竞技网球运动的数据化应用分析

韩振民 王凯南

(1.天津师范大学 体育学院,天津 300387；2.天津市卓群中学,天津 300221)

随着互联网技术日新月异，数据化设备得到快速发展，数据产品在大型赛事中的应用成为潮流。ATP网球赛事组委会聘请数据公司IBM为网球比赛进行数据统计分析，收集网球比赛过程中数据信息，分析比赛的关键制胜因素、得失分区间分布等，构建运动员技战术对比分析模型等；数据统计与处理可以很好地帮助教练员制定科学合理的训练计划和训练实施方案、比赛的战术安排、赛后机体的机能恢复等；比赛中技战术数据统计呈现，可以清晰地了解运动员在比赛中每一项技术的运用状况，提高观众对赛事和运动员的关注度，增强赛事的观赏性和娱乐性。本文拟从数据衍生产品——鹰眼与传感器的应用、击球线路和落点的三维呈现、数据追踪、赛事数据统计等方面，阐述大数据在网球竞技赛事中的应用，为赛事数据化应用研究提供理论参考。

1 大数据的基本概念分析

大数据在竞技体育中的应用颇为广泛，涉及训练、比赛、恢复、营养、赛事信息传播、运动员个人信息与数据传播、竞技情报工作等多个方向，对大数据基本概念的界定多种多样。文献资料显示：第一种观点以数据的本质特点为研究目标，认为数据是无法在可容忍的时间内用传统信息技术和软硬件工具对其进行感知、获取、管理、处理和服务的数据集介[1]；第二种观点以数据衍生品-电子媒介为研究主体，将大数据定义为与海量数据相关的技术创新与发展[2]；第三种观点囊括了数据与数据的处理，认为大数据是通过搜集互联网、移动互联网、物联网、云计算等现代网络渠道产生的海量数据资源，并对这些数据进行存储、提炼、智能化处理最终展示、利用的信息化[3]。大数据的信息收集、处理、分析、应用等决定了大数据的本质特征和结构。对大数据的本质和特征的阐述主要来源引用自国际数据公司(IDC)的“大数据”报告，IDC站在数据科学的角度，将大数据特征归纳为数据规模大(Volume)，数据多样化(Variety)，数据收集和处理速度快(Velocity)，数据的价值密度低(Value)[4]。

2 大数据在竞技网球中的应用

2.1 数据化衍生产品——鹰眼系统

2.1.1 鹰眼系统数据理论原理分析

科技的发展和运动员训练水平的提高，促使网球击打速度超出了人类肉眼对球落点判断和跟踪的极限，为保证比赛的公平性，提高裁判判罚的精准度，霍金斯设计了基于Lab-View平台的鹰眼系统(即时回放系统)。鹰眼系统是将8-10台摄像机运用量子粒子群优化算法(QPSO)将网球场以毫米为单位测量，通过量子粒子群优化方程计算，进一步优化计算出摄像机标定位置，全方位、多角度捕捉网球运动的数据信息，运用MatLab系统对图像进行数据可视化分析和计算、三维匹配，从投影点的像素出发，结合摄像机的内外参数，求取网球运动的三维坐标点，运用最小二乘法、各种优化准则、以及代数几何方法进行三维点重建[5]。然后采用高斯拟合成像技术获取网球飞行轨迹，完成网球运动虚拟场景的搭建，以虚拟动画的形式将网球的运动轨迹与落点清晰的呈现出来(如图2、图3)[6]。鹰眼系统的植入为裁判的公正执裁提供了有效的保障，但在大满贯赛事中规定每一盘比赛中运动员有3次挑战鹰眼的机会，这样既增加了判罚的公正性，又不失比赛的原有意义。鹰眼系统的工作流程如下:

图1 鹰眼系统流程

图2 鹰眼系统显示结果

2.1.2 数据追踪

鹰眼系统对数据的捕捉不仅仅只是帮助裁判精确执裁，还可以追踪运动员的动作轨迹，帮助运动员精细技术动作，使击球更加科学合理；监测击球位移速度和球的旋转速度，以数据信息对比形式出现在电视转播屏幕和比赛现场的大屏幕上，增加比赛的观赏性。

以运动员动作轨迹、击球速度、旋转等为计量单位的数据追踪通过高斯拟合、数据可视化呈现技术、虚拟影像模拟技术采集运动员击球挥拍的动作轨迹、击球区域、落点区间分布、得失分的区域分布；运用鹰眼追踪捕捉分析功能和拟合成像技术，追踪记录运动员分与分之间移动距离和速度、移动特点和手段、移动区域等，采集运动员的步法移动数据信息，分析运动员的移动效率、移动能力、防守能力、体能特点，帮助教练员制定有效的制胜战术和策略，为训练中的技战术改进和精细化提供数据支持，帮助教练员编排设计专项训练方法与手段。将运动员技术动作进行慢放、局部放大、技术动作轨迹线性追踪，甚至可以将几个动作进行叠加对比，帮助教练员和运动员分析和提高技术水平。

图3 击球线路的三维呈现

2.1.3 数据化衍生产品——传感器

MEMS传感器是建立在多学科交叉基础上，研发和设计的体积小、高灵敏、重量轻、低功耗的智能化、多样化的数据终端产品，例如:MEMS力学传感器、MEMS加速度传感器、MEMS陀螺仪(角速度传感器)、MEMS压力传感器等[7]。

大数据在竞技网球中的应用不仅仅局限在数据分析、预测结果，更能够通过媒介参与到竞赛与训练中。在网球场上，通过传感器，可以随时获取运动员在击球过程中击球与移动的运动学和动力学参数，测定挥拍过程中拍子的加速度以及速度变化和振动的力学参数，记录技术动作轨迹与描绘速度变化曲线，同时更为客观的评估运动员的各项参数指标，监控运动员的机能能力和负荷水平等，帮助运动员精细化比赛控制，为运动员定性和定量制定训练计划提供数据支撑。运用传感器对数据进行采集和分析，教练员和运动员可以实时掌握比赛信息与数据，为临场指挥和应对场上变化提供数据支撑；经数据分析运动员还可以了解自己特长技术和短板技术等技战术特点，为科学的训练安排和灵活的比赛战术制定提供数据参考。

2.2 竞技情报

《孙子·谋攻》说:“知己知彼，百战百胜；不知彼而知己，一胜一负；不知己，每战必殆。”[8]在运动竞赛中，透彻地了解对手及本方的具体概况，是制胜的先决条件[9]。在网球竞技中，为战胜对手，在运动训练、竞赛、教学、科研和组织管理等体育运动实践过程中，竟争主体为取得和保持自身竞争优势所进行的一切有关竞争对手、比赛环境、竞争策略和竞争态势的体育信息，经数据分析处理帮助教练团队制定比赛致胜战术与战略。宏观上网球竞争情报目标定位：比赛对手、比赛环境、竞争战略，微观上网球竞争情报目标定位：对手技战术特点、打法类型、特长技术、短板技术、常规战术和非常规战术(特定情境的应激战术)、体能状况、最近的竞技状态、比赛过程不同阶段心理变化、训练过程中方法手段的创新、技战术的发展走向、营养、训练强度、训练量、训练持续时长、训练中对抗强度与水平、恢复、伤病等。正所谓“知己知彼，方能百战”，因此搜集和追踪对手训练、竞赛、团队等信息，进行数据统计分析，制定制胜战术，最终获取比赛优胜。IBM等数据公司助力澳网、法网、温网、美网等大满贯赛事和ATP大师赛对运动员每一场、各轮次的技战术运用、技术特点、得失分的时空特征(得失分区域、得失分时长)、得失分的状况(受迫与非受迫失误、得失分技术)、击球控制区域、发球战术、发球速度、接发球战术、相持球战术、获取比赛胜利的关键技术、比赛失利的短板技术、移动区域范围、移动能力等对运动员的每一项技术都进行了详尽的统计和分析，为分析研究对手提供数据支持。

例如:莎拉波娃为再度战胜小威，团队搜集了小威10年来的比赛录像，并进行数据统计，深度分析小威的制胜手段、得分技术、战术运用等，挖掘小威比赛中的短板技术和劣势竞技能力。经IBM数据统计处理分析给出建议：小威习惯在右区一发发向外角、二发内角，针对小威的发球习惯建议莎娃在接发球时可以调整站位，建立进攻优势；在多拍回合中小威的跑动能力总是被低估，角度刁钻的击球往往能给小威创造更多的区域选择，建议莎娃以如何能让小威不停的制动、再起动的打法思想组织技战术，才能有更多的机会取胜[10]。

2.3 训练监控

运动训练是指有计划地提高和保持运动员的竞技能力的实践活动，竞技能力包括运动员的体能、技能、战术能力、智能与心理。训练监控是指对运动员竞技能力各组成要素在训练过程中进行有效的评估与掌控[11]。随着研究的深入以及竞技体育的发展，也将运动营养、训练恢复纳入到运动训练监控体系中。科学监控是为有效保持和提高运动员竞技能力，利用科技手段对训练学指标、生理学指标、生化指标、生物力学指标、心理学指标进行检测、分析、反馈、调整并实施科学控制的过程，那么数据在监控过程中起着非常重要的作用，教练员和运动员通过数据分析，了解运动员的现实状态，合理安排训练提高训练效率[12]。对运动训练过程时序监控主要从运动员状态诊断(运动成绩、竞技能力、训练负荷诊断等)、形态与素质指标监控(身体形态、皮脂厚度、力量、耐力、速度、柔韧、灵敏等指标的监控)、机能指标的监控(心率、血压、血红蛋白、血清睾酮和皮质醇、血清肌酸激酶、尿蛋白、最大摄氧量等指标的监控)、训练过程监控(训练时间、训练负荷、训练内容、信息反馈等监控指标)、训练后恢复(膳食搭配与营养补充、心率、血压以及其他生理生化指标的监控)、以及生物力学指标监控、心理学指标监控。通过对以上指标的监控，形成数据化信息，构建数据库，利用大数据、云计算技术，对比和监控运动员不同阶段、不同时期的训练状态与竞技能力，合理科学地安排训练，优化运动员的技术和心理，促进运动员竞技能力的稳定提高，为运动训练的科学化提供数据信息依据。

例如：基于运动训练冲量指标(RIMP指标)监控，将RIMP指标应用到运动员的训练中，采集和监控运动员的不同阶段内部负荷、强度区间和个体差异、心率、血乳酸、血清CK和BU、WBC、Omcga Wave、最大耗氧量、无氧功率等训练学、生理生化指标数据，结合专项技术、能量消耗、营养监控等，对数据进行分析处理，探索适合运动员的个性化训练监控模式，优化运动员专项技术，提高运动员竞技能力，加强训练监控和预防过度训练。美国网球一直长盛不衰，主要是由于训练的科学性，研训一体化，将数据化衍生产品三维加速度计、雷达枪、感应器、传感器等用于运动训练过程中，从训练、生理、生化、力学等方面进行监控，快速准确地掌握运动员的实时信息，以便对运动员和运动训练安排等作出调整，提高运动员的竞技能力。

将数据监控应用到运动员的技术动作精细化改进过程中，将运动员的单个技术动作进行三维影像解析，分析离散运动员的单项技术动作，采用逐幅解析，并将获取数据进行低通数字化滤波平滑处理，选取运动员在准备阶段、转身引拍阶段、蹬转击球阶段、击球随挥阶段中身体手臂持拍夹角、肘关节角、肩关节转动角、髋关节转动角、膝关节旋转角和膝关节角、踝关节角等运动学参数，虚拟数据演示所获取运动学参数，360°旋转观察，对比和参照几何学、生物力学指标曲线构建技术动作模型，诊断和分析、改进单项技术动作存在的问题，

2.4 技战术数据分析

IBM作为一家高科技公司参与网球赛事由来已久，且连续推出了Server Vitulization、SlamTracker、MatchTracker、Key to the Match、Content Analytics等系统，助力网球赛事，采集比赛中运动员各项技术数据参数、赛事追踪等[13]。

2.4.1 单项技术数据分析

击球效果取决于球的速度、旋转、落点、击球节奏等，现今网坛击球速度达到极致的情况下，运动员只能通过改变、增加球的旋转，控制球的落点，控制比赛节奏，那么旋转的重要性尤为突出。运用数字设备对运动员单项技术进行数据分析：当世界优秀运动员费德勒、纳达尔、索克分别对你击打出落点一致的球时，面对费德勒正手，你有1.09秒反应时；面对纳达尔正手，你只剩1.04秒反应；面对索克的正手，你的反应将接受极致考验：1.02秒[14]。从反应时间和表中数据显示：索克和纳达尔的平均击球速度为77英里，费德勒的平均击球速度为75英里，没有显著性差异；索克和纳达尔击球的旋转速度较为接近，索克为3397转，纳达尔为3371转，而费德勒的击球转速只有2925，存在显著性差异，说明在接索克和纳达尔的回击球时准备时间较费德勒要短，击球难度要大，因此根据数据分析在比赛中针对不同的竞争对手调整变换应对战术，有效规避对手强势技术，攻击弱势技术。

表1 正手数据对比

2.4.2 技术统计

根据网球项目特点和致胜规律，不同阶段统计指标测量值可以判断运动员该阶段的技战术运用能力、表现能力、体能水平、心理状态等竞技能力[15]。

表2 2017年澳网男单决赛费德勒对阵纳达尔的比赛数据统计

※注：表中F为费德勒缩写，N为纳达尔缩写。

2017年澳网男单决赛费德勒以6-4，3-6，6-1，3-6，6-3的比分战胜纳达尔，以大比分3：2的优势获得个人职业生涯第18个大满贯。数据表明：费德勒ACES球的数量明显优于纳达尔，表明费德勒在发球战术、发球速度、落点、旋转的控制方面优于纳达尔。在一发成功率上，前四盘的数据统计结果没有显著性差异，说明两名运动员的体能、心理状态，整体竞技能力较为稳定，第五盘费德勒的发球成功率只有52%，纳达尔为85%,表现出明显差异，表明经过长时间高强度比赛，费德勒体力有所下降，导致一发进球率偏低，但并不能说明纳达尔占据绝对优势，综合一发得分率，费德勒明显优于纳达尔，这是费德勒比赛获胜的关键致胜因素；对比费德勒与纳达尔第五盘的一发得分率和二发得分率可以看出，在体能有所下降的情况下费德勒依然表现出较高的得分和竞技能力，可以推断费德勒的发球战术运用明确、心理较为稳定。破发得分率、接发球得分率、制胜分的数据统计表明费德勒对关键分的把握和处理，战术运用和竞技心理表现要强于纳达尔。破发点获胜率差异性呈分散状态分布，说明两名运动员的竞技状态此起彼伏，表现出了最佳的竞技状态。综上所述，从数据分析可以准确把握运动员不同阶段的竞技能力表现与心理状态，数据呈现使运动员在比赛中的技战术运用一目了然，更加清晰准确地了解运动员的技战术特征，对阵时的战术运用与安排等，因此大数据的应用对技战术统计具有重要意义。

3 结束语

目前，大数据在竞技网球中的研究与应用的热点主要涉及数据化衍生产品、赛事数据统计分析、技战术深度解析的新范式、捕捉影响比赛结果的相关因素、赛事转播的多维呈现等。置身在大数据的变革浪潮中，大数据变革传统竞技网球运动的思维模式，加速竞技网球运动研究的多元化和深入化。因此我们应该积极、主动认知大数据的战略特征，以大数据为依托强化大数据的创新研究与应用，横向拓展、纵向深入地透视竞技网球运动，构筑大数据背景下竞技网球运动的项目核心竞争力，推动竞技网球本体和相关产业的发展，全面提高运动员竞技能力，处方化运动员的训练方案与战术战略，精细教练员的训练安排和临场指导，挖掘赛事的多元化呈现，推动竞技网球的综合发展。

参考文献：

[1] 李国杰,程学旗.大数据研究:未来科技及经济社会发展的重大战略领域——大数据的研究现状与科学思考[J].战略决策研究,2012(11):645-657.

[2] 蒋婷,祁兵.网球正手击球拍头速度与击球落点准确性关系的研究[J].北京体育大学学报，2016,39(6):37-39.

[3] 谢经良,孙晋海,曹莉.大数据时代我国体育产业发展的机遇、挑战与对策[J].上海体育学院学报，2015,39(4):39-40.

[4] Gantz J,Rcinscl D. Extracting value from chaos[R].lDC iview,2011:1-12.

[5] 刘剑秋.网球“鹰眼”系统原理初探[J].广播与电视技术,2012(10):22-24.

[6] 常超.基于Lab View平台的网球鹰眼系统[J].现代电子技术,2016(3):27-29.

[7] 胡璞,易名农,刘嘉.基于多传感器数据融合技术的水上训练监控系统的研制与应用[J].武汉体育学院学报,2015,49(3):96-100.

[8] 刘成，刘兰娟，司虎克.体育竞争情报分析要素和分析框架的理论与实证研究[J].西南师范人学学报(自然科学版),2014(2):120-126.

[9] 杨红英,杨海燕,王会寨.大数据时代我国体育科技竞争情报服务研究[J].山东体育科技,2015,37(1):35-37.

[10] 黄雅琪.网球赛事中IBM大数据分析技术运用的实例研究[D].北京:北京体育大学硕士学位论文，2016:15-17.

[11] 田野.优秀运动员运动训练科学监控与竞技状态调整[J].体育科学，2008,28(9):27-28.

[12] 杨伊里,程亮.网球项目专项训练监控研究综述[J].四川体育科学，2012(3):22-24.

[13] 马荣超.基于大数据背景下2015年美网男单决赛获胜因素的探析[J].湖北科技学院学报，2016,35(4):125-128.

[14] 好动网球.正手上选精解[EB/OL].http://sports.nxing.cn/others/7296901.html

[15] 王开永.李娜四次大满贯决赛之技战术运用特点及启示[J].广州体育学院学报，2016,36(1):78-82.