基于知识图谱的体育人工智能研究分析

路来冰 王艳 马忆萌 许金富

摘    要：以Web of Science数据库1994年以来“体育” “锻炼” “运动”“机器学习” “深度学习” “计算机视觉”等关键词为主题的926篇文献为数据来源，利用“Cite Space V”软件进行可视化处理和分析，以知识图谱的方式梳理近25年的体育人工智能研究，探讨体育人工智能研究的进展和发展方向。认为：1）体育人工智能研究地区分布较广，美国处于世界领先水平，中国的研究质量有待提高。2）体育人工智能研究的高产作者与团队集中在美国高校，以开发与完善针对不同人群的，基于机器学习与深度学习技术的智能穿戴设备为主要研究方向。3）体育人工智能研究涉及到多个学科，主要运用和借鉴工程学、计算机科学和体育科学的研究方法和理论。4）体育人工智能研究的热点分为三大聚类群，具体是体质健康促进、运动损伤防控和运动能力提升。研究载体主要以基于IMU的智能穿戴设备和基于GPU的计算机视觉分析为主。研究算法从机器学习算法逐渐转向深度学习算法。

关键词：人工智能;体育;机器学习;计算机视觉;深度学习

中图分类号：G 80-3          学科代码：040303           文献标识码：A

Abstract： With the data source of 926 articles themed with keywords such as “physical education”， “exercise”， “sport”， “machine learning”， “deep learning” and“computer vision” in the Web of Science database since 1994， through visual processing and analysis with Cite Space V software， this paper analyzes the researches on the application of artificial intelligence technology in sports field in the past 25 years by means of knowledge graph ， and discusses the progress and development direction of sports artificial intelligence research. The conclusions are as follow： 1） Sports artificial intelligence research areas are widely distributed， with the United States in the worlds leading level， and Chinas research quality in need of improvement. 2） The prolific authors and teams of sports artificial intelligence research are mainly from universities in the US， with the development and improvement of intelligent wearable devices based on machine learning and deep learning technologies for different populations as their main research direction. 3） The research of sports artificial intelligence involves many disciplines， mainly using and drawing lessons from the research methods and theoretical perspectives of engineering， computer science and sports science. 4） The research hotspots of sports artificial intelligence are divided into three clustering groups， including “physical health promotion”， “prevention and control of sports injuries” and “improvement of sports ability”. The research carriers are IMU-based smart wearable devices and GPU-based computer vision analysis. The research algorithm gradually transforms from machine learning algorithm to deep learning algorithm.

Keywords：artificial intelligence; sports; machine learning; computer vision; deep learning

人工智能（Artificial Intelligence，簡称“AI”）是研究如何让机器做人类需要智能才能完成的事的一门学科[1]。人工智能经历了早期的博弈、专家系统等算法模型，已发展到了如今以机器学习与深度学习为主要的研究方向。现代人工智能技术的近期目标在于研究用机器来模仿和执行人脑的某些智力功能，而远期目标是用自动机模仿人类的思维活动和智力功能[2]。从2011年开始，人工智能技术进入到了迅猛发展期，当代人工智能的本质是让机器从数据中学习知识，而不是再对人类知识的复制，这一方法称为“机器学习”[3]，这是让计算机拥有自主学习的能力，而无须对其进行事无巨细的编程的方法[4]。其算法包括人工神经网络（ANN）、决策树、支持向量机（SVM）、K 近邻算法等。而深度学习则是机器学习的顶尖技术，也是其重要分支，正在成为当前人工智能各领域研究的最重要范式，也是当前人工智能产业化的主要驱动力量[5]。人工智能与体育的结合可以追溯到1959年，Newell、Simon与Shawn首次开发出了国际象棋博弈程序。到20世纪70年代，该程序已经达到了专家级别（人类棋手水平的前1%）。从1997年，“深蓝”（Deep Blue）的后继者“Deeper Blue”击败了国际象棋特级大师G.Kasparov，到2016年阿尔法围棋（AlphaGo）的无人能敌，机器学习的强大能力越来越受到世人瞩目。近年来，在大众健身、竞技体育等体育领域，人工智能技术起到了越来越重要的辅助作用。譬如基于计算机视觉技术的单一目标跟踪分析[6-9]和集体运动项目技战术分析预测系统[10-12]、技术动作学习与评测[13-16]和基于机器学习与深度学习的智能训练反馈系统[17-20]、运动营养配比分析[21-22]和身体疾病识别分析[23-24]、体育赛事成绩预测系统[25]、高效运动智能穿戴设备[26-27]等方面。

我国人工智能起步较晚，与美国等发达国家相比还有一定差距。我国的体育人工智能研究，主要学科集中在计算机科学，偏好基础理论的算法实证研究，主要涉及运用以神经网络为主的机器学习相关算法，涉及体育成绩预测[28-31]、人体动作识别与评价[32-37]、技战术决策支持[38-39]、运动损伤评估[40-41]等。在人工智能技术逐步由机器学习转向深度学习的趋势下，相比较国外体育人工智能研究，国内的研究面临着两大问题：1）基础算法研究过多，与具体体育项目结合的应用研究较少。2）在应用研究中主要以机器学习中的简单算法为主要工具，而更为精确的深度学习算法的实践研究不够深入。此外，由于人工智能定义涵盖面较广，对于什么技术属于人工智能，例如：VR（虚拟现实技术）归属的争论，国内的相关文献的定义也不尽一致。因此，厘清与掌握国际学界对于体育人工智能的研究范围和研究前沿，明晰人工智能在体育中应用的研究热点以及演进趋势，可以进一步丰富国内学者对人工智能技术的应用视野，借鉴国外高水平研究方法，发展适应我国体育发展现状的人工智能技术，使科技助力我国体育发展，早日实现我国由体育大国迈进体育强国的目标。

在研究方法选择中，若采用传统的阅读方式，过多的注重局部细节，工作量极大，还很可能会舍本逐末，以至于忽视全局的结构和动态。“Cite Space”通过计算机算法和交互式可视化将人们从一些费时的事情中解脱出来，可以把精力集中在更重要的分析问题、抽象与创造性思维上。此软件近十余年被各学科学者广泛采用，是目前最具影响力的可视化信息软件。本文采用“ Cite Space V”（5.6.R4.64-bit）可视化软件，以 Web of Science 数据库中收录的体育人工智能相关文献为研究对象，通过分析并绘制知识图谱，解读国外体育人工智能的应用研究发展脉络，为我国体育人工智能的应用研究提供参考。

1   研究方法：文献计量法

1.1  文献来源

本研究以Web of Science数据库的SCIE、SSCI和A﹠HCI为文献来源数据库进行检索。为全面概括人工智能在体育运动领域的研究状况，选择“Sports”“Exercise”与 “Physical activity”作为“体育与运动”的释义。人工智能的应用覆盖面较广，因此，单以“Artificial Intelligence”作为人工智能代表性检索词，无法全面反映体育领域的研究现状。2019年11月，由清华大学与中国工程院联合发布的《2019人工智能发展报告》遴选了13个人工智能重点应用领域，通过对报告的分析及前期的研究，筛选出了其中与体育运动结合较为紧密的机器学习、深度学习与计算机视觉领域进行重点分析，因此，增加“Machine Learning”“Deep Learning” 与“Computer Vision”作为共同主题检索词，高级检索式如表1，文献格式为Article，检索范围为所有年份，检索时间为2020年4月1日，共检索到初始文献1 170篇。通过“Endnote”软件去除重复文献，并剔除与主题不符的涉及基础医学、植物学、水利学、气象学等相关文献，最终得到926篇文献作为本研究基础。

1.2  分析工具

本研究的分析工具采用美国德雷塞尔大学陈超美博士研发的“Cite Space Ⅴ”软件（版本号为CiteSpace Ⅴ 5.6.R4.64-bit）。“Cite Space Ⅴ”软件是一种多元、分时、动态的应用程序和可视化软件。该软件在绘制各个科学领域的科学知识图谱、分析不同特征和类型的引文网络及识别和呈现科学发展新趋势与新动态等方面具有较强的技术和功能优势[42]。其可将庞大的数据绘制为图形或图像直观地呈现出来，进而可以了解研究对象的多个属性，使研究者能够在大量的数据中直接观察到其隐含的现象，直观地体现研究的重点，为研究决策提供依据[43]。

1.3  研究程序

使用“Cite Space Ⅴ”软件对体育人工智能相关研究进行可视化知识图谱分析，主要包括主题确定、数据准备、软件分析设置和可视化知识图谱分析4个部分。1）主题确定。本研究参考了国内多部著作和学术论文的翻译方式，同时咨询了多位体育科学领域及翻译领域的专家，结合本文的研究目的，经过多个检索主题词和检索表达式的反复组配检索之后，以（（“Sport”OR“Exercise”OR“Physical activity”）AND （“Artificial Intelligence” OR“Machine Learning” OR “Deep Learning” OR “Computer Vision” ））为检索主题词。 2）数据准备。将通过WOS数据库检索的1 170条文献导出到“Endnote”软件中，剔除重复的与体育学科不相关的文献，最终精选出926篇文献。3）软件分析设置。在926篇文献中，最早发表年份为1994年，因此，在“Cite Space”的时间设置为1994—2020年，时间切片为1年1段。在分析研究国家（地区）、作者与学科时，阈值项选择“TopN=50”，且算法不进行裁剪。在分析研究热点关键词时，阈值项选择“TopN%=50%”，算法选择“关键路径计算法”，并选取“整体网络剪枝”裁剪方式。4）可视化知识图谱分析。得到图谱后，可看到每个节点的多方面信息。此外，通过各个年轮的颜色可判断被引时间分布，聚类之间的知识流向也可从时间上看出。本研究数据收集、处理、分析技术路线见图1。

2   研究结果分析

2.1  体育人工智能研究的国家（地区）分布

通过“Cite space V”析出的共现网络图谱（见图2）可以看出，共有来自46个国家（地区）的文献涉及体育人工智能研究，但不同国家（地区）的发文量却差距很大，研究质量也参差不齐。其中，圆圈半径的大小、节点连接线条的粗细与发文量和关联紧密程度成正比。同时，圆圈最外层的圆环宽度越宽，其中心性越大。表2整理了发文量排在前10位的国家（地区）及对应的文献中心性值，从中可以看出美国在体育人工智能领域的研究处于世界领先水平。其中：来自美国纽约州立大学的特聘教授Haralick[44]在1994年回顾了基于专家系统的视频分析技术在人体识别领域的应用，并展望了人工智能技术的应用前景。华盛顿大学的Bobick教授为人体动作识别开辟了更为高效的机器学习算法[45]。除此之外，还有很多美国学者的研究在世界范围内被广泛采纳。其次，西班牙、英国、澳大利亚、加拿大、德国无论是发文量还是文献中心性都处于世界前8位的水平。我国虽然发文量高居第2位，但是文獻中心性仅排在第11位。在高被引论文中，仅有来自南京工业大学董晓臣教授[26]的团队上榜，他提出的基于过渡金属碳化物和碳纳米管复合材料的应变传感器为人体运动中智能可穿戴设备研制开拓了新的方向。

科技助力体育发展一直是我国体育领域研究的重点，以国际先进科技加快我国人工智能相关学科的建设，加快技术转型与硬件设备升级，以科学严谨的态度提高研究质量。同时，加强与国外学者的学术交流，重点拓宽具有体育科学背景学者的多学科研究视野，是我国体育人工智能研究发展的有效途径。

2.2  体育人工智能研究作者合作网络分析

对作者合作情况的分析是深刻把握某一学科研究领域及科研动态的前提，可以有效地掌握某领域科研的进程，对某研究主题的研究现状分析和前瞻性研究都有积极的意义[46]。表3中统计出了“Cite Space V”软件析出的体育人工智能研究发文量前10位的学者。并列第1位的是美国加州大学圣地亚哥分校公共卫生学院的Kerr教授与美国鲍尔州立大学运动科学学院的Montoye教授，发文量同为9篇。位列第3～5位的学者分别为密歇根州立大学的Pfeiffer教授、加州大学圣地亚哥分校的Godbole教授、德国纽伦堡大学的Eskofier教授，发文量分别为8篇、6篇、5篇。从表3可以看出，发文量前10位中有7位是美国学者，并以加州大学圣地亚哥分校为主要研究机构，这也从侧面反映出美国在体育人工智能研究方面较领先。

作者合作网络图谱如图3所示。其中，以加州大学圣地亚哥分校Kerr教授与Godbole教授为核心的研究团队，研究方向为运用基于随机森林和马尔可夫模型为主的机器学习算法，应用于人体可穿戴加速度计设备，用以监测与评价中老年妇女或肥胖人群的身体活动情况;以鲍尔州立大学Montoye教授为核心的团队主要采用基于ANN算法的人体加速度计，以健康成年人为研究对象，评估不同身体活动方式的运动强度;中山大学刘晔教授团队则开创性地将深度学习算法運用到居民体育活动意愿与社区环境相关性的研究中;巴塞罗那理工大学Martin教授团队的研究集中在运用基于SVM算法的腰部加速度计对运动能力退化人群的康复治疗。此外，发文量较少但也具有团队研究规模的还有匹斯堡大学的Connaboy教授团队，其致力于运用机器学习来预测健康人群的肌肉损伤风险研究。西班牙阿利坎特大学Martin教授团队聚焦于运用基于计算机视觉技术的机器人系统来监测和优化老年人群的认知和身体活动方式。可以看出，基于加速度计的智能可穿戴设备对人体运动方式的识别与能量消耗评估研究具有明显的优势，而这需要多学科的协同融合。

2.3  体育人工智能研究的学科（专业）分布

人工智能研究涉及到的学科非常广泛，例如：工程学、计算机科学、电子学、数学、医学、心理学等。在多学科交叉的背景下对体育人工智能进行综合研究已经成为趋势，学科共现网络图谱见图4。在合并重复学科聚类后，共有37个相关学科的专业涉及体育人工智能研究。表4整理了发文量排在前10位的学科（专业）及对应的文献中心性值。可以看出体育人工智能研究是以工程学为基础，结合计算机科学的相关算法，在体育科学中进行实践运用。

从图4和表4可以看出，计算机科学与工程学学科的文献在发文数量与文献中心性值均排在前两位。其中，两学科的发文量相差不大，但是涉及工程学研究的文献中心性要远高于计算机科学。说明体育人工智能研究虽结合了计算机科学的编程技术等相关理论知识，但重点采用工程学中的相关实践原理与实现平台，例如，惯性测量装置与图形处理器等。同时与多学科互通互融，以实现对人体运动的识别、监测、评判等功能。这点从各学科的代表性高被引文献也可以看出，在计算机科学的研究文献中，Bobick等在题为“The recognition of human movement using temporal templates”一文中开发出了更高效的计算机编程技术，并提出了一种基于时间模板和静态向量图像的计算机视觉算法，以实现对人体运动的精准识别[47]。在计算机科学的人工智能方向的文献中，Shepperd等通过比较4种预测算法：回归、规则归纳、K近邻算法和神经网络，提出针对不同大小、特征、数量、分布类型的人体动作数据集要选择合适算法[48]。在工程学的研究中，Mannini等[49]在题为“Machine Learning Methods for Classifying Human Physical Activity from On-Body Accelerometers”一文中讨论了如何使用加速度计来对人类的身体活动进行分类，并着重介绍了相关算法。Cleland等分析了放置在身体不同位置的加速度计对运动检测精度的影响，认为SVM算法可实现更为精准的检测[50]。在体育科学的研究中，Bassett等在“Accelerometer-based Physical Activity： Total Volume per Day and Standardized Measures”一文中综述了加速计在体力活动中的应用情况，认为机器学习算法的不断完善可以使人体活动类型识别和能量消耗估算精度更高，并建议在未来的智能设备研发中可以进一步丰富对体力消耗的评价指标[51]。除此之外，其他相关学科也进一步丰富了人工智能技术对不同人群的身体活动能力与生活方式影响的研究。综上所述，体育人工智能研究与理工类学科密不可分，并在体育学科中有着广阔的应用前景，更高效的人工智能算法与更高精尖的智能可穿戴设备影响着人工智能在体育领域未来的发展道路。

2.4  体育人工智能的应用研究热点

关键词是对文献主题的提炼，其在关键词聚类后出现的频次与研究主题的热度成正比[52]。“Cite Space”软件可以将关键词的聚类关系和频次高低以可视化的形式直观地呈现出来，进而析出此领域的研究热点。运行“Cite Space V”得出体育人工智能研究的关键词聚类图谱，聚类标签和关键词的标签位置以最小化重叠显示（见图5）。可以看出图5共有341个网络节点，703条连线，网络密度为 0.012 1，圆圈越大代表该节点的关键词出现的次数越多。模块度Q的值为 0.731 6，大于临界值 0.3，说明共词网络的聚类效果较好;平均轮廓值为 0.734 1，大于临界值 0.7，表明聚类结果令人信服。选取发文量大于20篇的关键词子聚类群，共有10个，并依据每个子聚类群的不同研究的应用方向和范围将其进行二次聚类，以此能反映人工智能在体育领域的3大应用方向，即聚类群Ⅰ：“体质健康促进”、聚类群Ⅱ：“运动损伤防控”、聚类群Ⅲ：“运动能力提升”（见表5），同时每个子聚类的单独轮廓值均大于0.7，说明子聚类结果令人信服。

2.4.1  聚类群Ⅰ：体质健康促进

此聚类群主要包括：#0“支持向量机”、#1“人工神经网络”、#2“模式识别”、#3“公共卫生”、#4“久坐”、#6“肌电图”。从图3的作者合作网络与图5的关键词聚类可分析出，基于人工智能技术的智能可穿戴设备是目前体育人工智能研究的热点领域之一。在体育领域，智能传感器比传统的视频分析设备功能更强，因为其通常是实时反馈[53]。在对不同人群体质健康的研究中，基于机器学习和深度学习算法的智能可穿戴设备，通过对不同体质的人群，包括儿童、青少年、成人的肌肉耐力和身体活动状态的识别、监测与分析，提出适合不同身体状况个体的锻炼方式，可以促进健康生活习惯的形成。从聚类群Ⅰ中各子聚类的代表性关键词可以看出，以SVM与ANN为主要代表算法，通过在手腕或腰部等不同身体部位佩戴智能可穿戴设备，测评肌肉活动情况，进行包括久坐行为的模式识别与检测，研究青少年、成人的身体活动类型与身体活动强度，这是目前在体质健康促进领域人工智能技术的应用热点。

惯性测量单元（IMU）是智能可穿戴加速度计的主要技术载体，通常一个IMU包括3个单轴的加速度计和3个单轴的陀螺，将机器学习算法与IMU载体结合可以有效地对人体运动模式与强度进行识别，兼顾了测量精度与穿戴便利性。在算法的可靠性方面，SVM和决策树在运动模式识别与强度预测中获得了相对最高的精度，而ANN、朴素贝叶斯分类等也产生了令人满意的结果[54]。Akay等[55]采用SVM算法，建立了大学生运动员腘绳肌和股四头肌肌力的预测模型并达到了较高的精准度。Altun等对8名健康成年人在身体不同位置佩戴IMU，证实SVM算法对动作识别的准确率达到98.6%[56]。与此同时，ANN技术应用于人体活动类型识别，也可以准确区分人体的日常活动类型和进行运动能耗监测[57]。基于ANN模型的IMU除了可以識别成年人久坐、轻度、中度和高强度的体育活动类型[58]，同样可用于预测儿童和青少年体力活动类型和能量消耗[59-60]，并且可以通过分析肌电数据来预测下肢力量，用以改善人体步态动作，作为评价运动成绩或康复情况的定量指标[61]。对于肥胖人群，基于深度学习算法的IMU也可以检测热量消耗，推荐适宜的体育运动以改善体质[62]（见图6）。

有研究认为，长时间的久坐行为增加了老年人的健康风险[64]。还有研究表明，久坐时间占据老年人日常生活的60%～85%，而且久坐行为随年龄增长呈上升趋势[65]。而结合机器学习与深度学习算法的惯性测量装置可有效监控老年人的行为方式并实施体力活动干预。高产学者Montoye教授团队建立了基于腕部加速度计监测数据的ANN模型来精准计算人体活动能量消耗情况，并提出了区分体力活动和久坐行为的测量方法[66]。Godbole教授团队通过运用基于IMU技术但更为便捷的Actigraph三轴加速度计，开发了针对老年人群步行和久坐行为识别的机器学习算法[67]。与此同时，深度学习算法中的卷积神经网络（CNN）对老年人运动模式识别具有更高的精度[68]。深度学习技术也可以通过监测老年人的身体各项指标，来评估健康状况以确保老年人独立生活的安全性[69]。此外，最新的研究将久坐行为的研究对象进一步扩展，例如职场人群、青少年学生等[70]。同时对长时间坐姿与久坐行为模式的划分更为细化，而未来加速度计与更加先进的人工智能算法的结合将进一步提高检测的精度。

久坐行为引起的体力活动不足是心血管疾病和其他慢性疾病的风险因素，例如：肥胖、糖尿病、高血压、骨质疏松、骨关节炎、癌症及抑郁症等，增加体力活动可以降低以上各种疾病发生的风险[71]。综上所述，对于各年龄段的人群，运用机器学习和深度学习算法，并结合以IMU技术为核心的智能可穿戴设备能很好地实现对活动方式识别与能量消耗的评估，培养健康的生活方式。相比于传统的视频识别，IMU有着更加高效的实时反馈性能。而结合SVM、ANN、CNN等算法模型，可使智能可穿戴设备具有媲美视频识别的预测精准度，而完善智能可穿戴设备中人工智能预测模型的泛化性能是未来研究的主要方向[72]。

2.4.2 聚类群Ⅱ：运动损伤防控

此聚类群主要包括：#5“远距医疗”、#7“损伤风险”。此聚类包括人工智能技术对老年人跌倒风险防控的研究，人工智能技术对健康人群与运动员的训练负荷监控、脑震荡评定、膝关节损伤检测、心脏缺陷检测、心理状态反馈等方向。

在#5聚类中，探讨了人工智能技术对老年人跌倒风险的检测与防控研究。老年人跌倒是主要的健康问题之一，严重的会导致后遗症甚至死亡。目前，人体跌倒风险检测技术大致可分为3类：人体可穿戴式传感器监测、基于环境布设传感器监测和基于计算机视觉的监测技术。而机器学习与深度学习技术也在不断提升监测的精确性，在跌倒风险检测识别中，SVM算法在8种机器学习算法中精度最高，可达95%[73]。应用于可穿戴式传感器中，多以多轴加速度计或气压传感器为主要载体，依据人体各部位的加速度、角速度或重心高低变化来判别跌倒风险[74-76]。在基于环境布设传感器的研究中，通过地面振动是检测跌倒风险的有效手段之一[77]。但由于可穿戴传感器与环境布局传感器具有检测精度低、携带不便、受环境影响较大的缺点，近年来，基于视觉传感器的人体跌到风险检测受到了广泛关注。Cucchiara等用事先校准好的摄像机获得人体姿势，提高了遮挡情况下进行人体跌倒风险检测的鲁棒性，而运用机器学习中的马尔科夫模型也可有效降低分类器的误检率[78]。此外，将改进的SVM算法运用到基于多个摄像机的人体3D模型构建对人体动作的分类也有很好的效果。有研究者提出了一套声学监测系统，运用SVM算法通过区分各种声音来进行人体跌倒风险的检测[79]。

在#7聚类的研究中，Zelic等在1997年就开始了人工智能技术在运动损伤诊断中的应用研究，提出朴素贝叶斯分类器可作为切合实际的应用方法[80]。随着研究不断深化，决策树分类器成为了目前使用最多的方法。其他方法还包括ANN、SVM等[81]。在实际应用方面主要涉及对运动损伤风险的预测、量化与模拟研究。机器学习技术可在不同训练负荷与比赛条件下建立与制定针对职业运动员尤其是团体性运动项目运动员的腿部拉伤、膝关节损伤与心脏缺陷的预测模型和检测手段[82-85]。可结合IMU技术量化运动碰撞中的接触面负荷[86]，监测头部运动荷载[87]，并可结合声学反馈功能降低头部损伤的风险[88]。同时，可精准地量化和预测运动员主观疲劳感（PRE）与运动负荷之间的关系，并形成科学运动训练处方[89]。此外，Pensgaard等采用朴素贝叶斯分类算法还发现女子足球运动员的负性生活事件压力感与急性运动损伤风险增加呈正相关[90]。目前，在足球、篮球、橄榄球、排球项目的运动损伤防控研究中，均有机器学习技术的运用实例。与此同时，对于普通人群，通过IMU与ANN模型的结合，也能够智能监测下肢训练疲劳程度，预防运动损伤[91]。

综上所述，对于老年人跌倒损伤检测与风险防控研究多以计算机视觉技术为主，分析精度与网络反馈速度的提升预测将是未来的发展方向。而在健康人群尤其是运动员的运动损伤防控研究中，人工智能技术未来的一个巨大挑战是应用相关智能模型整合所有相关变量进行运动损伤风险评估和绩效预测，开发更高效、简便、精准的基于机器学习与深度学习算法的IMU是需要学者共同关注的话题。

2.4.3 聚类群Ⅲ：运动能力提升

此聚类群包括：#8“表现分析”、#9“图形处理器”。研究方向包括针对个人运动项目与团队运动项目基于IMU的、与计算机视觉技术结合的体能与技战术分析与预测。

人类活动识别（HAR）可以通过机器学习或深度学习模型方法实现。动作检测的原理是指在连续的数据输入信号中识别目标实例，例如网球击球动作[92]。而动作的识别或分类涉及对识别实例的进一步解释和标记预测，例如：识别网球正、反手击球动作[93]。

运动表现分析主要涉及IMU对竞赛技战术的识别与分析。在机器学习算法选择中，SVM与ANN的精度较高[94]。在竞赛实战应用方面，结合机器算法的IMU可以收集与分析橄榄球运动员在比赛中的身体数据，提出针对每个赛场位置的最佳技战术方案[95];可分析板球投球手的助跑距离及速度与投球成功率的关系，并制定合理比赛方案[96];还可以对高尔夫球挥杆动作进行分析，提高击球精准度[97]。但近年来，深度学习算法进一步提高了IMU的检测精度，其特殊的非结构化数据模式较机器学习减少了计算时间[98]。其中，CNN因其具有深度结构的前馈神经网络成为了深度学习算法的代表性算法之一，具有较高的检测精度[99]。目前已被应用于团体性运动项目与个人运动项目，例如，排球[100]与跳台滑雪[101]可结合IMU实现对错误技术动作的识别与分类。而现如今CNN算法与更加便捷的智能传感器的结合，将进一步扩大深度学习算法在人体运动能力提升方面的应用范围[102]。预计未来的算法模型开发将逐步采用深度学习方法，这是由于其研发了更好的硬件，以及在大数据输入上具有更有效的模型学习的优势[103]。

在1995年，Lapham和Bartlett将人工智能技术中早期的专家系统模型应用于计算机对运动成绩的分析与预测研究中，并认为ANN将是未来的发展方向[104]。随着社会的发展，印证了两位学者预言的准确性。#9聚类主要涉及计算机视觉对人体动作识别的研究，使用图形处理器（GPU）对图像进行处理。GPU是超大规模集成电路元件，是计算机系统结构中的重要组成部分，能够实现浮点运算功能。应用方向主要为结合机器学习与深度学习技术的体育运动技战术分析和成绩预测。大多数基于视觉的研究选择RGB模式的单摄像机设置。从单个摄像机输出的数据与从多个摄像机输出的数据相比，最大限度地减少了要处理的数据量，减少了计算工作量。Stein等[105]提出了一种单摄像机模式下，视频与解析轨迹可视化相结合的团队运动数据可视化分析系统，可有效分析足球运动员的赛场数据。而通过建立ANN预测模型并结合单摄像机的视频跟踪系统已成功实现了对足球[12]、篮球[11]、板球[13]、手球[106]球员临场运动表现的分析与团队技战术模式的预测。

近年来，CNN在单幅图像的二维状态处理任务上具有性能优势。Andrej等[107]通过建立基于CNN图像识别模型对网络视频中487类人体动作进行识别，发现模型具有强大的识别功能和泛化性能。CNN还可以将连续视频处理成具有与任意事件对应的峰值信号，可对游泳和网球动作进行高效识别[108]。Krizhevsky教授团队开发出了一种规模更大的深度卷积的神经网络，由5个卷积层组成，可以将ImageNet LSVRC-2010图像分类比赛中的120万张高分辨率图像分为1 000个不同的类别[109]。在此基础上，有研究者还对CNN进行了模型和数据并行化，在4个GPU上实现了加速度的大幅提高，并验证了8个GPU模型的应用可行性[110]。

综上所述，IMU和计算机视觉在对人体技术动作具有很强的识别与分析功能，其中CNN算法在识别与预测精度上要优于机器学习算法。在未来针对不同运动项目的动态特征、设备限制和环境变化等不确定因素，对于更精准的机器学习与深度学习算法模型的应用将会是一个挑战。选择、调整和扩展与特定的体育运动项目相关的现有模型，建立更加灵活、高效的分析模型是未来重要的发展方向。

3 结论

1）在WOS数据库中，开展体育人工智能研究的国家（地区）中，美国处于世界领先水平。西班牙、加拿大、澳大利亚、英国的研究也有一定影响力。我国在发文量中排名第2，但文献中心性排在第11位，说明我国体育人工智能相关领域的研究还没有引起国外同行的充分关注，研究的质与量有待提高。

2）体育人工智能研究的高产作者与团队集中在美国高校，以开发针对不同人群的，基于机器学习与深度学习技术的智能可穿戴设备为主要研究方向。

3）体育人工智能技术研究主要涉及工程学、计算机科学、体育学等学科的相关理论与研究方法。概括来讲，体育人工智能技术是从计算机科学中“来”，在工程学中“蜕变”，应用到体育学中。

4）体育人工智能的应用研究热点分为3大聚类群，即体质健康促进研究、运动损伤防控研究、运动能力提升研究。研究载体主要以基于IMU的智能可穿戴设备和基于GPU的计算机視觉分析为主。研究算法从机器学习算法逐渐向深度学习算法转变。

5）体育人工智能的研究体现出从宏观研究到微观研究、从原理研究到实证研究、从定量研究到综合研究的发展脉络，且不同阶段的研究热点与侧重点各有不同。体育人工智能研究的未来趋势依然呈现出一种更加实证化、应用化的策略，通过不断完善与匹配，找到更加高效与实用的人工智能算法与模型，深入开发更加轻便与智能化的可穿戴设备与提高视觉分析系统的分析学习功能是未来研究的重要方向。

參考文献：

[1]  LUCCI S， KOPEE D. 人工智能[M]. 林赐，译. 北京：人民邮电出版社，2018：23.

[2]  蔡自兴. 中国人工智能40年[J]. 科技导报， 2016，34（15）：12.

[3]  王东，利节，许莎. 人工智能[M]. 北京：清华大学出版社，2019：105.

[4]  SAMUEL A L. Some studies in machine learning using the game of checkers[J]. IBM Journal of Research and Development，1959，3（3）：210.

[5]  李修全. 当前人工智能技术创新特征和演进趋势[J]. 智能系统学报，2020，15（2）：409.

[6]  PERS J， BON M， Kovai S， et al. Observation and analysis of large-scale human motion[J]. Human Movement  Science， 2002， 21（2）：295.

[7]  BARROS R M L， MENEZES R P， RUSSOMANNO T G， et al.Measuring handball players trajectories using an automatically trained boosting algorithm[J]. Computer Methods in Biomechanics and Biomedical Engineering， 2011， 14（1）：53.

[8]  LIU W， LIU J Y， GU X Y， et al. Deep learning based intelligent basketball arena with energy image[J]. Lecture Notes in Computer Science， 2017（10132）：601.

[9]  YUAN M. An analysis model of sports human body based on computer vision tracking technology[J]. National Technology and Management， 2017（4）：71.

[10]  HASSAN A， SCHRAPF N， TILP M. The prediction of action positions in team handball by non-linear hybrid neural networks[J]. International Journal of Performance Analysis in Sport，2017， 17（3）：293.

[11]  KEMPE M， GRUNZ A， MEMMENT D. Detecting tactical patterns in basketball： comparison of merge self-organising maps and dynamic controlled neural networks[J]. Eur J Sport Sci，2015，15（4）：249.

[12]  GRUNZ A， MEMMENT D， PERL J. Tactical pattern recognition in soccer games by means of special self-organizing maps[J]. Human Movement Science， 2012， 31（2）：334.

[13]  IYER S R， SHARDA R.Prediction of athletes performance using neural networks： An application in cricket team selection[J]. Expert Systems with Applications， 2009， 36（3）：5510.

[14]  EMMEN H H， WESSELING L G， BOOTSMA R J， et al. The effect of video-modelling and video-feedback on the learning of the tennis service by novices[J]. Journal of Sports Sciences，1985， 3（2）：127.

[15]  SANTOS O C. Training the body：the potential of AIED to support personalized motor skills learning[J]. International Journal of Artificial Intelligence in Education， 2016， 26（2）：730.

[16]  WHITESIDE D， REID M. Spatial characteristics of professional tennis serves with implications for serving aces：A machine learning approach[J]. Journal of Sports Sciences， 2017， 35（7）：648.

[17]  BACA A， KORNFEIEND P. Stability analysis of motion patterns in biathlon shooting[J].  Human Movement Science， 2012， 31（2）：295.

[18]  BACA A， KORNFEIEND P. Rapid feedback systems for elite sports training[J]. IEEE Pervasive Computing， 2006， 5（4）：70.

[19]  NOVATCHKOV H， BACA A. Artificial intelligence in sports on the example of weight training[J]. J Sports Sci Med，2013， 12（1）：27.

[20]  FISTER J. Generating the training plans based on existing sports activities using swarm intelligence[J]. Nature-Inspired Computing and Optimization， 2017（10）：79.

[21]  FISTER I， FISTER D， LJUBIC K，et al. Towards automatic food prediction during endurance sport competitions[C]. [S.I.]：IEEE， 2014：6.

[22]  SILVA B M， LOPS I M， RODRIGUES J J P， et al. Sapo fitness： a mobile health application for dietary evaluation[C].[S.I.]： IEEE， 2011：373.

[23]  CHANG A C. Primary prevention of sudden cardiac death of the young athlete： The controversy about the screening  electrocardiogram and its innovative artificial intelligence solution[J]. Pediatric Cardiology，2012， 33（3）：428.

[24]  KREPS G L， NEUHAUSER L. artificial intelligence and immediacy： Designing health communication to personally engage consumers and providers[J]. Patient Education and Counseling， 2013， 92（2）：205.

[25]  ROSENBERG L. Artificial swarm intelligence vs human experts[C]. [S.I.]： IEEE， 2016：2547.

[26]  CAI Y， SHEN J， GE G， et al. Stretchable Ti3C2TxMXene/carbon nanotube composite based strain sensor with ultrahigh sensitivity and tunable sensing range[J]. ACS Nano， 2018， 12（1）：56.

[27]  EDGECOMB S J， NORTON K I. Comparison of global positioning and computer-based tracking systems for measuring player movement distance during australian football[J]. Journal of Science and Medicine in Sport， 2006， 9（1）：25.

[28]  王晶. 基于機器学习的大学体育成绩预测与分析[J]. 现代电子技术，2017， 40（17）：116.

[29]  校力. 一种体育运动结果预测的机器学习框架设计[J]. 自动化技术与应用，2019， 38（9）：59.

[30]  刘昊. 基于GM（1，1）与反向传输神经网络的大学生体育成绩预测[J]. 南京理工大学学报，2017，41（6）：760.

[31]  常亮，孙国妹，刘雨辰. 基于灰色神经网络的体育成绩预测研究[J]. 价值工程，2015（20）：191.

[32]  董哲宇，汪千军，李万杰，等. 基于神经网络的人体动作识别方法[J]. 计算机与现代化，2018（3）：26.

[33]  杨静. 体育视频中羽毛球运动员的动作识别[J]. 自动化技术与应用，2018，37（10）：120.

[34]  赵勇，巨永锋. 基于改进卷积神经网络的人体姿态估计[J]. 测控技术，2018，37（6）：9.

[35]  尹坤阳，潘伟，谢立东，等. 一种基于深度学习的人体交互行为分层识别方法[J]. 厦门大学学报（自然科学版），2016，55（3）：413.

[36]  王忠民，曹洪江，范琳. 一种基于卷积神经网络深度学习的人体行为识别方法[J]. 计算机科学，2016，43（2）：56.

[37]  丁润新. 基于BP神经网络的排球普修技术评价模型研究[D]. 武汉： 武汉体育学院，2016.

[38]  梁成军. 网球技战术决策支持系统研究与应用[D]. 上海：上海体育學院，2011.

[39]  王杰，虞丽娟，张辉，等. 决策树算法在乒乓球比赛中的应用[J]. 计算机工程，2010，36（24）：272.

[40]  杨宋华. 基于大数据网络的运动损伤评估模型研究[J]. 现代电子技术，2018，41（6）：154.

[41]  钟亚平，刘鹏. 基于RBF神经网络算法的田径运动损伤预警模型研究[J]. 计算机应用与软件，2014，31（6）：48.

[42]  CHEN C. Cite Space II： detecting and visualizing emerging trends and transient patterns in scientific literature[J]. Journal of the American Society for Information Science and Technology， 2006， 57（3）：359.

[43]  水祎舟，黄竹杭，耿建华. 国外足球运动体能训练前沿热点与演化分析：基于科学知识图谱的可视化研究[J]. 体育科学，2016，36（1）：67.

[44]  HARALICK B M， LEE C， OTTENBERG K， et al. Review and analysis of solutions of the three point perspective pose estimation problem[J]. International Journal of Computer Vision，1994，13（3）：331.

[45]  BOBICK A F， DAVIS J W. The recognition of human movement using temporal templates[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2001， 23（3）：257.

[46]  水祎舟，黄竹杭，耿建华. 国外足球运动体能训练前沿热点与演化分析：基于科学知识图谱的可视化研究[J]. 体育科学，2016，36（1）：67.

[47]  BOBICK A F， DAVIS J W. The recognition of human movement using temporal templates[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2001， 23（3）：257.

[48]  SHEPPERD M， KADODA G. Comparing software prediction techniques using simulation[J]. IEEE Transactions on Software Engineering， 2001， 27（11）：1014.

[49]  MANNINI A， SABATINI A M. Machine learning methods for classifying human physical activity from on-body accelerometers[J]. Sensors， 2010， 10（2）：1154.

[50]  CLELAND I， KIKHIA B， NUGENT C， et al.Optimal placement of accelerometers for the detection of everyday activities[J]. Sensors， 2013， 13（7）：9183.

[51]  BASSETT D R， TROIANO R P， MCCLAIN J J， et al. Accelerometer-based physical activity total volumeper day and standandized measures[J]. Medicine & Science in Sports & Exercise， 2015， 47（4）：833.

[52]  KESSLR M M. Bibliographic coupling between scientific papers[J]. Documentation， 1963， 14（1）：10.

[53]  CHEN Y， SHEN C. Performance analysis of smartphone-sensor behavior for human activity recognition[J]. IEEE Access，2017， （5）：3095.

[54]  ZHANG S， ROWLANDS A V， MURRAY P， et al. Physical activity classification using the GENEA wrist-worn accelerometer[J]. Med Sci Sports Exercise， 2012， 44（4）：742.

[55]  AKAY M F， ABUT F， CETLN E， et al. Support vector machines for predictingthe hamstring and quadriceps muscle strength of college-aged athletes[J]. Turkish Journal of Electrical Engineering and Computer Sciences， 2017（25）：2567.

[56]  ALTUNl K， BARSHAN B， TUNCEL O. Comparative study on classifying human activities with miniature inertial and magnetic sensors[J]. Pattern Recognition， 2010， 43（10）：3605.

[57]  KIANI K， SNIJDERS C J， GELSEMA E S. Computerized analysis of daily life motor activity for ambulatory monitoring[J]. Technol Health Care， 1997， 5（4）：307.

[58] CROUTER S E， CLOWERS K G， BASSETT D R. A novel method for using accelerometer data to predict energy expenditure[J]. Journal of Applied Physiology， 2006， 100（4）：1324.

[59]  TROST S G， WONG W， PFEIFFER K A， et al. Artificial neural networks to predict activity type and energy expenditure in youth[J]. Medicine & Science in Sports & Exercise， 2012， 44（9）：1801.

[60]  AHMADI M N， PFEIFFER K A， TROST S G. Physical activity classification in youth using raw accelerometer data from the hip[J]. Measurement in Physical Education and Exercise Science， 2020：1.

[61]  LIM H， KIM B， PARK S. Prediction of lower limb kinetics and kinematics during walking by a single IMU on the lower back using machine learning[J]. Sensors （Basel， Switzerland），2019， 20（1）：130.

[62]  PEREIAR C R， PEREIAR D R， PAPA J P， et al. Convolutional neural networks applied for parkinsons disease identification[J]. Machine Learning for Health Informatics， 2016，（10）：377.

[63]  BARSHAN B， YUKSEK M C. Recognizing daily and sports activities in two open source machine learning environments using  body-worn sensor units[J].  The Computer Journal， 2014， 57（11）：1649.

[64]  CHASTIN S F M， EGERTON T， LEASK C， et al. Meta-analysis of the relationship between breaks in sedentary behavior and cardiometabolic health[J]. Obesity， 2015， 23（9）：1800.

[65]  JEFFERI B J， SARTINI C， ASH S， et al. Trajectories of objectively measured physical activity in free-living older men[J]. Medicine & Science in Sports &Exercise， 2015， 47（2）：343.

[66]  MONTOYE A H， PIVARNIK J M， MUDD L M， et al. Wrist-independent energy expenditure prediction models from raw accelerometer data[J]. Physiol Meas， 2016， 37（10）：1770.

[67] ROSENBERG D， GODBOLE S， ELLIS K， et al. Classifiers for accelerometer-measured behaviors in older women[J].Medicine & Science in Sports & Exercise，2017，49（3）：610-616.

[68]  LANGKVIST M， KARLSSON L， LOUTFI A. Sleep stage classification using unsupervised feature learning[J]. Advances in Artificial Neural Systems， 2012， 17（7）：1.

[69]  YI Y，CHENG Y， XU C. Mining human movement evolution for complex action recognition[J]. Expert Systems With Applications， 2017， 78（7）：259.

[70]  LI J， SIEGRIST J. Physical activity and risk of cardiovascular disease—a meta-analysis of prospective cohort studies[J]. International Journal of Environmental Research and Public Health， 2012， 9（2）：391.

[71]  USTER R P， GROOTEN W J， BAUMGARTNER D， et al. Detecting prolonged sitting bouts with the actiGraph GT3X[J]. Scandinavian Journal of Medicine & Science in Sports， 2020， 30（3）：572.

[72]  FARRAHI V， NIEMELA M， TJURIN P， et al. Evaluating and enhancing the generalization performance of machine learning models for physical activity intensity prediction from raw acceleration data[J]. IEEE Journal of Biomedical and Health Informatics， 2020， 24（1）：27.

[73]  LUSTREK M， CVETKOVIC B， JANKO V. Monitoring patients lifestyle with a smartphone and other devices placed freely on the body[C].[S.I.]： European Conference on Ambient Intelligence， 2014.

[74]  MATHIE M J， COSTER A C， LOVELL N H， et al. Accelerometry： providing an integrated， practical method for long-term， ambulatory monitoring of human movement[J]. Physiological Measurement， 2004， 25（2）：1.

[75]  GHASEMZADEH H， LOSEU V， JAFARI R. Structural action recognition in body sensor networks： distributed classification based on string matching[J]. IEEE Transactions on Information Technology in Biomedicine， 2010， 14（2）：425.

[76]  BIANCHI F， REDMOND S J， NARAYANAN M R， et al.Barometric pressure and triaxial accelerometry-based falls event detection[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering， 2010， 18（6）：619.

[77]  RIMMINEN H， LINDSTROM J， LINNAVUO M， et al. Detection of falls among the elderly by a floor sensor using the electric near field[J]. IEEE Transactions on Information Technology in Biomedicine， 2010， 4（6）：1475.

[78]  CUCCHIARA R， PRATI A， VEZZANI R. A multi-camera vision system for fall detection and alarm generation[J]. Expert Systems， 2007， 24（5）：334.

[79]  ZHUANG X D， HUANG J， POTAMIANOS G， et al. Acoustic fall detection using gaussian mixture models and GMM supervectors[J]. IEEE International Conference on Acoustics， 2009 （3）：19.

[80]  ZELIC I， KONONENKO I， LAVRAC N， et al. Induction of decision trees and bayesian classification applied to diagnosis of sport injuries[J]. Journal of Medical Systems， 1997， 21（6）：429.

[81]  CLAUDINO J G， CAPANEMA D D， D E SOUZA， et al. Current approaches to the use of artificial intelligence for injury risk assessment and performance prediction in team sports： a systematic review[J]. Sports Medicine Open， 2019，  5（1）：1436.

[82]  RUDDY J D， SHIELD A J， MANIAR N， et al. Predictive modeling of hamstring strain injuries in elite australian footballers[J]. Medicine & Science in Sports & Exercise， 2018， 50（5）：906.

[83]  SUN Q L， WANG X M， FANG X L， et al. Study on knee joint injury in college football training based on artificial neural network[J]. Revista Iberica de Sistemase Tecnologias de Informacao， 2016（1）：197.

[84]  ADETIBA E， IWEANYA V C， POPOOLA S I， et al. Automated detection of heart defects in athletes based on electrocardiography and artificial neural network[J]. Cogent Engineering. 2017， 4（1）：766.

[85]  THORNTON H R， DELANEY J A， DUTHIE G M， et al. Importance of various training-load measures in injury incidence of professional rugby league athletes[J].  International Journal of Sports Physiology and Performance， 2017， 12（6）： 819.

[86]  GABBETT T J. Quantifying the physical demands of collision sports[J]. Journal of Strength and Conditioning Research，2013， 27（8）：2319.

[87]  BRENNAN J H， MITRA B， SYNNOT A， et al. Accelerometers for the assessment of concussion in male athletes： a systematic review and meta-analysis[J]. Sports Medicine， 2017， 47（3）：469.

[88]  RALSTON J， THIBADO J， WOODARD J. Advances in wearable impact sensors for monitoring and reducing brain injury risks due to cumulative head impact trauma in athletic and military environments[J]. British Journal of Sports Medicine，2017， 51（11）：60.

[89]  BARTLETT J D， CONNOR F， PITCHFORD N， et al. Relationships between internal and external training load in team-sport athletes： evidence for an individualized approach[J]. International Journal of Sports Physiology and Performance， 2017， 12（2）：230.

[90]  PENSGAARD A M， IVARSSON A， NILSTAD A， et al. Psychosocial stress factors， including the relationship with the coach， and their influence on acute and overuse injury risk in elite female football players[J]. BMJ Open Sport & Exercise Medicine， 2018， 4（1）：317.

[91]  ANCILLAO A， TEDESCO S， BARTON J， et al. Indirect measurement of ground reaction forces and moments by means of wearable inertial sensors：a systematic review[J]. Sensors， 2018， 18（8）：2564.

[92]  BULLING A， BALANKE U， SCHILE B. A tutorial on human activity recognition using body-worn inertial sensors[J]. ACM Computing Surveys， 2014， 46（3）： 1.

[93]  LECUN Y， BENGIO Y， HINTON G. Deep learning[J]. Nature， 2015， 521（7553）： 436.

[94]  BROCK H， OHGI Y. Assessing motion style errors in ski jumping using inertial sensor devices[J]. IEEE Sensors Journal， 2017， 17（12）：3794.

[95]  GABBETT T J， JENKINS D G， ABERNETHY B. Physical demands of professional rugby league training and competition using microtechnology[J]. Journal of Science and Medicine in Sport， 2012， 15（1）： 80.

[96]  MCNAMARA D J， GABBETT T J， CHAPMAN P， et al. The validity of microsensors to automatically detect bowling events and counts in cricket fast bowlers[J]. International Journal of Sports Physiology and Performance， 2015， 10（1）：71.

[97]  LAI D T， HETCHL M， WEI X， et al. On the difference in swing arm kinematics between low handicap golfers and non-golfers using wireless inertial sensors[J]. Procedia Engineering， 2011（13）：219.

[98]  RAVI D， WONG C， LO B， et al. A deep learning approach to on-node sensor data analytics for mobile or wearable devices[J]. IEEE Journal of Biomedical and Health Informatics， 2017， 21（1）： 56.

[99]  ZEBIN T， SCULLY P J， OZANYAN K B. Human activity recognition with inertial sensors using a deep learning approach[C].[S.I.]：IEEE， 2016：1.

[100]  KAUTZ T， GROH B H， HANNINK J， et al. Activity recognition in beach volleyball using a deep convolutional neural network[J]. Data Mining and Knowledge Discovery， 2017， 31（6）：1678.

[101]  BROCK H， OHGI Y. Assessing motion style errors in ski jumping using inertial sensor devices[J]. IEEE Sensors Journal， 2017， 17（12）： 3794.

[102]  RONAO C A， CHO S. Human activity recognition with smartphone sensors using deep learning neural networks[J]. Expert Systems with Applications， 2016（59）：235.

[103]  SZE V， CHEN Y H， YANG T J， et al. Efficient processing of deep neural networks a tutorial and survey[J]. Proceedings of the IEEE， 2017， 105（12）：560.

[104]  LAPHAM A C， BARTLETT R M. The use of artificial intelligence in the analysis of sports performance： A review of applications in human gait analysis and future directions for sports biomechanics[J]. Journal of  Sports  Sciences， 1995， 13（3）：229.

[105]  STEIN M， JANETZKO H， LAMPRECHT A， et al. Bring it to the pitch： combining video and movement data to enhance team sport analysis[J]. IEEE Transactions on Visualization and Computer Graphics， 2018， 24（1）：13.

[106]  HASSAN A， SCHRAPF N， TILP M. The prediction of action positions in team handball by non-linear hybrid neural networks[J]. International Journal of Performance Analysis in Sport， 2017， 17（3）：293.

[107]  ANDREJ K， GEORGE T， SHETTY S. Large-scale video

classification with convolutional neural networks[C]. IEEE.2014：1725.

[108]  VICTOR B， HE Z， MORGAN S， et al. Continuous video to simple signals for swimming stroke detection with convolutional neural networks[J]. Conference on Computer Vision and Pattern Recognition Workshops， 2017：122.

[109]  KRIZHEVSKY A， SUTSKEVER I， HINTON G E. Image net classification with deep convolutional neural networks[J].Communications of the ACM， 2017， 60（6）：84.

[110]  KRIZHEVSKY A. One weird trick for parallelizing convolutional neural networks[J]. Computer Science， 2014， 20（3）：1.