Translated from English to Vietnamese - www.onlinedoctranslator.

com

tiếng Hin-ddi

lập trình khoa học

Tập 2021, Bài viết ID 5526971, 10 trang
https://doi.org/10.1155/2021/5526971

Bài báo nghiên cứu

Dự đoán rủi ro chấn thương của các vận động viên thể dục nhịp điệu dựa trên dữ liệu lớn
và thị giác máy tính

4
Đông Đông Chu,1Trương Hồng Lôi,2Ngọc Long Tôn,3và Haijie Qi

1Viện Giáo dục Thể chất, Đại học Đức Châu, Đức Châu 253023, Sơn Đông, Trung Quốc
2Đại học Hành Thủy, Hành Thủy 053000, Trung Quốc
3Đại học Bắc Hà Bắc, Trương Gia Khẩu 075000, Hà Bắc, Trung Quốc
4Cao đẳng nghề Chính trị và Luật Hà Bắc, Thạch Gia Trang, 050061, Trung Quốc

Thư từ nên được gửi đến Haijie Qi; qihaijie@cumt.edu.cn

Nhận ngày 21 tháng 1 năm 2021; Sửa đổi ngày 23 tháng 2 năm 2021; Chấp nhận ngày 4 tháng 3 năm 2021; Xuất bản ngày 2 tháng 4 năm 2021

Biên tập học thuật: Shah Nazir

Bản quyền ©2021Dongdong Zhu et al..is là một bài báo truy cập mở được phân phối theo Giấy phép ghi nhận tác giả Creative Commons, cho
phép sử dụng, phân phối và sao chép không hạn chế bằng bất kỳ phương tiện nào, miễn là tác phẩm gốc được trích dẫn chính xác.

Trong những năm gần đây, thể dục nhịp điệu thi đấu đã nhanh chóng được phổ biến và phát triển, đồng thời trình độ kỹ năng thể thao cũng được cải
thiện rất nhiều. .e hiệu suất của một số sự kiện đã dần tiếp cận và đạt đến trình độ tiên tiến. Vì vậy, điều quan trọng là đầu tư vào phân tích định lượng
và nghiên cứu toàn diện liên ngành về hiệu suất thể dục nhịp điệu và các yếu tố liên quan. .is paper áp dụng công nghệ phân tích dữ liệu lớn và công
nghệ thị giác máy tính dựa trên mạng thần kinh tích chập, theo các lý thuyết liên quan về cơ sinh học thể thao và nhận dạng hình ảnh máy tính, để thiết
lập mô hình dự đoán rủi ro thua lỗ cho các vận động viên thể dục nhịp điệu. Cách tiếp cận .e trước tiên đã sử dụng công nghệ phân tích dữ liệu lớn để
phân tích các đặc điểm của dữ liệu thể thao thể dục nhịp điệu cạnh tranh. Thứ hai, phương pháp này kết hợp mạng thần kinh tích chập để nhận dạng
trực quan các hình ảnh thể thao thể dục nhịp điệu và thiết lập mô hình dự đoán hai nhánh. Cuối cùng, kết quả đầu ra có thể được hợp nhất để chẩn
đoán và đánh giá chính xác mức độ phát triển thể lực của các vận động viên thể dục nhịp điệu, trọng tâm và mục tiêu của nội dung tập luyện được làm
rõ, và mức độ khoa học của việc tập luyện thể dục nhịp điệu được cải thiện. Nghiên cứu .e có thể giúp dự đoán nguy cơ chấn thương của các vận động
viên hiếu khí dựa trên các ứng dụng của dữ liệu lớn và thị giác máy tính.

1. Giới thiệu
Trong những năm gần đây, thể dục nhịp điệu cạnh tranh đã
phát triển nhanh chóng ở nước ta và rủi ro chấn thương thể
thao tương ứng cũng tăng dần. Một số nghiên cứu đã chỉ ra
rằng do đặc điểm của thể dục nhịp điệu, chẳng hạn như yêu
cầu nghiêm ngặt về thời gian, yêu cầu động tác khó hơn,
nhạc đệm có nhịp độ nhanh và động tác phối hợp nhịp
nhàng, vận động viên sẽ bị chấn thương thể thao [1–3] nếu
tập không chú ý. .e vai, khuỷu tay, cổ tay, eo, đùi, đầu gối,
bắp chân và mắt cá chân là những bộ phận dễ bị chấn
thương trong quá trình luyện tập thể dục nhịp điệu. Trong
đó, dễ bị tổn thương nhất là khớp cổ chân [4, 5]. Ngoài ra,
các loại chấn thương dễ xảy ra nhất đối với các vận động
viên thể dục nhịp điệu thi đấu là chấn thương kín, hầu hết là
căng khớp, bong gân và căng cơ, và chấn thương mãn tính
[6–9], đó là những cái chính. Tuy nhiên, các học giả hiện nay
nghiên cứu về chấn thương thể dục nhịp điệu thường sử dụng khảo sát
bằng câu hỏi hoặc phỏng vấn chuyên gia để xác định các bộ phận bị
thương và cơ chế có thể có của các bài tập thể dục nhịp điệu, và thiếu
nghiên cứu thực nghiệm khách quan.
Ngoài ra, thanh thiếu niên đang trong giai đoạn vàng phát triển thể
chất, các tố chất thể chất khác nhau sẽ được cải thiện rõ rệt trong giai
đoạn này. Tuy nhiên, trong các cuộc phỏng vấn với các vận động viên và
huấn luyện viên thể dục nhịp điệu trẻ tuổi, người ta thấy rằng các vận
động viên trẻ tuổi bị chấn thương nhiều hơn các vận động viên trưởng
thành. . .là do hệ cơ, xương khớp của các vận động viên trẻ còn yếu làm
hạn chế khả năng phát triển kỹ năng và việc rèn luyện lâu dài các động
tác kỹ thuật, tư thế cơ thể không đều. Ở lứa tuổi thiếu niên của các vận
động viên thể dục nhịp điệu, việc tập luyện khoa học, hợp lý không
những có tác dụng thúc đẩy sự phát triển thể chất của lứa tuổi thiếu niên
mà còn nâng cao năng lực thể thao của các em một cách hiệu quả hơn
[10]. .do đó, kịp thời phát hiện nguyên nhân chấn thương của các vận
động viên trẻ và kịp thời
2 lập trình khoa học
phòng ngừa là rất quan trọng để cải thiện trình độ kỹ năng của các vận động
viên trẻ và kéo dài tuổi thọ thể thao của họ.
Do đặc thù của thể dục nhịp điệu thi đấu, các vận động viên buộc phải hoàn thành chuỗi động tác với
cường độ cao trong thời gian ngắn, đòi hỏi cao hơn về thể lực và sự dẻo dai của cơ thể. Các nghiên cứu đã xác
nhận rằng việc tập luyện lặp đi lặp lại cường độ cao trong thời gian dài và các kỹ năng và tư thế thể thao không
đối xứng sẽ làm tăng nguy cơ chấn thương của vận động viên. Đồng thời, giai đoạn thiếu niên là giai đoạn phát
triển thể chất đặc biệt và là giai đoạn có tỷ lệ chấn thương thể thao cao [11]. . Vì vậy, nghiên cứu này dựa trên đặc
điểm phát triển năng lực thể chất của thanh thiếu niên và đặc thù của thể dục nhịp điệu. Nó lấy sinh viên đại học ở
một thành phố nhất định làm đối tượng nghiên cứu và các bài kiểm tra được thực hiện theo các nhóm thuộc các
giới tính khác nhau và các cấp độ thể thao thể dục nhịp điệu, và sử dụng đường cong đặc tính hoạt động của máy
thu (ROC) để xây dựng các tiêu chuẩn đánh giá, phân tích điểm yếu về thể chất của các vận động viên thể dục nhịp
điệu trẻ tuổi và đánh giá nguy cơ chấn thương không tiếp xúc để cung cấp một tài liệu tham khảo lý thuyết nhất
định cho việc đào tạo thể dục nhịp điệu tiếp theo cho những người trẻ tuổi. Bài báo .is trình bày một phương
pháp nhận dạng chuyển động cho các vận động viên thể dục nhịp điệu dựa trên thị giác máy, phương pháp này
nhận biết tình trạng căng khớp, bong gân và căng cơ do chuyển động của họ gây ra, đồng thời sử dụng dữ liệu
lớn để huấn luyện thuật toán học sâu dựa trên thị giác [12–16] của bài báo này. Sau đây là những điểm đổi mới
chính của bài viết này: và đánh giá nguy cơ chấn thương không tiếp xúc để cung cấp một tài liệu tham khảo lý
thuyết nhất định cho việc đào tạo thể dục nhịp điệu tiếp theo cho những người trẻ tuổi. Bài báo .is trình bày một
phương pháp nhận dạng chuyển động cho các vận động viên thể dục nhịp điệu dựa trên thị giác máy, phương
pháp này nhận biết tình trạng căng khớp, bong gân và căng cơ do chuyển động của họ gây ra, đồng thời sử dụng
dữ liệu lớn để huấn luyện thuật toán học sâu dựa trên thị giác [12–16] của bài báo này. Sau đây là những điểm đổi
mới chính của bài viết này: và đánh giá nguy cơ chấn thương không tiếp xúc để cung cấp một tài liệu tham khảo lý
thuyết nhất định cho việc đào tạo thể dục nhịp điệu tiếp theo cho những người trẻ tuổi. Bài báo .is trình bày một
phương pháp nhận dạng chuyển động cho các vận động viên thể dục nhịp điệu dựa trên thị giác máy, phương
pháp này nhận biết tình trạng căng khớp, bong gân và căng cơ do chuyển động của họ gây ra, đồng thời sử dụng
dữ liệu lớn để huấn luyện thuật toán học sâu dựa trên thị giác [12–16] của bài báo này. Sau đây là những điểm đổi
mới chính của bài viết này:
(i) Bài viết .is đề xuất một phương pháp nhận dạng chuyển động
cho các vận động viên thể dục nhịp điệu dựa trên thị giác máy,
giúp nhận biết tình trạng căng khớp, bong gân và căng cơ do
chuyển động của họ gây ra.
(ii) Bài báo .is xây dựng mô hình dự đoán rủi ro chấn thương
nhánh kép cho vận động viên thể dục nhịp điệu. Một
nhánh sử dụng dữ liệu lớn để phân tích các đặc điểm chấn
thương khi vận động của các vận động viên thể dục nhịp
điệu và nhánh còn lại xây dựng mô hình mạng nơ ron tích
chập sâu để xác định tình trạng căng khớp, bong gân và
căng cơ, đồng thời thực hiện đếm và dự đoán.
(iii) Chúng tôi đã tiến hành đủ các thí nghiệm so sánh và nghiên cứu
cắt bỏ để chứng minh tính hiệu quả của thuật toán dựa trên dữ
liệu lớn và thị giác máy tính được đề xuất trong bài báo này. Nó
có thể được sử dụng để phát hiện kịp thời các nguyên nhân
gây chấn thương cho các vận động viên trẻ và ngăn chặn
chúng kịp thời, điều này rất hữu ích cho việc cải thiện các kỹ
năng của các vận động viên trẻ. và kéo dài tuổi thọ thể thao.
. Bố cục của bài báo như sau: Phần 2
cho thấy các nghiên cứu liên quan đến lĩnh vực nghiên cứu được
đề xuất. Phần 3 trình bày phần phương pháp luận của nghiên
cứu đề xuất với các chi tiết về cách tiếp cận đã cho. Phần 4 cho
thấy các thí nghiệm và kết quả của nghiên cứu hiện tại. .e paper
được kết luận trong Mục 5.
2. Nghiên cứu liên quan
Các phương pháp và kỹ thuật khác nhau đã được đưa ra trong tài liệu để dự
đoán nguy cơ chấn thương của các vận động viên thể dục nhịp điệu.
Fanian et al. [17] đã nghiên cứu 6755 trường hợp chấn thương
thể thao và điều tra và phát hiện ra rằng môn thể thao có tỷ lệ
mắc bệnh cao nhất là bóng đá; vị trí tổn thương thường gặp là
khớp gối (15%), bắp chân (11,9%), khớp cổ tay (11%). .e các loại
chấn thương phổ biến nhất là gãy xương (12,8%), chấn thương
sụn (6,87%) và đụng giập (2,5%); 12% bệnh nhân được phẫu
thuật; thời gian nằm viện trung bình là 3-4 ngày. Michael [18] đã
khảo sát các vận động viên trong các môn thể thao khác nhau
như thể dục dụng cụ, bóng rổ, bóng đá và chạy. Sau khi tổng
hợp và phân tích các loại và đặc điểm chấn thương thể thao của
vận động viên trong các môn thể thao khác nhau, họ đã đề xuất
chẩn đoán và điều trị các loại chấn thương thể thao. Phương
pháp nhằm vào sự xuất hiện của chấn thương và chỉ ra hai bước
chính để giảm thiểu sự xuất hiện của chấn thương thể thao: một
là mặc đồ bảo hộ ở những bộ phận dễ bị tổn thương để giảm
khả năng bị thương và mức độ bị thương; hai là cải thiện các
vận động viên càng nhiều càng tốt. Thể chất, bao gồm sức
mạnh, sự nhanh nhẹn và linh hoạt, làm giảm khả năng chấn
thương của vận động viên. Wiese-Bjomstal và cộng sự. [19] chỉ
ra rằng chấn thương thể thao là một điều tương đối khó chấp
nhận đối với các vận động viên. Sau khi xảy ra chấn thương thể
thao, các vận động viên sẽ có tâm lý phức tạp trong quá trình
tập luyện và phục hồi, điều này thể hiện chủ yếu ở nhận thức,
cảm xúc và hành vi. Một mặt, khi các vận động viên trải qua quá
trình hồi phục chấn thương và trở lại tập luyện, họ thường có
những phản ứng nhận thức và cảm xúc nhất định, những phản
ứng này chủ yếu bị ảnh hưởng bởi cá nhân và môi trường.
Ngoài ra, thời gian bị chấn thương cũng sẽ ảnh hưởng đến tâm
lý của vận động viên bị chấn thương ở các mức độ khác nhau.
Khi chấn thương thể thao xảy ra ngay trước các cuộc thi lớn,
cảm giác thất vọng và tuyệt vọng của vận động viên sẽ tăng lên
rất nhiều [20].
Malliou và cộng sự. [21] đã sử dụng bảng câu hỏi khảo sát và tiến hành thống kê, phân tích chấn thương của các vận
động viên tham gia tập luyện thể dục nhịp điệu và thấy rằng, trong dân số bị thương, chấn thương chi dưới chiếm 97,3% và
chấn thương mắt cá chân và đầu gối là phổ biến nhất trong tập luyện thể dục nhịp điệu. Đồng thời, chỉ ra rằng thời gian tập
luyện, số năm và mức độ tập luyện sẽ có tác động đến chấn thương. Bintoudi và cộng sự. [22] đã điều tra hai vận động viên thể
dục nhịp điệu đạp xe và phát hiện ra rằng họ bị đau khớp gối và phù nề đệm mỡ. . Bài báo đã thảo luận về các yếu tố và cơ chế
gây bệnh có thể có của thể dục nhịp điệu. Kiesel và cộng sự. [23] được tìm thấy trong một nghiên cứu về các cầu thủ bóng bầu
dục chuyên nghiệp của Mỹ trong thời gian không có mùa giải rằng điểm số của bài kiểm tra FMS tỷ lệ thuận với nguy cơ chấn
thương thể thao của vận động viên. .thông qua việc tính toán đường cong hoạt động của máy thu, điểm chuẩn là 14 điểm được
phân định cho người chơi bóng bầu dục. Các vận động viên có điểm FMS trung bình trong mùa giải dưới 14 điểm có nguy cơ
chấn thương cao hơn nhiều so với những vận động viên có điểm trên 14 điểm. Trong nghiên cứu tương tự tiếp theo của mình,
ông phát hiện ra rằng sau khi huấn luyện can thiệp có mục tiêu cho các vận động viên, số điểm FMS lớn hơn 14 đã tăng lên đáng
kể và các vận động viên có vấn đề về chuyển động không đối xứng cũng có thể được cải thiện. Dennis Rex [24] đã tiến hành các
thử nghiệm FMS trên 67 cầu thủ bóng bầu dục đại học và kết hợp sức mạnh bùng nổ chi dưới của họ và dữ liệu chấn thương
theo mùa. .ey tin rằng bài kiểm tra FMS có thể được sử dụng như một công cụ đánh giá để dự đoán các chấn thương thể thao
nghiêm trọng và nhắc nhở rằng điểm FMS dưới 11 điểm. Các vận động viên có điểm FMS trung bình trong mùa giải dưới 14
điểm có nguy cơ chấn thương cao hơn nhiều so với những vận động viên có điểm trên 14 điểm. Trong nghiên cứu tương tự tiếp
theo của mình, ông phát hiện ra rằng sau khi huấn luyện can thiệp có mục tiêu cho các vận động viên, số điểm FMS lớn hơn 14
đã tăng lên đáng kể và các vận động viên có vấn đề về chuyển động không đối xứng cũng có thể được cải thiện. Dennis Rex [24]
đã tiến hành các thử nghiệm FMS trên 67 cầu thủ bóng bầu dục đại học và kết hợp sức mạnh bùng nổ chi dưới của họ và dữ liệu
chấn thương theo mùa. .ey tin rằng bài kiểm tra FMS có thể được sử dụng như một công cụ đánh giá để dự đoán các chấn
thương thể thao nghiêm trọng và nhắc nhở rằng điểm FMS dưới 11 điểm. Các vận động viên có điểm FMS trung bình trong mùa
giải dưới 14 điểm có nguy cơ chấn thương cao hơn nhiều so với những vận động viên có điểm trên 14 điểm. Trong nghiên cứu
tương tự tiếp theo của mình, ông phát hiện ra rằng sau khi huấn luyện can thiệp có mục tiêu cho các vận động viên, số điểm
FMS lớn hơn 14 đã tăng lên đáng kể và các vận động viên có vấn đề về chuyển động không đối xứng cũng có thể được cải thiện.
Dennis Rex [24] đã tiến hành các thử nghiệm FMS trên 67 cầu thủ bóng bầu dục đại học và kết hợp sức mạnh bùng nổ chi dưới
của họ và dữ liệu chấn thương theo mùa. .ey tin rằng bài kiểm tra FMS có thể được sử dụng như một công cụ đánh giá để dự
đoán các chấn thương thể thao nghiêm trọng và nhắc nhở rằng điểm FMS dưới 11 điểm. số lượng điểm FMS lớn hơn 14 tăng lên đáng kể và các vận động vi
lập trình khoa học
. nguy cơ chấn thương thể thao của các vận động viên cao gấp 9 lần so với các
vận động viên khác, và cần phải tập luyện khắc phục kịp thời. Dorrel và cộng
sự. [25] đã theo dõi chấn thương của 257 vận động viên đại học sau khi tiến
hành các bài kiểm tra FMS và phát hiện ra rằng những vận động viên đạt điểm
dưới 15 trong bài kiểm tra FMS có nhiều khả năng bị chấn thương hơn.
3. Phương pháp luận
. Đây là phần chủ yếu giới thiệu về công nghệ nền tảng dữ liệu
lớn và các lý thuyết liên quan đến nghiên cứu của bài viết này.
Hình 1 cho thấy các ví dụ về chấn thương thể thao thể dục nhịp
điệu.
. Cách tiếp cận được đề xuất trước tiên giới thiệu phần cốt lõi
cấu trúc, nguyên tắc làm việc và hệ sinh thái liên quan của nền
tảng Hadoop, sau đó giới thiệu các ý tưởng cơ bản về lý thuyết
khai thác dữ liệu của phân tích dữ liệu lớn và các thuật toán khai
thác dữ liệu phổ biến được phác thảo. Cuối cùng, nguyên tắc
của mạng nơ-ron tích chập [26–31] và thuật toán hai nhánh
được đề xuất trong bài báo này được giải thích. Hình 2 cho thấy
khung tổng thể của phương pháp đề xuất.
3.1. Khai thác và phân tích dữ liệu..Các phần phụ sau đây
hiển thị phần khai thác và phân tích dữ liệu của bài báo.
3.1.1. Nền tảng dữ liệu lớn.Hadoop hiện là một trong những
nền tảng dữ liệu lớn được sử dụng rộng rãi bởi các tổ chức
nghiên cứu có liên quan trong ngành. Đây là một dự án cấp cao
nhất mã nguồn mở được duy trì bởi Quỹ Apache. Hadoop kế
thừa ý tưởng phân phối và áp dụng đầy đủ ý tưởng đó vào công
nghệ xử lý và lưu trữ dữ liệu. .e Hệ sinh thái Hadoop cũng bao
gồm nhiều phần mềm mã nguồn mở. .e mã nguồn mở của toàn
bộ hệ sinh thái cho phép phần mềm trong đó được mọi người
giám sát và duy trì, đồng thời tính ổn định và bảo mật của hệ
thống sẽ có độ đảm bảo tương đối cao. Hơn nữa, mã nguồn mở
của toàn bộ hệ thống hỗ trợ rất nhiều cho việc sử dụng của
người dùng. Điện toán dữ liệu lớn không còn là khả năng độc
tôn của một số tổ chức chuyên nghiệp và dần trở thành lĩnh vực
mà mọi nhà phát triển đều có thể đặt chân vào. Hình 3 là kiến
trúc hệ sinh thái của nó.
HDFS là hệ thống tệp phân tán của Hadoop. Là nền tảng
dữ liệu của toàn bộ hệ sinh thái, HDFS nằm ở dưới cùng của
hệ sinh thái. Nó có yêu cầu rất thấp về tài nguyên phần
cứng, có thể chạy trên các máy tính có cấu hình thấp và có
thể đảm bảo tính an toàn và ổn định của dữ liệu trong
trường hợp lỗi phần cứng thông qua bộ lưu trữ dự phòng. .
Hệ thống tệp điện tử chia mỗi tệp thành nhiều phần, mỗi
phần được gọi là khối dữ liệu và mỗi khối dữ liệu được sao
chép thành ba bản và được lưu trữ ở các vị trí khác nhau,
điều này không chỉ cung cấp thông lượng truy cập dữ liệu
cao mà còn có khả năng chịu lỗi cực cao . Hình 4 cho thấy sơ
đồ kiến trúc HDFS. Với vai trò là người quản lý trong HDFS,
NameNode đảm nhận các nhiệm vụ cốt lõi. Nó chịu trách
nhiệm quản lý thông tin ánh xạ của các khối dữ liệu. Là bộ
lưu trữ dự phòng nóng của NameNode, tầm quan trọng của
sự tồn tại của thứ cấp và NameNode là để đối phó với một
điểm lỗi duy nhất có thể xảy ra trong NameNode.
HDFSClient là ứng dụng khách truy cập HDFS và
3
tất cả các yêu cầu của khách hàng trước tiên sẽ tương tác với
NameNode. Mỗi DataNode duy trì tương tác với NameNode và
đóng vai trò là một khối nơi nút nô lệ lưu trữ dữ liệu.
MapReduce là công cụ điện toán của Hadoop. Trình theo dõi
công việc là cốt lõi của MapReduce, chịu trách nhiệm về tất cả
các phân bổ nhiệm vụ và lập lịch trình công việc. JobTracker
phân tách các tác vụ và phân phối chúng cho từng nút
TaskTracker để thực thi. TaskTracker chạy bản đồ và thu nhỏ các
tác vụ và báo cáo trạng thái của các tác vụ cho JobTracker
thường xuyên. .ere là nhiều thành phần quan trọng trong hệ
sinh thái Hadoop. HBase là cơ sở dữ liệu lưu trữ cột hiệu suất
cao, có thể mở rộng cho dữ liệu có cấu trúc. Hive có nguồn gốc
từ Facebook, là một kho dữ liệu dựa trên Hadoop, chủ yếu được
sử dụng để giải quyết vấn đề thống kê dữ liệu có cấu trúc lớn. .e
tính năng lớn nhất của Hive là nó có thể chuyển đổi SQL thành
các công việc MapReduce để nó có thể được thực thi trên
Hadoop. Zookeeper được sử dụng để giải quyết vấn đề phối hợp
ứng dụng trong môi trường phân tán. Sqoop đảm nhận nhiệm
vụ truyền dữ liệu giữa cơ sở dữ liệu truyền thống và Hadoop.
Pig có thể chuyển đổi ngôn ngữ kịch bản thành công việc
MapReduce và thực thi chúng trên Hadoop. Mahout là một thư
viện các thuật toán học máy cho Hadoop. Flume là một hệ
thống thu thập nhật ký mã nguồn mở.
3.1.2. Khai thác dữ liệu.Là một công nghệ xử lý dữ liệu, khai thác
dữ liệu nhằm khám phá các quy luật và kiến thức đằng sau các
hiện tượng ẩn giấu trong thực tế thông qua một loạt các hoạt
động và tính toán trên dữ liệu. Nó cũng là một trong những
điểm nóng nghiên cứu hiện nay trong lĩnh vực khoa học. Công
nghệ khai thác dữ liệu dựa trên những lợi thế của nhiều công
nghệ liên quan, có thể trích xuất thông tin có giá trị ẩn từ dữ
liệu thực và cung cấp tài liệu tham khảo cho các hoạt động thực
tế. Từ quan điểm phương pháp luận, khai thác dữ liệu có thể
được chia thành hai loại: mô tả và dự đoán. .e điểm giống nhau
giữa hai là pháp luật được tính toán thông qua các dữ liệu hiện
có. .e sự khác biệt là mục đích của mô tả là cung cấp hỗ trợ giải
thích cho quy luật của dữ liệu và dự đoán là cung cấp dự báo
cho các hoạt động thực tế.
. Các chức năng của khai phá dữ liệu được chia thành các
loại thấp:
(1) Khái niệm hoặc mô tả lớp:
. là loại khai thác dữ liệu chủ yếu mô tả lớp hoặc khái
niệm dữ liệu thông qua phương pháp phân biệt và
mô tả dữ liệu. Phân loại dữ liệu phân loại dữ liệu
được khai thác bằng cách xây dựng một bộ dữ liệu
so sánh. Đặc tính hóa dữ liệu trước tiên bằng cách
truy vấn các bộ dữ liệu liên quan hiện có và sau đó
tóm tắt các đặc điểm của chúng.
(2) Mô hình dự đoán:
Các phương pháp dự đoán khai thác dữ liệu
được chia thành hai loại, trong đó phương
pháp phân loại và hồi quy được áp dụng cho
các biến rời rạc và liên tục. Mô hình dự đoán
tạo ra một mô hình thông qua đào tạo để sai
số giữa giá trị dự đoán và giá trị thực của biến
được chỉ định đạt đến mức tối thiểu chung. .e
4 lập trình khoa học

căng khớp
bong gân khớp

Căng cơ

Nhân vật1: Ví dụ về chấn thương thể thao aerobic.

x
phân tích dữ liệu lớn tenxơ tính năng y (Trọng lượng)

bản đồ đặc trưng đầu ra

Đầu vào

tích chập phụ tích chập phụ Đầy đủ

lấy mẫu lấy mẫu kết nối

Nhân vật2: Khung tổng thể của thuật toán đề xuất của chúng tôi.

tổ ong Con lợn Quản tượng

truy vấn SQL viết kịch bản học máy

Sqoop
Dữ liệu

trao đổi cơ sở
cột
cửa hàng

Zooke
SỢI mẹpReduce
eper cekhung ssing ork
phân phối chuyên nghiệp
phối hợp

ống khói

đăng nhập

nhà sưu tầm

HDFS
Hệ thống tệp phân tán Hadoop

Nhân vật3: Kiến trúc hệ sinh thái Hadoop đ.

lập trình khoa học
Nhân vật4: Sơ đồ mạng nơ-ron được kết nối đầy đủ.
ứng dụng của loại thuật toán này thường được sử dụng
trong dự đoán rủi ro dịch bệnh.
(3) Phân tích hiệp hội:
Được sử dụng để mô tả các tính năng liên quan trong
dữ liệu, các mẫu được phát hiện thường được thể hiện
dưới dạng các quy tắc ngầm hoặc tập hợp con tính
năng. Các quy tắc kết hợp .e bắt nguồn từ phân tích kết
hợp có thể tiết lộ sự phụ thuộc của từng thành phần
trong tập dữ liệu và chỉ ra các điều kiện theo đó các
thuộc tính xuất hiện trong tập dữ liệu với tần suất cụ
thể. Chẳng hạn, phân tích mối tương quan của nhiều
triệu chứng bệnh nhân có thể tìm ra quy luật tương
quan xảy ra giữa các triệu chứng.
(4) Phân tích cụm:
. Chức năng chính của loại thuật toán khai thác
dữ liệu này là chia tập dữ liệu thành các nhóm
có giá trị hoặc có ý nghĩa. Phân tích cụm và
phân tích phân loại đều giống nhau và khác
nhau. .e sự khác biệt là phân tích cụm thuộc
phân loại không giám sát. Nhãn lớp .e cần
được lấy từ dữ liệu và số lượng lớp không được
biết trước khi phân cụm.
(5) Phát hiện bất thường:
Dựa trên phân tích tập dữ liệu, thu được các đặc điểm
bất thường hoặc dữ liệu bất thường. Nó thường được
sử dụng trong chẩn đoán các bệnh bất thường và phát
hiện lưu lượng mạng bất thường.
3.1.3. Thuật toán khai thác dữ liệu.Khi khai thác dữ liệu tiếp tục kết
hợp kiến thức miền mới, các thuật toán khai thác dữ liệu không
ngừng phát triển và các phương pháp khai thác ngày càng trở nên
phong phú. Mọi người có thể chọn các thuật toán khai thác cụ thể
dựa trên nhu cầu khai thác. .e sau đây là một số thuật toán thường
được sử dụng để khai thác dữ liệu:
(1) Mạng lưới thần kinh:
Mạng lưới thần kinh là một thuật toán thông minh mà
mô phỏng truyền thần kinh não người. Nó
thường bao gồm ba phần: đầu vào, đầu ra và ẩn.
TÔIt là số chia chếtvào thứ ree mô hình. .em là
mô hình mạng feedforward, mô hình mạng
phản hồi và mô hình mạng tự tổ chức. .e
mạng lưới thần kinh có khả năng mạnh mẽ để xử lý
5
dữ liệu phi tuyến tính, hiệu suất chịu lỗi tốt và độ
chính xác phân loại cao, nhưng hiệu suất thấp
trong việc giải thích kết quả. .e được sử dụng phổ
biến nhất trong lĩnh vực y tế là mạng nơ-ron
truyền tiếp nhiều lớp, mạng nơ-ron BP. Điều đáng
chú ý là mạng nơ ron được sử dụng trong bài viết
này là mạng nơ ron tích chập.
(2) Cây quyết định:
Cây quyết định là một mô hình cấu trúc cây với
các luật phân loại và mối quan hệ nhánh logic của
nó là từ trên xuống. .e cây quyết định chọn nút
gốc theo các thuộc tính biến theo các tham số
như độ lợi thông tin và hệ số Gini rồi chia xuống
theo các thuộc tính biến của nút gốc để tạo thành
các nhánh; sau đó, mỗi nút nhánh kiểm tra lại các
thuộc tính biến và tiếp tục phân nhánh xuống và
cứ thế tiếp tục cho đến khi danh mục của nút
được đồng nhất hoặc đạt đến ngưỡng đã đặt.
Thuật toán .e có thể chuyển đổi thành luật phân
loại để phân loại bệnh theo triệu chứng, từ đó dự
đoán bệnh. Các thuật toán phổ biến bao gồm
thuật toán ID3, thuật toán C4.5 và thuật toán GIỎ
HÀNG.
(3) Thuật toán phân cụm:
. Mục đích của thuật toán phân cụm là thu được một
số lớp thông qua phân tích tính toán, đây là một
phương pháp học tập không giám sát. Trong số đó,
dữ liệu giữa các lớp khác nhau thường không tương
quan hoặc có sự khác biệt nhất định và dữ liệu giữa
các lớp giống nhau có mối tương quan hoặc tương
đồng nhất định. .e thuật toán k-means là thuật toán
phân cụm phổ biến nhất.
(4) Điều lệ hiệp hội:
Khai thác luật kết hợp là quá trình tìm kiếm các luật
kết hợp mạnh thông qua độ hỗ trợ tối thiểu và độ tin
cậy tối thiểu được chỉ định. Thông thường, nó bao
gồm hai phần, một là tìm tất cả các tập phổ biến và
hai là tìm các luật kết hợp trong các tập phổ biến.
Các thuật toán phổ biến bao gồm thuật toán Apriori
và thuật toán tăng trưởng FP.
(5) Phân loại hiệp hội:
Thuật toán phân loại hiệp hội là một trong những
phương pháp phân loại quan trọng. .e đặc điểm của
phương pháp phân loại này là đầu tiên trích xuất các
quy tắc phân loại kết hợp và sau đó xây dựng một
mô hình để dự đoán các trường hợp chưa biết và kết
hợp khai thác quy tắc kết hợp và phân loại. Các thuật
toán phân loại kết hợp thường bao gồm ba phần:
tạo quy tắc, sắp xếp và cắt tỉa quy tắc và dự đoán các
trường hợp mới. Các thuật toán phổ biến bao gồm
thuật toán CBA, thuật toán CMAR và thuật toán
ACSER.
3.2. Mạng thần kinh tích chập.Hình 4 là sơ đồ cấu trúc
của mạng nơ-ron được kết nối đầy đủ và Hình 5 là sơ
đồ cấu trúc của mạng nơ-ron tích chập.
6 lập trình khoa học
Nhân vật5: Sơ đồ mạng nơ ron tích chập.
Mặc dù cả hai khá khác nhau trên bề mặt, nhưng chúng
thực sự rất giống nhau về cấu trúc. Mạng thần kinh tích
chập cũng được kết nối thông qua các lớp nút và mỗi nút
cũng đại diện cho một nơ-ron. .e điểm khác biệt là mạng
nơ-ron được kết nối đầy đủ thường có kết nối với mọi nơ-
ron trong mỗi hai lớp liền kề, trong khi chỉ một số nút
trong các lớp liền kề của mạng nơ-ron tích chập được kết
nối, điều này có thể làm giảm bớt vấn đề về các tham số
quá mức của mạng một cách hiệu quả. mạng lưới thần
kinh được kết nối đầy đủ. Quá nhiều tham số của mạng
nơ-ron sẽ khiến tốc độ tính toán chậm, thời gian tính
toán lâu, đồng thời dễ xảy ra hiện tượng overfitting.
Mạng thần kinh tích chập có thể giảm số lượng tham số
một cách hiệu quả và tăng tốc độ đào tạo mô hình.
Trong một vài lớp đầu tiên của mạng thần kinh
tích chập, các nút dữ liệu được chuyển đổi thành ma
trận ba chiều và chỉ một số nút được kết nối với các
lớp liền kề. Một mạng thần kinh tích chập thường bao
gồm cấu trúc sau.
3.2.1. Lớp đầu vào..Lớp đầu vào e là đầu vào của
mạng thần kinh. Trong mạng thần kinh tích chập định
hướng hình ảnh, nó đại diện cho ma trận pixel được
chuyển đổi sau khi máy tính đọc được hình ảnh. .e
pixel matrix là ma trận ba chiều. .e chiều dài và chiều
rộng biểu thị kích thước của ảnh, còn chiều sâu biểu
thị số kênh màu của ảnh. Khi ảnh đầu vào là ảnh đen
trắng, độ sâu là 1; khi ảnh đầu vào là ảnh màu, độ sâu
là 3. Bắt đầu từ lớp đầu vào, ma trận ba chiều được
chuyển thành ma trận ba chiều khác thông qua một
cấu trúc mạng khác cho đến lớp được kết nối đầy đủ
cuối cùng.
3.2.2. Lớp tích chập..Lớp tích chập là phần quan trọng
nhất của mạng nơ-ron tích chập và là chìa khóa để
trích xuất các tính năng.
Hình 6 là sơ đồ của quá trình chuyển đổi lớp tích
chập. .e ma trận nhỏ của lớp đầu vào và nhân tích chập
được tích chập để thu được ma trận nhỏ của lớp đầu ra.
Hạt nhân tích chập .e cũng là một ma trận ba chiều.
Chiều dài và chiều rộng của nó được đặt thủ công. Hạt
nhân tích chập .e cũng là một ma trận ba chiều, chiều dài
và chiều rộng của nó được đặt thủ công và kích thước là
3∗3 hoặc 5∗5. Vì độ sâu của hai ma trận của phép tích
chập phải như nhau nên độ sâu của
bộ lọc không thể thay đổi và phải giống với độ sâu của
ma trận lớp đầu vào. Hạt nhân tích chập .e cũng cần đặt
số theo cách thủ công và số của nó xác định độ sâu của
ma trận lớp đầu ra. .e quá trình từ lớp đầu vào đến lớp
đầu ra được gọi là lan truyền thuận. Giả sử rằngMộtXYZ
được sử dụng để biểu thị giá trị của một điểm nhất định
trong ma trận đầu vào,wXYZđại diện cho giá trị của vị trí
của hạt nhân tích chập vàbđại diện cho tham số thuật
ngữ sai lệch tương ứng của nút, sau đó
mn q
g�f⎛ ��
⎝ �� �� �� �� �� �� Một
�� wXYZ��
XYZ��
��
⎠,
+b⎞ �� �� �� (1)
x�1y�1z�1
Ở đâuglà đầu ra của điểm tương ứng,(m, n, q) lần lượt
là chiều dài, chiều rộng và số lượng hạt tích chập, vàf
là chức năng kích hoạt. .e hàm kích hoạt hoạt động
như một phép biến đổi phi tuyến tính của đầu ra. .
Hàm kích hoạt thường được sử dụng bao gồm một
đơn vị chỉnh lưu tuyến tính (ReLu) và hàm hyperbol
(sigmoid).
3.2.3. Lớp tổng hợp.Có thể thấy từ Hình 7 rằng một lớp
tổng hợp thường được thêm vào sau lớp tích chập. . Lớp
tổng hợp có thể giảm kích thước của dữ liệu đầu vào,
giảm số lượng tham số và tăng tốc độ tính toán mạng
cùng một lúc. Ngăn chặn sự xuất hiện của các vấn đề
overfitting tương tự như quá trình lan truyền thuận của
lớp tích chập. Lớp tổng hợp .e cũng được hoàn thành
bằng cách trượt cấu trúc bộ lọc trên ma trận. .e sự khác
biệt là lớp tổng hợp sử dụng một giá trị tối đa đơn giản
hoặc phương pháp trung bình.
Hình 7 cho thấy quá trình tính toán của lớp tổng hợp sử
dụng tổng hợp tối đa. Ở đây, kích thước của bộ lọc là 2×2, nghĩa
là, khu vực mục tiêu của hoạt động tổng hợp là 2×2 nút và kích
thước bước là 2, nghĩa là phép tính được thực hiện sau mỗi 2
bước.
3.2.4. Lớp được kết nối đầy đủ.Lớp CNN được kết nối đầy đủ,
giống như mạng thần kinh được kết nối đầy đủ, ánh xạ các tính
năng đã học được bởi lớp tích chập trước đó và lớp tổng hợp
vào không gian nhãn mẫu, hoạt động như một bộ phân loại. .e
lớp được kết nối đầy đủ là không cần thiết; nó có thể được thay
thế bằng một lớp tích chập sử dụng hạt tích chập có kích thước
1×1.
lập trình khoa học 7

3.2.5. Lớp Softmax.Trong việc sử dụng đa phân loại,
lớp softmax thường được sử dụng làm lớp cuối cùng
của mạng lưới thần kinh sâu, giúp đầu ra của mạng
đơn giản với xác suất của các phân loại khác nhau. .e
ba hạng mục chấn thương thể thao thể dục nhịp điệu
trong bài viết này là các nhiệm vụ đa phân loại.ở đâuN
là số mẫu huấn luyện,ylà giá trị nhãn của dữ liệu huấn
luyện,llà số lớp mạng, vàMộtl(x)là đầu ra của mạng.
. thử nghiệm này sử dụng trình biên dịch PyCharm và khung
học sâu TensorFlow trong môi trường Windows và sử dụng
phương pháp học hàng loạt nhỏ, trình tối ưu hóa Adam, tốc
độ học là 0,0001, 100 hình ảnh được chọn để đào tạo cùng
một lúc và tổng cộng 1000 lần lặp lại được thực hiện. Các
tham số mô hình thử nghiệm .e được thể hiện trong Bảng 1.

Giới thiệu hàm lỗi bình phương trung bình làm hàm 4.2. Đối tượng thí nghiệm.Lấy sinh viên năm nhất và năm hai
chi phí trong truyền ngược, thể dục nhịp điệu ở một thành phố nào đó làm đối tượng
nghiên cứu, có tổng cộng 60 cô gái. Khi bắt đầu thử nghiệm, có
1�� ��2 2 người bị chấn thương thể thao cấp tính và cuối cùng họ được
C�  y-Mộtl(x)��, (2)
2Nx xác nhận là 58 người. .ere không có sự khác biệt đáng kể về
chiều cao, cân nặng, tuổi và số năm tập luyện của 58 nữ chuyên
Tính toán lỗi của từng đơn vị của lớp đầu ra, định nghiệp thể dục nhịp điệu.
nghĩa lỗi của đơn vị thứ j của lớp thứ L:
zC
δjl� . (3)
zzlj 4.3. Phương pháp thực nghiệm..Thí nghiệm nhận dạng hình ảnh
điện tử dựa trên mạng nơ ron tích chập trong bài báo này được chia
Theo quy tắc dây chuyền, ta có thành giai đoạn huấn luyện và giai đoạn thử nghiệm. Giai đoạn đào
tạo .e có các nội dung sau.
zC zC zMộtl
j zC
δjl� l � l f′��zjl��. (4)
zzlj� zMộtjzzjl zMộtj

Dạng ma trận của nó là

4.3.1. Bài tập thể dục nhịp điệu (Deep Squat).Đứng thẳng với
hai chân rộng bằng vai hoặc rộng hơn vai một chút
t
ztôi�   wtôi+1��δtôi+1 ⊗f′��ztôi��. (5) rộng ra, với các ngón chân hướng thẳng về phía trước. đặt
que thử lên đỉnh đầu và chỉnh tay sao cho khớp khuỷu
Sau khi tính toán lỗi của lớp đầu ra, lỗi của lớp 90°; mở rộng cả hai cánh tay cùng một lúc để nâng
trước đó sẽ được tính toán. Theo quy tắc dây chuyền que thử lên đầu. .en, từ từ ngồi xổm cho đến khi đùi
ta được song song với mặt đất, giữ cho gót chân không rời
zC khỏi mặt đất, nâng cao đầu và ngực, giữ thẳng lưng,
ztôi
j�
zztôij không ưỡn eo và giữ que thử cách xa đầu như khả thi.
Trong quá trình squat, khớp gối hai bên nằm trong
zCzztôik+1 cùng một mặt phẳng với bàn chân. Đừng
�̵ tôi+ (6) khóa đầu gối của bạn vào trong và luôn giữ cho các ngón chân
kzz1 k zzjtôi của bạn hướng về phía trước. Bài kiểm tra ngồi xổm .is được lặp
lại ba lần. . là thí nghiệm chụp ảnh toàn bộ quá trình luyện tập
zztôik+1 δtôi+1 để mạng lưới thần kinh học hỏi các đặc điểm của tình trạng
�̵ k. căng khớp, bong gân và căng cơ.
k zztôij

. vì vậy,
tôi 4.3.2. Nâng Chân Thẳng Chủ Động..đối tượng nằm ngửa,
δjtôi
�̵wtôi+1kj
tôiδ+1
j f′��zj��.
(7) với hai cánh tay đặt bên hông, lòng bàn tay ngửa và nằm thẳng;
k
bảng kiểm tra được đặt dưới đầu gối với các ngón chân hướng
Theo cách này, các lỗi có thể chạy qua toàn bộ mạng thẳng lên trên.
bằng cách lan truyền ngược. Hãy để căng khớp, bong gân và Nó được đặt ở giữa đường giữa gai chậu trước
căng cơx,y, Vàz. Phương trình đầu ra .e thông qua softmax trên và điểm giữa của xương bánh chè, vuông góc với
chức năng là mặt đất. .e đối tượng nhấc một chân lên
Soft max (hình ảnh đầu vào)�tối đa [XYZ]. (số 8)
đến mức tối đa và giữ cho khớp gối thẳng trong suốt quá
trình nâng. .e khớp đầu gối của bên kia phải càng tiếp
xúc với bảng thử nghiệm càng tốt, các ngón chân hướng
4. Thí nghiệm và kết quả lên trên và bên đối diện cũng vậy. Thí nghiệm .is chụp
ảnh toàn bộ quá trình luyện tập cho mạng lưới thần kinh
. Các phần phụ sau đây hiển thị các thí nghiệm và kết quả để tìm hiểu các đặc điểm của tình trạng căng khớp, bong
của bài báo. gân và căng cơ.
. quá trình đào tạo là 1 tuần và các hành động kiểm tra là 50
4.1. Cài đặt môi trường thử nghiệm và siêu tham số. bộ. Kết quả thí nghiệm .e được thể hiện trong Bảng 2.
số 8 lập trình khoa học

Nhân vật6: Lớp tích chập.

4 0 0 0

0 0 0 số 8 4 số 8
tổng hợp tối đa

0 số 8 0 0 số 8 0

0 0 -4 0

Nhân vật7: Lớp tổng hợp tối đa.

Bàn1: Cấu hình môi trường thí nghiệm.

Kích thước bộ lọc Số bộ lọc bước trượt Không lót
lớp chuyển đổi 5∗5 32 1/2 2
lớp tổng hợp 2∗2 2 0
lớp chuyển đổi 3∗3 64 1 1
lớp tổng hợp 2∗2 2 0
lớp chuyển đổi 3∗3 128 1 1
lớp tổng hợp 2∗2 2 1
lớp FC 512
lớp FC 256
lớp FC 128
lớp FC 100
lớp mềm 3

Bàn2: Kết quả dự đoán chấn thương thể thao aerobics.

Căng khớp (%) Bong gân khớp (%) Căng cơ (%)

Nhóm 1 74 68 71
nhóm 2 69 64 77
nhóm 3 78 64 69
nhóm 4 79 79 71
Nhóm 5 80 61 69
nhóm 6 74 71 79

. e Kết quả đào tạo CNN được thể hiện trong Hình 8. Khi
số bước huấn luyện lớn hơn 900, giá trị hàm mất mát
giảm xuống dưới 0,1.
4.4.Trực quan hóaKết quả.Có thể thấy từ Hình 9 rằng tỷ lệ chấn thương
thể thao cấp tính của thể dục nhịp điệu ở nhóm nguy cơ thấp
thấp hơn so với nhóm nguy cơ cao. Vì vậy, cho dù có can
thiệp tập luyện khắc phục hay không thì tỷ lệ chấn
thương của hai nhóm nguy cơ thấp sẽ không cao lắm. .e
thành viên của nhóm nguy cơ cao có nguy cơ chấn
thương cao hơn trong quá trình luyện tập. .do đó, chấn
thương của hai nhóm có nguy cơ cao có thể xác minh rõ
hơn hiệu quả của việc đào tạo khắc phục. .là thử nghiệm
lập trình khoa học 9

1.6

1.4

1.2

1.0

0,8

0,6

0,4

0,2

0,0
0 200 400 600 800 1000
Nhân vật8: Đường cong suy giảm của hàm tổn thất.

nhóm nguy cơ cao Nhóm rủi ro thấp

11
14

Số bệnh nhân bị thương Số Số bệnh nhân bị thương Số

bệnh nhân không bị thương bệnh nhân không bị thương

Nhân vật9: Kết quả so sánh dự đoán tỷ lệ thương tích giữa nhóm nguy cơ cao và nhóm nguy cơ thấp.

thử nghiệm chứng minh tính hiệu quả của thuật toán trong bài báo này
và có thể cải thiện mức độ khoa học của việc đào tạo thể dục nhịp điệu.
5. Kết luận
Thể dục nhịp điệu cạnh tranh đã nhanh chóng được quảng bá và
thành lập, và trình độ chuyên môn thể thao cũng được nâng cao
đáng kể. .e hiệu suất của một số sự kiện đã dần tiếp cận và đạt đến
trình độ tiên tiến. . do đó, điều quan trọng là phải đầu tư vào phân
tích định lượng và nghiên cứu trên phạm vi rộng liên ngành về hiệu
suất thể dục nhịp điệu và các yếu tố liên quan. .is paper xây dựng
một thuật toán dự đoán rủi ro chấn thương cho vận động viên thể
dục nhịp điệu nhánh kép mới dựa trên dữ liệu lớn và công nghệ thị
giác máy tính, đồng thời thông qua nghiên cứu thử nghiệm, người
ta đã chứng minh rằng phân tích dữ liệu lớn có thể trích xuất các
tính năng hiệu quả từ dữ liệu thể dục nhịp điệu cạnh tranh. Thứ hai,
kết hợp với mạng thần kinh tích chập để nhận dạng hình ảnh thể
dục nhịp điệu một cách trực quan, nó có thể chẩn đoán chính xác
đánh giá mức độ phát triển thể lực của vận động viên thể dục
nhịp điệu, làm rõ trọng tâm, mục tiêu nội dung tập luyện, nâng
cao tính khoa học của tập luyện thể dục nhịp điệu.
Dữ liệu sẵn có
. Dữ liệu điện tử được sử dụng để hỗ trợ những phát hiện của nghiên cứu này
được bao gồm trong bài báo.
Xung đột lợi ích
. Các tác giả tuyên bố rằng không có xung đột lợi ích liên
quan đến việc xuất bản bài báo này.
Người giới thiệu
[1] C. Bolling, W. Van Mechelen, HR Pasman và E. Verhagen, “Bối
cảnh quan trọng: xem xét lại bước đầu tiên của 'trình tự
10
phòng ngừa' chấn thương thể thao,”Y học thể thao, tập. 48, không. 10,
trang 2227–2234, 2018.
[2] A. Carbone và S. Rodeo, “Đánh giá hiểu biết hiện tại về viêm
xương khớp sau chấn thương do chấn thương thể thao,”
Tạp chí Nghiên cứu Chỉnh hình, tập. 35, không. 3, trang
397–405, 2017.
[3] A. Olmedilla-Zafra, VJ Rubio, E. Ortega và A. Garcı́a-Mas, “Hiệu
quả của chương trình thí điểm quản lý căng thẳng nhằm giảm
tỷ lệ chấn thương thể thao ở các cầu thủ bóng đá (bóng đá)
trẻ,”thể chất; kỷ nguyên trong thể thao, tập. 24, trang 53–59,
2017.
[4] X. Xiao, W. Xiao, X. Li, B. Wan và G. Shan, “.e ảnh hưởng của thành
phần thảm tiếp đất đối với nguy cơ chấn thương mắt cá chân trong
khi tiếp đất thể dục: định lượng cơ sinh học,”Acta của kỹ thuật sinh
học và cơ chế sinh học, tập. 19, không. 1, 2017.
[5] JR Miller, KW Dunn, LJ Ciliberti Jr., SW Eldridge, và
LD Reed, “Giá trị chẩn đoán của chụp cộng hưởng từ sớm sau chấn
thương mắt cá chân bên cấp tính,”;e Tạp chí Phẫu thuật Bàn chân
và Mắt cá chân, tập. 56, không. 6, trang 1143–1146, 2017.
[6] S. Malone, M. Roe, DA Doran, TJ Gabbett và K. Collins, “Mức độ tập
luyện thường xuyên cao và tiếp xúc với các đợt chạy với tốc độ tối
đa giúp giảm nguy cơ chấn thương trong bóng đá Gaelic ưu tú,”Tạp
chí Khoa học và Y học trong Thể thao, tập. 20, không. 3, trang 250–
254, 2017.
[7] X. Deng, X. Zhang, W. Li và cộng sự, “Tổn thương gan mãn tính gây
ra sự chuyển đổi tế bào biểu mô đường mật thành tế bào gan,”tế
bào gốc, tập. 23, không. 1, trang 114–122, 2018.
[8] YA Tuakli-Wosornu, E. Mashkovskiy, T. Ottesen,
M. Gentry, D. Jensen và N. Webborn, “Chấn thương cơ xương cấp tính và
mãn tính trong thể thao dành cho người khuyết tật,”Phòng khám phục
hồi chức năng và vật lý trị liệu của Bắc Mỹ, tập. 29, không. 2, trang 205–
243, 2018.
[9] L. Bowen, AS Gross, M. Gimpel, và F.-X. Li, “Khối lượng công việc tích
lũy và tỷ lệ khối lượng công việc cấp tính: mãn tính liên quan đến
nguy cơ chấn thương ở các cầu thủ bóng đá trẻ ưu tú,”Tạp chí Y học
Thể thao Anh, tập. 51, không. 5, trang 452–459, 2017.
[10] SJ Biddle, CJ Wang, NL Chatzisarantis, và CM Spray, “Động
cơ hoạt động thể chất ở thanh niên: niềm tin thực thể và
gia tăng về khả năng thể thao,”Tạp chí Khoa học Thể thao,
tập. 21, không. 12, trang 973–989, 2003.
[11] W. Van Mechelen, H. Hlobil, và HCG Kemper, “Tỷ lệ mắc bệnh, mức độ
nghiêm trọng, căn nguyên và phòng ngừa chấn thương thể thao,” Y học
thể thao, tập. 14, không. 2, trang 82–99, 1992.
[12] X. Ning, K. Gong, W. Li, L. Zhang, X. Bai, và S. Tian, “Mạng
tinh chỉnh tính năng và bộ lọc dành cho Tái nhận dạng
người,”Giao dịch của IEEE về Mạch và Hệ thống cho Công
nghệ Video, 2020, Trên báo chí.
[13] W. Cai và Z. Wei, “PiiGAN: các mạng lưới đối nghịch chung
cho việc vẽ hình ảnh đa nguyên,”Truy cập IEEE, tập. 8,
trang 48451–48463, 2020.
[14] X. Ning, P. Duan, W. Li và S. Zhang, “Căn chỉnh khuôn mặt 3D
trong thời gian thực bằng cách sử dụng mạng bộ mã hóa-giải
mã với lớp giải mã hiệu quả,”Chữ cái xử lý tín hiệu IEEE, tập. 27,
tr. 1944–1948, 2020.
[15] W. Cai và Z. Wei, “Phân loại ảnh viễn thám dựa trên cơ
chế chú ý chéo và tích chập đồ thị,”IEEE Khoa học địa
chất và Viễn thám, 2020.
[16] X. Ning, K. Gong, W. Li và L. Zhang, “JWSAA: chung yếu độ mặn
và nhận biết sự chú ý để nhận dạng lại người,” điện toán thần
kinh, 2020, trên Báo chí.
[17] H. Fanian, M. Khalilian, A. Zamanietal và cộng sự,Đại hội y học thể
thao thế giới XXIX F1MS, trang 14–16, Beiting, Tam Á, Trung Quốc,
2006.
lập trình khoa học
[18] L. Micheal,Tuggy&Cora Collette Brenner. Cẩm nang về các vấn
đề về cơ xương và chấn thương của Taylor, trang 205–231,
Springer, New York, NY, USA, 2006.
[19] DM Wiese-Bjomstal, AM Smith, SM Shaffer và cộng sự, “Một mô
hình phản ứng tích hợp đối với chấn thương thể thao: động lực
tâm lý và xã hội,”Tạp chí Tâm lý Thể thao Ứng dụng, tập. 10,
không. 10, trang 46–69, 1993.
[20] T. Bianco, S. Malo và T. Orlick, “Chấn thương và bệnh tật trong thể thao: những vận động
viên trượt tuyết ưu tú mô tả kinh nghiệm của họ,”Nghiên cứu hàng quý về tập thể dục
và thể thao, tập. 70, không. 2, trang 157–169, 1999.
[21] P. Malliou, A. Gioftsidou, G. Pafis, A. Beneka, và
G. Godolias, “Huấn luyện khả năng cảm thụ bản thân (bài tập giữ thăng
bằng) giúp giảm chấn thương chi dưới ở các cầu thủ bóng đá trẻ,” Tạp
chí Phục hồi chức năng lưng và cơ xương khớp, tập. 17, không. 3-4, trang
101–104, 2004.
[22] A. Bintoudi, M. Goumenakis và A. Karantanas, “Viêm đệm mỡ trên xương
bánh chè ở các vận động viên thể dục nhịp điệu: Đánh giá hình ảnh cộng
hưởng từ hai trường hợp,”y học mở, tập. 7, không. 6, trang 813–816,
2012.
[23] K. Kiesel, PJ Plisky và ML Voight, “Có thể dự đoán chấn thương nghiêm
trọng trong bóng đá chuyên nghiệp bằng màn hình chuyển động chức
năng trước mùa giải không,”Tạp chí Thể thao Thể thao Bắc Mỹ ;erapy,
tập. 2, không. 3, trang 147–158, 2007.
[24] B. Dennis Rex,Sức mạnh Tính linh hoạt Chức năng Di chuyển và chấn
thương ở các cầu thủ bóng đá nam ở trường đại học, Georgia College
and State University, Milledgeville, Georgia, 2010.
[25] B. Dorrel, T. Long, S. Shaffer, và GD Myer, “.e chức năng sàng lọc chuyển
động như một yếu tố dự báo chấn thương ở các vận động viên thuộc
hiệp hội thể thao đại học quốc gia hạng II,”Tạp chí Huấn luyện Thể thao,
tập. 53, không. 1, trang 29–34, 2018.
[26] W. Cai, B. Liu, Z. Wei, M. Li và J. Kan, “TARDB-Net: các mạng
BiLSTM và mật độ dư được hướng dẫn ba điểm chú ý để phân
loại hình ảnh siêu phổ,”Công cụ và ứng dụng đa phương tiện,
tr. 1–22, 2021, Trên báo chí.
[27] X. Ning, W. Li, B. Tang và H. He, “BULDP: phép chiếu phân biệt
địa phương không tương quan sinh học để trích xuất đặc trưng
trong nhận dạng khuôn mặt,”Giao dịch của IEEE về xử lý hình
ảnh, tập. 27, không. 5, trang 2575–2586, 2018.
[28] Z. Wang, C. Zou và W. Cai, “Phân loại mẫu nhỏ các hình
ảnh viễn thám siêu phổ dựa trên mô hình học sâu nối
liên tiếp,”Truy cập IEEE, tập. 8, trang 71353–71363,
2020.
[29] W. Cai và Z. Wei: (2019). Inpainting hình ảnh được tạo đa
dạng với trích xuất kiểu. https://arxiv.org/pdf/1912.
01834.pdf.
[30] ZL Yang, SY Zhang, YT Hu, ZW Hu, và YF Huang, “VAE-Stega:
steganography ngôn ngữ dựa trên bộ mã hóa tự động đa
dạng,”Giao dịch của IEEE về điều tra thông tin và bảo mật,
tập. 16, trang 880–895, 2020.
[31] X. Ning, X. Wang, S Xu et al.,Đánh giá nghiên cứu về đồng
đào tạo. Đồng thời và tính toán: Thực hành và kinh nghiệm,
Wiley, Hoboken, NJ, USA, 2021, Trên báo chí.