青少年篮球训练运动中关节损伤预警模型

孙华飞

(芜湖职业技术学院 体育教学部，安徽 芜湖 241003)

青少年篮球训练运动是目前青少年体育学习课程之一，为了获取较好的篮球运动成绩，青少年运动员需要高频率参与篮球训练运动。而训练运动导致的关节损伤问题频频出现，使青少年身体出现不适。因此，青少年篮球训练运动中关节损伤预警十分重要。损伤预警可在青少年运动员即将出现关节损伤时及时提醒运动员或者老师，以免出现严重的损伤问题。目前，针对青少年篮球训练运动中关节损伤预警方面的研究不多，但针对人体动作、行为识别方面的研究较多。根据相关文献记载，人体行为识别可直接体现人体的动作状态，从而体现其健康状态。

丁文文等[1]使用线性动态系统反演模型识别人体行为，对人体动作识别效果较好。南静等[2]设计的人体行为识别学习模型具有轻量型特征，对人体行为识别精度较高。虽然两种模型对人体行为、动作的识别精度都较高，但是，针对青少年篮球训练运动中的关节损伤识别问题，是否存在高精度识别效果还有待测试，毕竟关节损伤与人体行为识别问题存在差异，人体行为识别属于可视层次的识别问题，关节在人体之中不具备可视特征。

结合前人研究基础，构建了基于CNN-LSTM的青少年篮球训练运动中关节损伤预警模型，并通过实验验证该模型对运动关节损伤识别与预警的精度较高。

1 基于CNN-LSTM的青少年篮球训练运动中关节损伤预警模型

基于CNN-LSTM的青少年篮球训练运动中关节损伤预警模型主要分为可穿戴传感器模块、无线通信模块、预警模块、STM32处理器、蜂鸣器。其结构如图1所示。

图1 基于CNN-LSTM的青少年篮球训练运动中关节损伤预警模型

可穿戴传感器的功能是采集青少年在篮球训练时的关节受力信号，通过无线传输模块将采集的关节受力信号发送至核心处理器STM32，处理器使用基于独立成分分析和经验模态分解的关节受力信号去噪方法、基于CNN-LSTM的关节损伤识别模型，将采集的关节受力信号去噪后，识别青少年篮球训练运动中关节是否存在损伤，如果存在损伤，处理器将驱动蜂鸣器进行预警[3]。传感器的结构如图2所示。

图2 可穿戴传感器模块结构图

此传感器与其他传感器的差异在于，其可以自动集合柔性太阳能面板的能量，从而保证采集青少年篮球训练运动中关节受力数据时不会出现电源中断的问题[4]。柔性太阳能板将电能传输至升降电压调节器后，此调节器可根据传感器的需求调节电压并执行能量存储程序，电能量存储到需求量后，通过电压调节器将电能发送至微控制单元MCU，完成传感器的电能供应。且该传感器具有关节受力信号数据采集功能，主要通过微控制单元MCU采集关节受力数据，该单元将数据整理后用于和其他模块进行数据传输。

1.1 基于独立成分分析和经验模态分解的关节受力信号去噪方法

经验模态分解算法可把可穿戴传感器采集的关节受力信号分解成具备时间尺度的内蕴模态函数(intrinsic mode function，IMF)分量，此时，IMF分量中极值点数量和过零点数量必须小于1，且通过极大值点与极小值点提取的包络线均值是0。

关节受力信号y(t)在使用经验模态算法分解后变成多个IMF和一个余项的和值如式(1)所示。

(1)

式中，IMFh(t)、sH(t)依次是第h个IMF分量、余项。若关节受力信号y(t)存在噪声，那么IMFh(t)存在的噪声就属于加性噪声，此时：

IMFh(t)=xh+mh，

(2)

式中，xh、mh依次是未受噪声侵袭的原始信号、噪声信号。

关节受力信号y(t)分解完毕便可获取多个频率存在差异的本征模态函数，各个IMF形态均存在差异。存在噪声的关节受力信号y(t)被分解后，噪声在各层IMF中的分布状态并不一致。若可以将分解获取的IMF执行有效去噪，将去噪后的全部IMF执行累加重构便可获取去噪后关节受力信号。使用独立成分分析算法将关节受力信号每层IMF执行去噪，在此过程中，关节受力信号的数量需要多于独立源数量。而存在噪声的关节受力信号在经验模态分解后，各层仅存在一个IMF分量，并不能满足独立成分分析算法的应用条件。

因为存在噪声信号的关节受力信号分解后，首层IMF的成分大部分都是噪声，有效信号信息极少，所以使用平移不变的经验模态分解思想，设计独立成分分析算法的关节受力信号多维输入向量[5-7]。

关节受力信号分解后，将首层IMF实施多次移位处理，获取差异的噪声样本；把多次移位后的噪声样本和剩下的IMF叠加便可获取新的信噪比固定的含噪信号。因为新获取的含噪关节受力信号中，目标信号并没有失真，所以新获取的含噪信号使用经验模态分解算法处理后，每个信号同一层次中IMF存在的信号信息基本一致，仅仅是噪声形态存在差异。因此，能够把这样的信号分解为独立成分分析算法的多维输入数据，通过独立成分分析算法将每一层次的IMF实施去噪时，多维输入数据的详细设计方法是：

(1)将关节受力信号y(t)实施经验模态分解，获取Z个IMF，将其设成IMF1，IMF2，...，IMFZ：

(3)

(3)建立新的含噪关节受力信号yβ(t)：

yβ(t)=y(t)+IMF1β(t)，

(4)

(4)依次将yβ(t)执行Z层经验模态分解并移位，移位后获取的IMF是IMF1β，IMF2β，...，IMFZβ。

将j层IMFj分量执行去噪时，输入向量设成Q维向量集合kj=IMFj1，IMFj2，...，IMFjQ，输入信号设计完毕，便可使用独立成分分析算法将关节受力信号的各层IMF执行去噪处理。

综上所述，基于独立成分分析和经验模态分解的关节受力信号去噪方法的操作步骤是：

(1)将关节受力信号y(t)执行经验模态分解；

(2)将分解后关节受力信号作为独立成分分析算法的输入向量集合；

(4)关节受力信号重构，累加IMFje与余项sH(t)，获取去噪后关节受力信号ye(t)：

(5)

1.2 基于CNN-LSTM的关节损伤识别模型

将式(5)中去噪后的关节受力信号ye(t)作为基于CNN-LSTM的关节损伤识别模型的输入样本，输入CNN-LSTM模型完成损伤级别识别。在识别关节损伤之前，先对关节损伤的异常受力边界进行针对性研究，合理设置关节异向受力边界[8]。

1.2.1 关节异向受力边界设置

在青少年篮球训练运动中，关节异向受力边界代表青少年在篮球训练运动中反关节与肌腱承载的极限条件。关节的动作主要是屈伸、旋前/旋后、环转。肘关节的动作分别是屈曲、伸展、旋前/旋后。根据设置的初始位置，设置屈伸运动的方向角是ωε，ε∈(εmin，εmax)，ε代表屈伸的极限条件，括号中的参数依次是屈伸最小值与屈伸最大值。

伸展运动的约束条件主要受关节前韧带的张力所影响，肘关节前韧带损伤主要因伸展动作超出关节前韧带的张力的约束范围[9]。将旋前/旋后的边界条件设成(bmin，bmax)，bmin、bmax依次是旋前/旋后的最小值与最大值。环转动作属于万向运动，基于球形坐标系里必须结合屈伸运动、旋前/旋后动作设置边界条件，设置转动方向是ω，此方向的最大转动值、最小转动值依次是ωmax、ωmin。

当青少年进行篮球训练运动时，反关节与肌腱可接受的极限角度就是关节异向受力边界。如果可穿戴传感器模块采集的关节受力数据去噪后是(ωt，εt，bt)∈ye(t)，且此数据源于肘关节，其中，bt代表t时刻的自转角度，如果bt不大于bmin，那么代表旋前运动大于限值；肘关节的屈伸角度设成ε，伸直时，ε与εmin相等，若ε小于εmin，那么伸展动作处于关节受力最大状态，屈曲幅度越大，ε便越大，如果ε大于εmax，那么屈曲动作处于受力极限状态。

结合极限位置和差异关节的运动与训练特征，分析合理动作区间是：屈伸动作的关节异向受力边界是(ωt≠ωε，εt<εmin或εt>εmin)，旋前旋后动作的关节异向受力边界是(εt<εmin或εt>εmax)。针对万向动作而言，此动作的关节异向受力边界是(ωt<ωmin或ωt>ωmax，εt<1.1ε下(ωt)或εt>1.1ε上(ωt))。其中，ε下(ωt)、ε上(ωt)依次是青少年篮球训练运动中上臂绕肩关节方向运动时，方向为上与下的极限位置。引入数值1.1是因为平时训练时，会经常拉伸韧带与肌腱，在10%范围内是不会出现损伤的，超过10%便会出现损伤。

1.2.2 关节损伤识别

把式(5)中去噪后的关节受力信号ye(t)作为CNN-LSTM模型的输入样本，在CNN模型里执行卷积处理，可在空间角度获取多个关节受力特征图。各个特征图尺寸是N×M，首层卷积使用t个卷积核，各个卷积核尺寸是H×M。第j次卷积运算方法是：

sj=Relu(Vj*ye(t)+cj)，

(6)

式中，Vj、cj依次是卷积核、偏置；*代表卷积处理；Relu是激活函数。在卷积层中获取的特征是S=[s1，s2，...，st]，最后输出层kj会输出维度大小是N×1个向量。

基于CNN-LSTM模型中，把S=[s1，s2，...，st]输入至LSTM模型的输入门、遗忘门、输出门，以此获取关节受力信号的时序特征Rt。LSTM更新运算方法是：

(7)

式中，fg、fj、fj、fo依次是遗忘门、输入门、输入节点以及输出门；Jg、Jj、Jf、Jo是fg、fj、fj、fo的权值；cg、cj、cf、co是fg、fj、fj、fo的偏置。

LSTM模型的全连接层使用Softmax分类器识别青少年篮球训练运动中关节信号特征的损伤程度。

SoftmaxRt=qt，

(8)

青少年篮球训练运动中关节信号特征的损伤识别标签是：

(9)

损伤级别如表1所示。

表1 损伤级别

2 实验分析

实验使用32 G内存、80 GB硬盘大小的计算机，在MATLAB平台中，使用Keras2.24工具构建CNN-LSTM模型的应用程序，并编写实验条件测试其应用效果。实验中，CNN-LSTM模型的参数设置条件如表2所示。

表2 CNN-LSTM模型参数设置

在采集的关节受力原始正演信号里导入噪声信号，使用CNN-LSTM模型对其进行去噪处理，信号幅值变化如图3所示。在原始正演信号里导入噪声信号后，原始正演信号的有效信息基本不能被准确分辨，使用这种信号用来预警关节损伤信息，并不准确。为此，CNN-LSTM模型对其进行去噪，去噪后的信号幅值变化和原始正演信号幅值变化如图4所示。

图3 含噪关节受力信号幅值变化

图4 去噪后信号正演曲线变化和原始正演曲线对比

CNN-LSTM模型去噪后的关节受力信号幅值正演曲线和原始正演曲线变化吻合度较高，说明CNN-LSTM模型可以大幅降低噪声信号对关节受力信号的负面影响。

证实CNN-LSTM模型对关节受力信号去噪能力后，使用CNN-LSTM模型对多个青少年篮球训练运动中的关节损伤进行识别，识别结果如图5所示。

图5 关节损伤识别结果

由图5可知，CNN-LSTM模型对20位青少年运动员的关节损伤级别识别结果具有实际应用意义，与实际损伤级别一致。

测试CNN-LSTM模型、文献[1]和[2]模型对多个青少年篮球训练运动中的关节损伤进行识别与预警，3个模型的预警错误次数对比结果如图6～8所示。

图6 CNN-LSTM模型对青少年篮球训练运动中关节损伤预警效果

图7 文献[1]模型对青少年篮球训练运动中关节损伤预警效果

图8 文献[2]模型对青少年篮球训练运动中关节损伤预警效果

对比图6～8可知，CNN-LSTM模型对多个青少年篮球训练运动中的关节损伤进行识别与预警后，预警错误次数是0次，文献[4-5]模型的预警错误次数是2次，对比之下，CNN-LSTM模型的预警精度最高。

3 结语

针对青少年篮球训练运动中关节损伤预警这一问题进行深入探讨，构建了基于CNN-LSTM的青少年篮球训练运动中关节损伤预警模型，该模型主要通过穿戴传感器采集青少年运动员的关节受力信号，并对此信号进行有效去噪后，使用CNN-LSTM模型，识别关节损伤级别，通过蜂鸣器发出预警提示。经过实验测试，CNN-LSTM模型的应用效果如下：

CNN-LSTM模型去噪后的关节受力信号正演曲线和原始正演曲线变化吻合度较高，信号失真度小。

CNN-LSTM模型对多个青少年篮球训练运动中的关节损伤进行识别与预警后，识别结果与实际情况一致，预警错误次数是0次，预警精度高。

篮球训练运动时，运动损伤在所难免，目前我国运动领域对运动损伤的关注程度并不高，所以，青少年篮球训练运动中，需要具备充足的运动损伤防范意识。体能条件是青少年在篮球训练运动中避免关节损伤的前提，为此，合适、科学的体能训练方案，可以保证青少年运动员在进行篮球训练运动时，具有较好的负荷承受能力。为此，为了防止青少年在篮球训练运动中出现严重的关节损伤，平时可多进行体能训练。