职业篮球联赛中大数据技术的应用——以球员体能训练方案为例

谢 哲

（湖南信息职业技术学院，湖南 长沙 410200）

0 引言

基于数字的绩效训练（DBPT）已成为国际体育科学界关注的焦点。数字化体育训练是指在体育训练过程中，运用现代科学技术手段，通过实时测量数据来监控训练质量，职业篮球联赛中的体育训练体系通常包括教练训练和智能体育训练。由于教练资源的稀缺以及球员人数较多，因此会导致传统的培训方法缺乏灵活性。当球员在体能训练过程中出现不规范、不到位等问题以及教练在执教过程中存在观察不到位的情况时，就很容易导致训练效果不佳，甚至导致运动员在运动中受伤[1]。随着体育运动科学化训练的推进，引入了大量新的训练方案以及训练设备，需要客观、科学地对运动员的训练效果进行评估。运动员的运动训练系统复杂、运动项目复杂、运动员高度个性化以及运动训练过程的不可控性和比赛的不确定性等因素都决定需要对当前的数据采集技术和手段进行创新和改进[2]。

智能化体能训练系统利用智能训练设备监测运动员的身体状况和运动参数，并通过分析实时监测数据来发布布指令、记录数据以及调整训练计划。因此，有必要构建适合职业篮球联赛球员的智能化体能训练系统。

1 职业篮球联赛球员体能训练大数据分析处理平台的设计

职业篮球联赛的体能训练大数据分析处理平台立足于日常体能训练，并以对抗比赛和正式比赛的成绩作为反馈信息，为体能训练方案提供改进建议。平台需要构建运动员数据采集功能、数据处理功能和体能状态监控功能，并在数据积累的基础上实现对大数据的分析、处理。首先重点介绍体能训练大数据平台的功能设计。

1.1 设计运动捕捉功能模块

在篮球训练过程中，运动员可以根据运动捕捉系统从起跳、蹲下以及运球等动作中获取球员的节奏[3]。球员在训练完毕之后，也可以通过计算机系统观看自己在训练过程中所存在的问题并在后期训练中加以改正。通过pose软件建立篮球运动员身体的三维模型，包括有效固定骨骼结构和某些关节的特定功能，使用Maya软件构建虚拟篮球场和篮球运动员的技术动作。

需要在不受重力场干扰的环境中利用运动捕捉技术进行运动数据采集和机器调试工作。篮球运动员穿着运动采集服，在不同的床上传感器之间连接电缆。穿着动作采集服的运动员在测试前将跑步、跳跃等常规动作作为参数校对动作，以提高动作数据采集的准确性，实现对人体不同关节的精确标定和数据传输。

职业篮球联赛体育具有鲜明的对抗性战术特征。因此，采集的运动员数据既有训练场内的训练基础数据，又有比赛场上的临场发挥状态数据。鉴于此，该文所设计大数据系统包括2个主体：用于比赛和训练现场的移动终端模块以及用于俱乐部训练馆的服务器端模块。2个模块都有个性化的数据采集对象和处理方法。

其中，移动终端模块的功能主要包括将球员的训练数据收集起来并以图形表格等可视化的形式展示出来，球员还可以通过该模块分析对手的技术特点以及战术策略，进行现场战术演练，从而确定最佳的攻防战术。当输入信息关键词发出请求指令时，服务器端模块进行信息搜索，并将所请求的数据以数据、图形以及表格的直观形式发送到移动终端显示界面上。

1.2 引入MAHSUH服务器处理数据

针对传统体能训练存在效率低、智能性差的问题，该文设计的大数据环境下职业篮球联赛运动员体能训练大数据分析处理平台重点对所存在的问题进行优化设计。使用新的bot-6765连续智能调度器取代传统的定制进度生成系统。在该设计中，为了提升数据处理的实时性以及操作使用的方便性，选择MAHSUH服务器作为数据处理中枢。

智能化体能训练系统由主控中心和无线传感器组成。球员进行体能训练之前，教练应在主控中心制定培训方案，并一起铺设无线传感器与培训场地。在培训期间，主控制中心无线命令传感器并记录传感器上传的数据。基于上述功能，智能化体能训练系统的架构如图1所示，其中主控中心具有负责球员信息管理、方案生成、网络管理以及成绩存储等功能。因此，主控中心分为系统设置、数据测试、方案下载、无线组网、信息管理以及节点定位等模块。

图1 体能训练大数据分析处理平台结构框架

体能训练大数据分析处理平台采用典型mesh程序/服务器的总体框架，以MAHSUH服务器作为数据分析处理中枢和数据存储中心，增强各模块之间的联动性。该框架可以实时响应用户的指令，并以数据反馈的形式收集和读取运动员的训练需求。通过快速统计和反馈数据实现一站式多地进度同时采集的功能，服务器解决了传统体能训练过程中出现的计时不准确、数据偏差大等因人工操作不良而带来的问题。

1.3 建立体能状态监控功能模块

传统体能状态监控系统通过实验室的测力平台对球员的着地时间进行测量，在测量过程中，一旦数据出现问题，那么统计工作就会十分麻烦。可以自动显示球员每次着地时间的光学设备或压力传感器式的纵向跳台则可以解决这一问题。压力传感器通过ZigBee无线的形式下载训练方案，根据训练方案向运动员发出相应的指令并记录运动数据，如图2所示。

图2 体能训练大数据分析处理平台整体架构

为了实现数据采集和数据交换的功能，无线传感器硬件平台配备了单片机和ZigBee通信模块，结合flash数据存储训练，最后利用信号灯给学生发出动作指令。学生做出相应的动作后，利用速度传感器采集并存储学生的动作时间。无线传感器硬件分为微控制器、加速度传感器、信号发生器、闪存、运动数据存储器、ZigBee模块、电源管理模块和拨号开关。其中，微控制器是传感器的核心，可以增强系统在多个外围设备同时工作情况下的协调性和灵活性。

运动员的身体状况会受到许多因素的影响，对球员的身体状态和各项机能进行实时评估和诊断是推动篮球联赛体能训练必不可少的步骤。通过无创测量可以快速获得球员的多项身体参数，教练员根据球员的各项参数安排训练计划，制定个人专项体能训练方案。团队成员也可以通过系统的检测发现自己的不足，对自己进行准确定位，提高训练效率，防止出现运动过量带来的身体损伤。

2 职业篮球联赛球员体能训练大数据分析处理平台处理流程

2.1 球员体能训练过程中大数据的采集

大数据系统基于收集、分析时间、空间以及背景等多个维度的海量数据信息来开展工作的。因此，职业篮球联赛运动员体能训练过程中相关数据信息的收集是大数据系统建设不可或缺的基础信息。结合运动员体能训练的实际情况，可以通过“身份系统”和“接口”2个技术环节实现大数据系统中的数据采集功能。

首先，“身份系统”是系统分发给球员与教练的一个账号和密码，球员通过登录个人账号实现数据的上传和下载，了解自己当前的状况，实现状态最优化的目的。训练助理完成对每名远动员的数据采集，通过平台的“折衷计算”或“冲突确认”完成数据信息的收集和存储；另一方面，为每个运动员设定一个编码，通过编码快速映射到目标运动员，并在其个人数据库中完成相关信息和数据的输入。编码的引入可以保证篮球训练数据采集的标准化和正确性。

其次，为教练员、助理、运动员和队医等不同角色人员设定不同的访问权限。例如教练员、数据统计人员通过认证后进入大数据系统首页，根据个人需求选择不同的按键和密码，如果需要了解现场情况，可单击“现场监控统计”按钮，单击按钮后会显示一个数据采集页面，每个页面都是根据按钮的功能进行详细描述的，功能和布局也都是不同的，主要显示一些基本信息，例如时间、地点、日期、类型、场上队员以及出场时间等。移动终端通过人脸识别技术自动地将球员的个人数据导入数据库，数据会随着球员一天的训练时间、次数以及各项得分的变化而变化，最大限度地提高数据采集系统的准确性与有效性。

2.2 建立Okumura-Hata智能模型

该文采用Okumura-Hata智能模型，根据数据类型对数据进行划分，在完成划分之后，再根据正态分布的函数曲线建立特征数据之间的关联关系。首先要对采集到的数据进行智能极值分析，模型如公式（1）所示。

式中：Q（K）为建模数据的极差；N（K）为建模基础高度；M（k）为工作频率；K（K）为损耗指数的批量修正后的数据模型动态；δh为传输距离，为了保持数据传输损耗减小，该参量可以通过人工进行设置；γ为定量常数；N（T）为确定时刻T的建模高度；G（E）为关联函数；SB为修正因子；α为关联度；K为关联数据。

对Okumura-Hata智能模型中的特定反馈数据H[a]，如公式（2）所示。

式中：υ2为运动员训练时运动特点的时滞参数；Ω为数据的有效使用值；ek为标注算子；Wi为第i项训练内容；ξ为难度系数；ξi为第i项的难度系数；ξij为第i项与第j项组合完成的难度系数；li为第i项的平均完成分数。

H[a]即为实现训练目标而由大数据分析处理平台智能制定的训练流程。通过建立数学模型，实现对体能训练的指导。

2.3 构建虚拟篮球场地

Maya软件用于构建虚拟篮球场。建造篮球场的主要工作是根据体育场的规模和大小尽可能地恢复建筑物，减少模型中各种不可见的表面。篮球运动员模型能否准确显示三维动画是判断模型优劣的评价标准。Maya软件可以为篮球运动员的任务骨骼和皮肤建模。在构造运动员骨骼的过程中，骨骼表面容易发生变形，通过赋予皮肤重量可以解决这一问题。通过UV纹理映射简化模型面数量并合并组织，得到平滑的角色模型。篮球运动员穿着运动捕捉服在篮球场上捕捉篮球，将捕捉到的篮球运动员的技术参数映射到三维模型中，然后利用软件对后期的人物、环境和音效进行处理，动画显示内容与实际操作一致。

由此实现对职业篮球联赛运动员体能训练大数据的分析、处理，实现智能评估、自动建议的功能。

3 实验测试与结果分析

为了保证所设计的球员体能训练计划系统的有效性，该文还设计了一个对比仿真实验，实验采用了传统的体能训练定制系统，然后将该文设计的智能球员体能训练计划系统用于实验。

3.1 参数设定

为了保证试验的有效性，需要重新设置参数。该文将传输距离为220 m～1 300 m作为试验的有效传输距离；在进行参数设置时该文将标注算子ek的值设为3 700 μ；同时把时滞参数设为5 200 ψ/min；将大数据的表达属性设为8.5×104GB/min。具体试验结果见表1。

在该试验中，共采集了6次试验数据以保证实验结果的准确性和有效性。通过表1可以看到，将 SO 测试软件加载到系统上进行使用，分别采用不同训练强度下的不同模型反馈率，在6次试验中模型反馈率随着训练强度的增加而增加，该智能模型可以有效检测到球员在不同训练强度下的体能变化。

表1 设置实验数据

在数据设置完成之后，采用加载的SO 软件对球员体能进行测试，需要说明的是，SO软件不会对系统造成影响，对大数据环境下的智能性影响也不大。在SO 测试软件中，使用了YUH 指标衡量平台采集数据的准确率，并使用 pol参数衡量平台制定的切合度。实验结果如图3所示。

由图3可知，根据YUH 指标与 pol 参数情况可以看出，体能训练大数据分析处理平台的pol 参数随着测试次数的增加而呈逐步增长的趋势，这说明与新的大数据分析处理平台比较贴合，二者能够较好地搭配。而YUH 指标的走势稳定上升，说明球员体能训练大数据分析处理平台具有较高的反馈能力。

图3 体能训练大数据分析处理平台SO测试结果

3.2 柔韧素质测试和弹跳力素质测试

通过测试（7次）球员的柔韧性后发现，在未采用该智能系统前，球员进行徒手练习时的柔韧性普遍偏低，整体灵活性较差；在采用该系统后，篮球运动员的整体灵活性显著提高，徒手练习、持球练习和翻滚动作次数增多，具体结果见表2。

表2 柔韧性测试结果（单位：次）

分析篮球运动员身体弹跳素质的变化。在采用该系统之前，根据篮球运动员的弹跳测试结果可以看出：球员弹跳能力一般。虽然测试结果表明球员的身体素质不是很低，但与优秀篮球远动员的体能训练标准仍具有一定差距。导入该系统后，篮球运动员可以在1 min内用2只脚、1只脚跳绳和连续跳绳。与使用该系统前相比，弹跳频率大大提高，表明该系统能显著提高运动员的弹跳能力。

3.3 试验结论

综上所述，该文设计的大数据环境下的运动员体能训练大数据分析处理平台能够有效解决大数据趋势划分中的数据波动问题，实现智能化操作，其流畅性和准确性满足训练的使用要求。此外，通过构建篮球运动员体能训练虚拟仿真系统能有效提高球员的耐力和体能，还能提高球员的基础身体素质。

4 结语

通过设计体能训练智能系统，使用MAHSUH服务器接收球员在体能训练过程中的动态数据来制定相关球员的训练规划，在与运动员自身能力相符合的情况下最大程度地开发球员的潜能，提高球员的体能。将验证智能定制系统的有效性进行模拟对比实验可以发现，与传统训练计划定制系统相比，智能定制系统能够实现快速、准确地进度智能定制，从而有效地促进球员的体能训练。