作用[10]。

击剑运动，作为机能主导类格斗对抗性项目，需要运动员注意力持续高度集中，时刻注意对方动作变化，揣摩对方意图，判断对方攻击方向，并根据赛场变化实时调整自己的战略、战术，及时制定相应的防守及进攻策略并付诸实施。由于在进行该项目时，技战术错综复杂，对抗激烈，运动员大脑皮层高度兴奋，精神持续高度紧张，因此，击剑运动员在训练和比赛过程中更容易出现中枢疲劳[11]，引起运动能力下降，而击剑运动员相对密封的比赛服装装备、紧张的赛程和复杂的比赛环境则可能诱发中枢疲劳和/或加剧其严重程度，故而，研究多种环境因素对运动员中枢疲劳的综合影响情况，并据此获得可预测中枢疲劳的模型，通过环境指标对运动员在不同环境下的中枢疲劳情况进行预测，进而调整相关环境指标以延缓中枢疲劳的出现和/或其严重程度，将可能为该项目教练员及运动员提高训练效果提供新的手段，并为更深入理解中枢疲劳的影响因素及机制提供参考。

当前，预测方法主要分为两类，一类是基于人工智能的预测方法，主要包括支持向量机、贝叶斯网络和人工神经网络(artificial neural network, ANN)等，一类是基于统计学的算法，如序列逻辑回归模型[12]。不同于以往的理论推导公式，ANN通过学习和分析大量已有的样例数据，能够隐式的“学习”输入对象与输出对象之间的映射关系，提供一种值为实数、离散值或向量的函数，并由这些“函数关系”预测未知结果[13]，对于某些类型的问题，如学习解释复杂的现实世界中的传感器数据，ANN是目前知道的最有效的学习方法，多项采用该技术建立的预测模型，其准确率都达到了70%以上[12-14]。特别是近年来，以ANN为基础的深度学习的蓬勃发展，使人工神经网络再一次地展示了其强大计算能力。考虑到本文样本数据量的限制，ANN就足以完成本文任务。为此，本研究以中国国家击剑队运动员为研究样本，以中国国家击剑队训练基地为环境数据采样地点，研究了赛场环境因素对击剑运动员中枢疲劳的影响情况，并首次基于ANN方法，建立了在不同环境因素影响下的击剑运动员中枢疲劳预测模型，旨在为其在将来的运动训练实践中应用提供参考。

1 实验对象和方法

1.1 实验对象

国家击剑队123名杰出运动员参与研究，并根据不同项目分为重剑组(42人，女21/男21)、花剑组(46人，女22/男24)和佩剑组(35人，女15/男20)。所有运动员均为健将以上级运动员，平均年龄和平均训练年限分别为25.3±10.2 yrs和15.6±8.7 yrs。

1.2 方法

运动员在训练、比赛过程中的中枢疲劳受多种因素影响。除可测量的赛场环境因素外，还与运动员的年龄、受训年限、竞技水平等个体差异有关。在相同的客观环境下，因不同运动员的环境适应能力、环境喜好不同，其中枢疲劳出现的时间和严重程度也不同。此外，即使同一个运动员在同一训练场地的相同环境下，其在不同时间的测试结果也可能不同，这与运动员当时的身体状态，精神状态等都密切相关。而运动员本身的这些状态因素在实际过程中往往难以测量，且实时动态变化。如何将这些个体独立、动态变化、难于测量、具有不确定性的运动员状态因素采集到我们的研究中，并与实际可测的客观环境数据一同作为预测模型的输入变量，从而使得我们的研究成果更加客观、全面、实际可用，是本文的一个难点。针对该问题，我们采用主观调查和客观测量相结合的方法来采集数据。将难于测量、动态变化的运动员状态数据采集转化成特定环境下运动员主观感受数据的采集，采用主观调查的方式，以运动员的主观感受间接反映运动员的各种身体状态、心里状态和精神状态。对实际的客观环境，则采用客观测量的方式进行数据采集。

数据采集之后，进行数据分析。对各种主、客观指标与运动员中枢疲劳的相关性进行检验，依一定的显著性水平去除与中枢疲劳不相关的变量。接下来，将处理后的数据作为ANN的输入数据，建立相应的预测模型。最后根据所得预测模型，对运动员个体进行实例分析，验证模型的有效性，研究具体流程见图1。

图1 击剑运动员中枢疲劳ANN模型构建及实例分析流程[15]

1.2.1 输入数据的采集

1.2.1.1 选址

在对杰出击剑运动员中枢疲劳评价数据进行采集时，选取了国家击剑队的主要训练场地，即中国国家击剑队北京老山击剑训练中心，见图2。

1.2.1.2 主观调查

各种影响因素与运动员在场地环境下主观感受间的关系研究采用调查问卷法，其中声环境主观感受包括声舒适度、主观响度、声喜好等指标，其他环境主观感受包括温度感受、湿度感受和亮度感受。具体的过程包括：问卷设计、信度与效度检验及正式调查。其中问卷设计参考[16]，以5位专家对问卷的效度进行检验，评价结果良好。以Cronbach α的信度计算方式获得环境因子信度α1=0.743，声音因子信度α2=0.875，满足信度的有效性及内在一致性标准[17,18]，符合问卷调查要求。正式调查以实地发放问卷结合访谈的形式进行，从2014年～2015年分四次开展(即2014年7月、10月、12月和2015年3月)，共对在北京老山击剑训练中心训练的杰出击剑运动员发放421份问卷，回收有效问卷398份，回收率94.5%。表1分别给出了4次调查的样本量情况。调查结果通过SPSS14.0软件录入和进行分类研究。

(a)花剑队训练场地

(b)佩剑队训练场地

(c)重剑队训练场地图2 北京老山击剑训练中心

样本量(份)

1.2.1.3 客观测量

在训练场地对可能影响中枢疲劳评价结果的多种客观指标进行测试，包括声压级、混响时间、温度、湿度及照度。声压级、混响时间及温、湿度测试及闪光融合频率测试参照[16]。测量的照度值为水平工作面照度，本研究中统一选取运动员手臂持剑的大约高度，即1.20m 作为水平工作面标准高度，在每记录一份问卷之后，对测量点水平工作面照度计量一次。

1.2.2 数据分析

鉴于与运动员中枢疲劳无关的输入数据会影响ANN模型的预测结果，因此在模型建立之前，我们首先需要分析整理出声音、使用者、空间和环境等影响因素与中枢疲劳的关系。在数据采集阶段，我们共采集到20个指标作为与运动员中枢疲劳相关的输入变量，问卷调查及测试获得的主、客观指标以平均值±标准差(x±s)的方式进行描述。通过采用Pearson/Spearman相关分析(双尾)，对主、客观指标与运动员中枢疲劳的相关性进行检验，对各指标在训练及检验组间的差异采用配对t检验(双尾)[19]。经过SPSS 14.0软件包统计分析，非常显著性水平与显著性水平分别定为0.01和0.05。在上述20个指标中，选出17个与击剑运动员的中枢疲劳显著相关的指标，作为我们模型建立的输入变量。表2给出了我们对输入数据的分析结果，其中A1、A3及A7，分别是3个与中枢疲劳不相关的指标，在接下来的模型构建中将不被纳入网络计算。

表2 影响运动员中枢疲劳的因素

*与**表示显著性水平，**P<0.01，*P<0.05。

2 结果与分析

2.1 ANN预测模型原理及工作流程

ANN由一系列简单的神经元相互链接构成。其中每一个神经元有一定数量的实值输入，并产生单一的实数值输出。一个神经元的输入可以是样本数据本身，也可以是其它神经元的输出。其输出既可以作为运算结果返回给用户，也可以作为其他神经元的输入[14]，原理见图3。

图3 标准的三层人工神经元结构原理图[15]

ANN在根据输入数据进行预测时，输入数据以向量的形式(x1，x2，xn)从最左边的输入层进入ANN，输入层的每一个节点对应一个输入属性值xi。然后，输入数据按照链接边上的权值wij进行加权求和，输入到隐藏层节点。其中，wij表示从第l层的节点j到第l+1层的节点i之间的权值。隐藏节点接收到所有数据的加权和后，采用某种激励函数f()对其进行运算，然后将运算结果输出。类似地，最后的输出层在接受到上一层输出的数据加权和后，采用某种激励函数f()对其进行运算，输出最终结果[14]。ANN这一计算过程可形式化地表示为：

其中，zi表示加权和，f表示激励函数，a表示经过激励函数运算后的输出。

2.2 击剑运动员中枢疲劳ANN模型的构建

ANN模型的预测准确度与多种因素有关。包括输入数据的预处理、隐藏层的个数、每层隐藏节点个数、权值的预设、网络训练次数、隐藏层结构和激励函数等。在本文的ANN模型构建过程中，我们全面考虑上述各种影响因素，以期构建具有最佳预测准确度的ANN模型。

在ANN模型设计过程中，首先需要考虑的是模型的结构复杂度，因为ANN的计算能力与其结构复杂度密切相关。模型越复杂的ANN，计算能力越强，其预测准确度也就越高。但是，复杂的模型结构需要大量的训练样本数据与之相匹配，否则就很容易出现过拟合现象，非但不能增加模型的预测准确度，反而会降低预测精度。研究已发现，在BP神经网络中，隐藏层的数量为1层或2层时就可以解决现有的各种分类问题[20, 21]，考虑到本研究所采集到的样本数据有限，为避免过拟合现象的发生，本文采用经典的三层ANN模型(如图3)，即一个输入层，一个隐藏层，一个输出层。输入层、隐藏层和输出层之间采用全链接的方式。此外，ANN模型的结构复杂度还涉及隐藏层节点的数目。考虑到本文的输入变量维数在12到15之间，因此为避免过多的隐藏层节点数目引起的过拟合现象，本文的隐藏层节点数目设计从5～35之间动态变化[22]。其余的，则按照不同的计算目标，输入层节点个数将保持和输入数据的属性维度相一致。输出层节点个数将与输出数据的属性维度保持一致。考虑到本文研究的环境变量、运动员主观感受变量与中枢疲劳之间存在明显的非线性关系，在本文的ANN模型设计中，我们的隐藏层和输出层节点的激励函数采用S型的Sigmoid函数。

在ANN模型训练过程中，采用固定迭代次数和交叉验证两种方式对ANN模型进行训练，并选择具有最佳预测准确率的模型参数作为最终的预测模型。根据现有的数据量，在固定迭代次数训练过程中，我们设定网络的训练次数为100～3000次之间[23]。数据集被分成训练集和测试集两组，其中80%的数据用于训练，而20%的数据用于测试。在交叉验证方式训练过程中，我们设定5折交叉验证。数据集被分成训练集、验证集和测试集三组，其中72%的数据用于训练，18%数据用于验证，10%数据用于测试。此外，为了使预测模型更加优化，在模型训练阶段，我们把模型计算出的预测结果与运动员中枢疲劳的实际评价结果相比较，分别考虑均方根误差和相关系数两种优化度量。

2.3 模型的实现与训练

按照上面的设计原则，我们在Matlab7下实现了本文设计的ANN模型。首先，固定网络训练的迭代次数，尝试不同的隐藏层节点数目，寻求其最优值。图4给出了当迭代次数为1000时，不同隐藏层节点数目下，模型输出的均方根误差和相关系数的变化情况。在这组实验中，我们分别考察了训练集和验证集两个不同数据集上的输出结果。从图4(a)中可以看到，当隐藏层节点数目从5到35之间变化时，模型输出的均方根误差在总体上随着节点数目的增多而降低，说明隐藏层节点数目的增多，增强了模型的计算能力，使得预测误差能够不断降低。但是，从图中还可以看到，当隐藏层节点数目增加到一定程度时，训练集上的预测误差不再降低，而是保持基本不变；而验证集上的预测误差非但没有降低，反而出现了略微的上升。这是因为在训练数据有限的情况下，一定数据量的隐藏层节点就可以很好的拟合给定的训练数据。

当节点数目到达一个最优值后再继续增加时，就会出现过拟合现象，这一点从验证集数据的输出结果上看得更清楚。图4(b)给出了以相关系数为优化度量时的模型试验结果，从中可以看到相似的结果，即随着隐藏层节点数目的增多，模型计算能力增强，拟合结果变好。即当隐藏节点数的从5增加到25时，检验组的相关系数从0.54增加到0.69；当节点数目到达最优值后，继续增加节点数目，拟合结果会变差。即当隐藏节点数的从25继续增加到35时，检验组的相关系数从0.64降低到0.60。通过这组实验可以确定，在现有的数据集下，最优的隐藏层节点数目为25。

(a)

(b)图4 3层结构ANN模型中训练及检验组的误差(a)与相关系数(b)

迭代次数是影响BP人工神经网络模型预测准确度的另一个重要参数。增加网络训练的迭代次数可减少网络的训练误差，但过多的迭代次数也会引起过拟合现象的发生。为确定合适的迭代次数对网络预测效果的影响，本组实验在固定隐藏层节点数目不变的情况下，分别研究了在训练迭代100次、200次、300次、400次、500次、600次、700次、800次、900次、1000次、2000次和3000次时，不同训练次数下ANN模型在训练集和验证集上的输出的均方根误差及相关系数。由图5(a)可见，在训练集上，模型输出的均方根误差随着迭代次数的增加而持续减小。但是在验证集上，模型的输出误差先随着迭代次数的增加而减小，当到达一个最小值之后，反而随着迭代次数的增加而增大，说明过多的迭代次数同样会导致模型的过拟合。这一点在图5(b)中看得更清楚。在图5(b)中，检验组的相关系数在训练次数为100时最低，仅为0.39，随着训练次数的增加，检验组的相关系数逐渐好转，并在训练次数增至400～800时达到0.67～0.69的较好水平。然而，当训练次数继续由900增加至3000的过程中，检验组的相关系数不再增加，而是从0.67逐渐降至0.58。这是因为网络的迭代次数过多，导致网络的“过拟合”，使其泛化能力降低，即网络从“灵活理解”变为“简单记忆”，使预测的准确率下降。通过这组实验，我们选定800次迭代作为ANN模型的最优训练次数用于模型构建。

(a)

(b)图5 不同训练次数下ANN模型中训练及检验组的误差(a)与相关系数(b)

由于ANN模型参数众多，其优化函数是一个复杂的，存在众多局部极小值的超曲面。因此，ANN的求解过程无法保证得到模型最优解，而是很可能陷入某一次优解。为了找到较好逼近全局最优解的局部次优解，人们尝试了许多办法。其中一类方法是采用不同的模型训练方式。但是所有这些模型训练方式都是“应用相关”的。对于不同的应用数据，不同的模型训练方法会表现出不同的性能。对于这一问题，Matlab的神经网络工具箱提供了多种函数来实现不同的模型训练。在本文ANN模型的具体构建过程中，我们考察了Levenberge-Marquardt训练函数(TRAINLM)、一步正切训练函数 (TRAINOSS)和Powelle-Beale 连接梯度训练函数(TRAINCGB)这3种经典的Matlab训练函数[24-26]。图6给出了在固定隐藏层节点数目为25，训练迭代次数为800次的情况下，分别采用这三种训练函数的实验结果。

由图可见，无论在训练集还是在验证集上，选用训练函数TRAINCGB时，模型的预测误差最小；而选用训练函数TRAINM时，模型的预测误差最大。从图6(b)中可以看到，采用TRAINCGB训练函数，ANN模型的输出结果在验证集上的相关系数为0.72，表现最好。因此，对于本文的研究对象，TRAINCGB训练函数表现出了更好的性能，在本文接下来的模型构建过程中，我们将采用TRAINCGB训练函数来构建我们的ANN预测模型。

(a)

(b)图6 不同训练函数下ANN模型中训练及检验组的误差(a)与相关系数(b)

为进一步提高网络性能，优化网络参数，我们基于上述实验结果，对比了固定训练次数和交叉验证两种网络训练方式。在该对比实验中，参数设置为上述实验结果的最优值，即两种方式的隐藏层节点数均设定为25，训练函数均采用TRAINCGB，固定训练次数方式的迭代次数为800次。表3给出了两种训练方式的实验结果，从中可以看出，对于测试集数据，交叉验证训练方式具有更小的均方根误差和更高的相关系数。因此，在本数据集上，交叉验证训练方式具有更好的预测效果。

表3 有/无验证测试下ANN模型中 训练及检验组的误差与相关系数

2.4 模型构建与预测

基于上述实验结果，本研究分别构建了可预测击剑运动员中枢疲劳的ANN通用模型和分组模型。通用模型G1选取数据采集的可能会影响击剑运动员中枢疲劳的全部20个主、客观指标为输入变量，通用模型G2选取经过数据分析后，对运动员中枢疲劳具有显著相关的17个主、客观指标为输入变量。考虑到运动员中枢疲劳受年龄、运动等级和训练年限影响较大，故本研究还据此构建了相应的分组模型。这些分组模型分别是依据年龄进行分组的A1、A2和A3三组模型，其中A1表示低龄组(<18 yrs组)、A2表示适龄组(18～27 yrs组)、A3表示熟龄组(> 28 yrs组)；依据运动等级进行分组的SG1和SG2两组模型，其中SG1表示健将组、SG2表示国际健将组；依据训练年限进行分组的TL1、TL2和TL3三组模型，其中TL1表示低年限组(<10 yrs组)、TL2表示中年限组(11～20 yrs组)、TL3表示高年限组(> 21 yrs组)。表4给出了构建上述各组模型所采用的输入变量和样本数。在数据采集时，部分受访者未填写某项数据，导致这部分原始数据的部分属性值缺失。由于ANN无法处理具有缺失值的输入数据，因此对于缺失部分属性值的原始数据，我们采用了直接删除的方式进行处理。表4的数据样本量是经过删除预处理后的实际建模样本数据量。

表4 各ANN模型的构建参数

在上述ANN通用模型和分组模型的构建过程中，对于每一组模型我们都进行了10轮训练。每轮训练均采用不同的网络初始化权值，最终取最好的结果作为模型构建参数。表5给出了最终的网络模型参数和预测结果。

从表5中可见，在两种通用ANN模型中，G1模型的预测结果与实际测试结果的相关系数仅为0.42，预测准确度并不理想。这是因为G1模型在构建过程中没有考察输入变量与输出变量的相关性，采用了全部的数据属性，致使与中枢疲劳相关性不大的三个变量参与了模型的计算，影响了模型最终的预测准确度。而G2模型的输入变量是在数据分析的基础上去除了与目标变量相关性不大的三个数据属性，所以其预测结果较G1明显好转，其相关系数为0.68。

在分组模型中，由于与中枢疲劳相关性不大的三个数据属性已经被剔除，且分组后的数据相当于被进一步的提纯，去除了噪声，因此，当将样本根据相应标准进行分组后，ANN年龄模型、ANN运动等级模型和ANN训练年限模型的各组模型预测结果均较好，相关系数均达到0.70以上。由此可见，分组模型的预测效果好于通用模型。

基于上述研究成果我们可知，G2模型作为击剑运动员中枢疲劳的通用预测模型具有更普遍的适用性和指导意义。在面对具体的运动员时，由于分组模型具有更高的预测准确性，因此可以给出更加具体，更加具有针对性的指导意见。

表5 各ANN预测模型的最优网络参数及其预测结果

3 结论

本文以中国国家击剑队运动员为研究对象，研究了赛场环境因素对运动员中枢疲劳的影响，并建立了基于ANN的运动员中枢疲劳预测模型。研究结果显示，本文给出的击剑运动员中枢疲劳通用预测模型G2的预测值与实际测试结果的相关系数为0.68，具有较好的预测性能。针对不同运动员组别，本文建立的击剑运动员中枢疲劳分组预测模型A1、A2、A3；SG1、SG2；及TL1、TL2、TL3具有更高的预测准确性，对运动员身体恢复、赛前选拔等应用具有更高的参考价值和指导意义。

[1] 李一华.运动性疲劳机理的探索[J]. 体育与科学, 1987(4):45-47

[2] Gandevia SC. Spinal and supraspinal factors in human muscle fatigue[J]. Physiol Rev, 2001(81): 1725-1789

[3] Vollestad NK. Measurement of human muscle fatigue[J]. J Neurosci Methods, 1997(74): 219-227

[4] Fitts RH. Effects of regular exercise training on skeletal muscle contractile function[J]. Am J Phys Med Rehabil,2003(82): 320-331

[5] Haeberle. J., Shahbeck N., Ibrahim K., et al. Glutamine supplementation in a child with inherited GS de?ciency improves the clinical status and partially corrects the peripheral and central amino acid imbalance[J]. Orphanet J Rare Dis,2012, 7(1): 48

[6] 张蕴坤. 运动性中枢疲劳的影响因素及其机制研究进展[J].体育科研，2013,34(3): 33～40

[7] 夏志.补充不同剂量支链氨基酸对小鼠运动能力影响的实验研究[D].武汉： 湖北大学(硕士论文),2007，7

[8] Kang J. Urban Sound Environment. Taylor & Francis incorporating Spon, London, 2004.73～76

[9]Zhang M and Kang J. Subjective evaluation of urban environment: a case study in Beijing. International Journal of Environment and Pollution, 2009.

[10] Guastayino C, Cheminée P. A psycholinguistic approach to the ecological validity of experimental settings[J]. Food quality and Preference. 2004(15): 884～886.

[11] 秦学林. 视觉闪光融合频率在击剑运动员机能评定中的应用研究[J]. 体育与科学, 2006,27(5): 78-80

[12]Brigitte SF, Bennett MB, Wade RB. Soundscape:An approach to rely on human perception and expertise in the post-modern community noise era[J]. Acoustics Today, 2007, 3(1): 7-16

[13] Qi Meng, Hong Jin, Jian Kang. Prediction of subjective loudness in underground shopping streets using artificial neural network[J]. Noise Control Engineering Journal, 2012, 60(3): 329-339

[14] 孟琪. 地下商业街的声景研究与预测[D]. 哈尔滨:哈尔滨工业大学(博士论文), 2010, 9

[15] 周文婷，孟琪. 运动员赛前心理调控的新策略——基于人工神经网络技术的比赛场地声景预测(综述)[J].哈尔滨体育学院学报，2015, 33(3)：15-21

[16] 周文婷，孟琪. 训练场地环境下杰出运动员中枢疲劳ANN预测模型的构建——以单板U型场地滑雪为例[J].哈尔滨体育学院学报，2015, 33(6)：8-14

[17] Soekisno Hadikoemoro. A Comparison of Public and Private University Students Expectations and Perceptions of Service Quality in Jakarta, Indonesia[M]. Nova Southeastern University. 2001.66

[18] 韩瑞峰, 李娟. 基于BP算子的自适应混合遗传算法研究[J].计算机工程与设计,2007, 28(3):651-652

[19] 张文彤. SPSS11统计分析教程(高级篇)[M].北京:北京希望电子出版社, 2002: 213

[20] Abbod MF, Cheng KY , Cui XR, et al. Ensembled neural networks for brain death prediction for patients with severe head injury[J]. Biomedical Signal Processing and Control.2011, 6: 414-421

[21] 王晓川, 郁磊, 史峰, 李洋. MATLAB神经网络43个案例分析[M].北京：北京航空航天出版社, 2013:1-5

[22] 魏海波. 基于BP神经网络的船舶柴油机氮氧化物排放预测[M].大连:大连海事大学硕士学位论文,2006: 40

[23] 李娟, 曾黄麟, 韩瑞峰.基于混合智能学习算法的函数优化研究[J].计算机测量与控制, 2007, 15(8):1067-1068

[24] Abbod MF, Cheng KY , Cui XR, et al. Ensembled neural networks for brain death prediction for patients with severe head injury[J]. Biomedical Signal Processing and Control, 2011(6): 414-421

[25] 魏海波. 基于BP神经网络的船舶柴油机氮氧化物排放预测[M].大连:大连海事大学硕士学位论文. 2006: 40

[26] Yu Lei. Soundscape Evaluation and ANN Modelling in Urban Open Spaces[M].PhD Thesis, University of Sheffield, UK, 2009.3

Central Fatigue Prediction Model of Fencing Athletes Based on Synthetic Circumstance

GAO Hong-jie1, ZHOU Wen-ting2

(1.Sport Department of Harbin University, Harbin 150001, China;2. Sports Science and Health Department of Harbin Institute of Physical Education, Harbin 150001, China)

Central fatigue affects the training effect of athletes, whereas environmental factor is one of the essential factors which affect the individual central fatigue of athletes. Since the influence of the central fatigue, as well as environmental factor on the elite fencers are especially significant, this paper took the fencers of the Chinese National team as objects, then researched on the correlation between the environmental factors and the central fatigue in fencing. Then based on the artificial neural networks, this paper presents the general models and the group models of individual central fatigue under different environmental factors. The results showed that the general models were established to predict the general situation of the individual central fatigue of Chinese elite fencers in the training field with the best generality for the ANN, and its prediction correlation coefficient between outputs and desired targets is approximately 0.64. The group models were established to predict the individual central fatigue of Chinese elite fencers in different group condition. It has good generality, with a higher correlation coefficient of over 0.70 between outputs and desired targets.

training field; environment; fencers; central fatigue; prediction

G

A

1007-323X(2017)01-0093-07

2016-12-06

高洪杰(1976-)，女，汉族，讲师，硕士

国家体育总局重点领域研究项目(2014B035)；黑龙江省青年科学基金项目( 编号:QC2013C020)

研究方向：体育教育训练学