自行车运动员训练负荷预测模型研究及应用

李富玉

【摘  要】自行车运动员的训练负荷能力和其身体机能状态有着复杂的关系，为了挖掘其中的数据关联，从而指导自行车运动的科学训练及人才培养，本文借助国家自行车队积累的数据进行研究，提出了自行车运动员训练负荷预测模型，并将预测模型应用在“自行车队训练分析系统”中。这对于提高我国自行车运动的竞技水平和运动员训练效果有着重要意义。

【关键词】自行车运动员;训练;负荷预测;模型;应用

1自行车运动训练分析的研究现状

目前自行车运动训练分析主要是研究某一专项技术在自行车比赛中的作用，以及提高竞技水平的训练方法和训练手段。有研究通过对公路自行车项目特征、制胜因素、制胜能力及其相互关系的研究，主要得到了以下结论：长距离公路自行车运动项目是以有氧供能为主的，运动员通过踏蹬自行车产生移动速度进行竞争的周期性竞速运动项目;根据自行车运动的特点，应从肌肉工作、器械以及竞技能力三个角度认识与把握公路自行车赛的项目特征。还有人员研究了山东省男子公路自行车队运动员在长期运动训练以后身体机能变化的规律，提出了训练的小循环适当延长、增加冬训期及赛前的训练强度的建议。

2影响训练负荷的因素

在对运动员训练负荷预测的过程中，选取对训练负荷有影响的因素不仅要合理而且还要有代表性，结合实验数据的特点，本文根据自行车国家队教练的建议选取了25个对训练负荷有影响的因素：1）运动员的身高、体重、年龄、性别、体质指数。2）功能阈值功率（FTP）。自行车训练中的FTP是指在1小时内用尽全力且稳定的骑行中所得到的最大平均功率。3）最大摄氧量。最大摄氧量是反应运动员有氧能力的重要指标。4）平均踏频和最高踏频。踏频是在自行车领域非常关键却又容易被忽略的指标，指的是单侧曲柄每分钟转动的圈数，它是骑行效率的基本保证，合理的踏频能够有效的使用身体机能，防止肌肉和膝关节损伤，提高骑行效率。5）平均功率和最高功率。功率对于自行车训练来说是十分明确的强度指标，它直接反映出了运动员目前所输出的力量，能够有效监控运动强度。功率反映出了运动员实际踩踏出来的力量大小，并不像心率只是一个生理指标。两者之间最大的差异就在于一个是“实际表现”，另外一个是“生理反应”。6）生理生化指标。数据中有很多生理生化数据，其中包含了血常规、血糖肌酐、肝功能、尿常规、睾酮测定等几大项，而每一项分别又包含数十项检测指标。如果把所有指标都作为输入，模型的计算量会剧增，而且并不是所有指标都对负荷结果有较大影响，本文根据专家的建议和参考他人的研究，在生理生化数据中选取了白细胞数、血红蛋白、血小板、红细胞数、尿素氮、肌酸激酶、睾酮、血氧饱和度、尿PH值、尿蛋白、尿胆原和尿胆素。7）参加训练的项目和训练量。

3分析IAGABP算法在训练负荷预测中的应用

3.1神经网络模型的选择

神经网络模型种类繁多，每一种神经网络模型有各自适合的应用场景，有的适用于图像处理领域，有的适用于特征识别领域，有的适用于数据分类领域。目前应用广泛的神经网络模型有感知器神经网络、反馈神经网络、BP神经网络、径向基神经网络等。感知器神经网络的传递函数是线性阈值单元，适用于简单的模式分类问题，并且模型实现比较简单，只能解决线性可分的问题，因此该模型不适合用来对训练负荷的预测。反馈神经网络的神经元在向前传递信息时还要向后传递信息，需要经过工作一段时间才能达到稳定状态，在解决相同精度问题时反馈神经网络的结构要比前馈型神经网络复杂。径向基神经网络（RBF）和BP神经网络都是前馈型神经网络，在解决类似的非线性问题时它们可以相互代替，但是它们之间存在两点区别：1）虽然RBF的泛化能力优于BP神经网络，但是在解决同样误差精度要求的问题中BP神经网络的结构更简单。2）RBF的全局搜索能力強，但是BP神经网络可以使用遗传算法优化的方法在一定程度上解决易陷入局部极小值的问题。在选择神经网络模型对运动员训练负荷预测中，选择合适的模型需要考虑以下两点：1）运动员训练负荷预测是一个多因素的预测问题，需要先对数据进行非线性拟合。2）该预测模型需要在应用系统中使用，网络模型不能太复杂。综合对多种神经网络模型的对比以及以上两点需求，本文最终确定使用BP神经网络作为运动员训练负荷的基本算法。

3.2BP神经网络结构及参数设计

为了建立运动员训练负荷预测模型，首先要确定好BP神经网络的结构及参数设计。它的设计主要包括网络层数、神经元个数、数据集处理以及初始权值和阈值的选取等几个方面，本文的预测模型网络结构如图1所示。

3.3改进自适应遗传算法对BP神经网络的优化

对BP神经网络的优化一般有三种：针对初始权值和阈值的优化、针对网络拓扑结构的优化和针对网络学习参数的优化。本章使用改进的自适应遗传算法优化BP神经网络的具体方法如下，其中自适应遗传算法的选择操作一般选择轮盘赌的方式，而本文提出了一种简单有效的选择算子。改进选择算子的操作步骤如下：（1）初始化一个种群，按照适应度从小到大的顺序对种群内个体排序;（2）把排好顺序的个体均分成4段，4段种群的质量从前到后依次变高，对每一段按照0.4、0.6、0.8、1的比例进行选择。（3）将上一步选出的个体组成新的种群，新种群的数量会因为按比例选取有所减少，从第4段的最优个体中随机选取个体补充到新种群内，使新种群个体数量保持不变。4）交叉和变异算子自适应遗传算法通过种群的交叉和变异操作产生新个体，在交叉、变异的过程中根据交叉率和变异率选择操作的个体，为了构造适应度值更高的个体，个体适应度越小，交叉、变异的概率就越大，适应度越大的个体相反。

3.4算法描述及分析

基于改进自适应遗传算法优化的BP神经网络算法IAGABP，分为遗传算法部分和BP神经网络部分。在遗传算法部分，先使用实数编码的方式随机产生N个染色体，组成算法的初始种群，然后不断进行遗传操作，提高种群的整体适应度，直到种群进化达到指定代数时算法终止。BP神经网络部分首先要确定网络结构和其他参数，然后将遗传算法部分得到的最优个体拆解成一组BP神经网络连接权值和阈值作为BP神经网络的初始权值和阈值，通过误差反向传播的方式不断调节权值和阈值，直到网络输出误差达到终止条件，得到最终的BP神经网络模型。

4结束语

自行车国家队积累了多年训练、比赛的数据，从这些数据中找出运动员训练负荷能力和身体机能状态之间的关系对提高自行车队训练效果有着重要意义。本文借助自行车国家队的数据进行研究，提出了一种自行车运动员训练负荷预测模型。尽管本文中运动员训练负荷预测模型的准确率达到了可用的水平，系统的开发也已经初步完成，可以完成用户目前的使用需求，但是由于时间有限和本人能力有限，课题还存在不完善的地方，需要在以后进行改进。

参考文献：

[1]李雪强.公路自行车男子有氧耐力训练手段的优选及应用效果研究[D].西安体育学院，2017.

（作者单位：山东省射击自行车运动管理中心）