训练场地环境下杰出运动员中枢疲劳ANN预测模型构建.docVIP

训练场地环境下杰出运动员中枢疲劳ANN预测模型构建 　　摘要：目的：构建可预测训练场地环境综合因素影响下的杰出单板U型场地滑雪运动员中枢疲劳情况的人工神经网络模型（ANN）。方法：分3次对单板U行场地滑雪国家队在哈尔滨体育学院帽儿山滑雪场的训练场地环境指标进行测试，并对运动员的声喜好等情况进行问卷调查和访谈，测试及调查指标包括声学指标和环境指标。以闪光融合频率评价运动员的中枢疲劳情况。将上述指标纳入ANN模型的构建，包括训练次数、隐藏层设计、函数的选择和模型的检验等。结果：14个主、客观指标变量与单板U型场地滑雪运动员的中枢疲劳显著相关，2个不相关。在3层结构（1个隐藏层）的ANN模型中，隐藏节点数、训练次数和训练函数分别在25、800和TRAINOSS时效果最优。分别构建了可预测运动员中枢疲劳的ANN通用模型和分组模型，并获得了上述模型的最优网络参数及预测结果。结论：成功构建了可预测训练场地环境综合因素下杰出单板U型场地滑雪运动员中枢疲劳情况的ANN模型。 　　关键词：训练场地环境；综合因素；单板U型场地滑雪；中枢疲劳；预测；人工神经网络 　　中图分类号：G804 文献标识码：A 　　文章编号：1008-2808（2015）06-0008-07 　　作为技巧类难美项群雪上运动项目，单板U型场地滑雪因其运动员需要在3-4min内完成6-8个高难度空中翻转动作，故在训练和比赛中易因精神高度紧张，注意力集中而产生中枢疲劳。中枢疲劳是中枢为防止机体发生过度机能衰竭而出现的保护性抑制，可受多种因素影响并存在显著的个体差异，环境可能是其中一个重要因素。众多研究发现，环境声音对环境中个体的心理疲劳影响显著，其他环境因素则可能与环境声音协同发挥作用。 　　当前，主流的预测方法分为基于人工智能的预测方法和基于统计学的算法，前者包括支持向量机、贝叶斯网络和人工神经网络（artificial neuralnetwork，ANN）等，后者如序列逻辑回归模型。不同于以往的理论推导公式，ANN可通过分析和学习大量已有的评价数据，总结出研究对象与影响因素之间的关系，并由这些“关系”预测未知结果，在60余年的发展中，不断完善和加人多种算法，从而在工业、医学、商业等众多领域广泛用于识别和预测，多项采用该技术建立的预测模型，其准确率都达到了70%以上。根据学习策略和互联模式连接方式的不同，ANN分为多种类型，而BP（Back Propogation）神经网络因较其它神经网络具有普遍性强和运算过程清晰等优势，特别适于求解内部机制复杂的问题，应用最为广泛。 　　提高训练效果，延缓运动疲劳出现和快速从疲劳中恢复是当前运动训练亟待解决的问题，而通过训练场地的环境指标预测运动员的中枢疲劳情况，进而调整相关环境指标以延缓运动员中枢疲劳的出现或使其迅速得以恢复，将可能是提高训练效果的新手段。为此，本研究首次通过BP网络技术构建训练场地综合因素影响下单板U型场地滑雪项目杰出运动员的中枢疲劳预测模型，旨在为其将来的应用提供参考。 　　1 实验对象和方法 　　1.1 实验对象 　　国家单板U型场地滑雪队41名（女17/男24）杰出运动员参与研究。所有运动员均为国家一级以上运动员，平均年龄和平均训练年限分别为20.3±5.2yrs和12.6±5.7yrs。 　　1.2 实验方法 　　1.2.1 输入数据的采集 　　（1）选址。所有评价数据进行采集时，需要选择具有典型性的调查地点。虽然调研得知国家单板U型场地滑雪队有多处训练场地，但日常训练主要集中于哈尔滨体育学院帽儿山滑雪场。为此，本研究选取该滑雪场作为测试地点。 　　（2）主观调查。采用调查问卷研究影响因素与运动员在训练场地环境下主观感受间的关系，其中声环境主观感受包括声舒适度、主观响度、声喜好等指标，其他环境主观感受包括温度感受、湿度感受、亮度感受和风速感受。具体过程包括： 　　A.问卷设计：首先提出研究假设，对研究对象进行界定；其次采用结构访谈和无结构访谈相结合的形式对主观响度、声舒适度和声喜好的研究内容进行补充，提出问卷题目的设计方案；最后完成主观响度、声舒适度和声喜好的量表、使用者特征量表和环境调查量表。 　　B.信度与效度分析：通过5位专家对问卷的效度进行检验，评价结果良好。采用Cronbachα信度进行问卷的信度检验，结果，环境因子信度αl=0.713，声音因子信度α2=0.821，信度满足调查的要求。 　　C.正式调查：调查以实地发放问卷结合访谈的形式进行，分别于2014年11月、2015年1月和3月对在帽儿山滑雪场训练的杰出单板U型场地滑雪运动员发放121份问卷，回收有效问卷115份，回收率95.0%。调查结果通过SPSS14.0软件录入和进行分类研究。 　　（3）客观测量。除