人工智能(Artificial Intelligence,AI)是一门在计算机科学、控制论、信息论、系统科学、哲学等多种学科基础上发展起来的,能够模拟、延伸、扩展人类智能的学科^[1]。1956年是人工智能元年,在著名的达特茅斯会议上,信息时代的伟大先知香农见证了 “人工智能”学科的诞生^[2]。人工智能源于模仿人类的行为和能力, 如思考和学习。它涉及所谓的 “智能代理”,即机器同样能够获得、模拟和利用知识,并具备分析能力和专业技能来解决实际问题^[3]。人工智能以软硬件为基础,是计算机科学中的一个分支, 同时自身主要有三大分支即认知AI(Cognitive AI)、机器学习AI(Machine Learn AI)和深度学习(Deep Learning)。

人工智能是人类进入信息产业革命时代达到的认识和改造客观世界能力的高峰。随着科技的发展, 在国际体育领域的训练手段中越来越多地运用了人工智能的辅助手段, 如基于人工神经网络的计算机视觉识别的单一目标跟踪分析和集体运动项目技战术分析系统、技术动作评测和基于深度学习的智能训练反馈系统、运动营养配比和身体疾病识别分析系统、体育赛事成绩预测系统、运动智能穿戴设备等方面。我国体育领域对于人工智能的研究起步较晚, 多集中在计算机视觉识别的单一目标跟踪分析、体育赛事成绩预测和运动智能穿戴设备领域, 且研究不够精细化与系统化。因此分析国际体育界对于人工智能的研究情况, 可以进一步完善国内相关学者的研究框架, 丰富研究视角, 取长补短,使自身研究层次更加丰富、方法更加科学、视野更加开阔。同时抓住时代契机, 加快人工智能体育研究与运用, 早日实现我国由体育大国迈进体育强国的目标。

1 数据来源与研究方法

本研究以Web of Science数据库平台核心集的SCIE、SSCI和A ﹠ HCI为来源数据库进行检索。本文重点探讨人工智能在广义上的具有一定规则的体育运动中的发展与应用情况,检索主题词为 “artificial intelligence sports”or “machine intelligence sports”or “computer vision intelligence sports ” or “neural networks sports”, 文献格式为Article, 检索范围为1995—2019年(因国际体育人工智能研究文献在SCIE、SSCI和A&HCI中最早出现于1995年), 共检索到初始文献325篇。利用Cite Space V软件(版本号为5.3.R4 32bit)绘制知识图谱,分析不同特征和类型的引文网络,识别和呈现该领域的发展新趋势和新动态^[4]。

2 体育人工智能研究的国家与学科分布

2.1 体育人工智能研究的国家(地区)分布

图1为体育人工智能研究的国家(地区)分布图。圆圈半径的大小、节点连接线条的粗细与发文量和联系紧密程度成正比。同时圆圈外层的紫色圆环宽度越宽,其中心性越大^[5]。从图1可以看出,325篇文献共来自28个国家(地区), 但不同国家(地区)的发文量却差距很大。美国以60篇排名第一,占总发文量的18%,中国和德国分别排在第二和第三位,发文量依次为47篇和28篇,英国(23篇)、韩国(14篇)、西班牙(12篇)和意大利(10篇)紧随其后。由此看出,在体育人工智能研究领域,美国仍是发文量最多的国家,中国有迎头赶上的态势,而其余国家则主要集中在欧洲和亚洲地区。从文章的中心性来看,美国仍以0.50位居第一,随后依次为中国(0.43)、英国(0.38)、德国(0.31)、意大利(0.13)、澳大利亚(0.13)、荷兰(0.13)。总体来看,中心性与发文量排序基本一致,也说明发文量较多的国家文章质量较高,值得注意的是,澳大利亚与荷兰虽然发文量不多但研究质量却位居前列,这与其发达的经济与技术有很大关联。我国在研究成果发文量和中心性均排在全球第二,这与我国社会发展、综合国力提升密不可分。科技助力近年来一直是我国体育领域发展和研究的重点,加强与国外学者的学术交流,进一步提升我国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 体育人工智能研究的学科分布

人工智能涉及的学科非常广泛,如哲学、认知科学、数学、神经学、生理学、心理学、计算机科学、信息论、控制论等,对体育人工智能进行综合研究已经成为趋势。设定Cite Space V的分析参数,时间分割为1995—2019年,每2年一切片,节点类型为Category,设置条件为 “Top N 50per slice”,析出学科分布与各学科中心性情况(图2)。排在第1位的是工程学(0.98),其后第2—10位依次是体育科学(0.54)、计算机科学(0.18)、仪器仪表学(0.17)、应用物理学(0.17)、物理学(0.17)、电子工程学(0.15)、心理学(0.14)、科学与技术(其他领域)(0.09)、神经科学(0.05)。可以看出,不同学科之间的交叉互补为体育人工智能的研究提供了坚实的理论基础,大大丰富了其研究方法,使研究成果具有更强的理论和实践意义。

3 体育人工智能研究的热点分析

关键词或主题词是文章精华的提炼,其出现的频次与研究主题的热度成正比^[6]。Cite Space V可以将关键词或主题词的聚类关系和频次高低以可视化的形式直观地表现出来,进而析出此研究领域的热点问题^[7]。

3.1 体育人工智能研究的高频关键词与热点聚类

将325篇文献的全部信息导入Cite Space V进行统计分析,最终将数据的统计结果制作为可视化图谱。时区分割选择1995—2019年,单个时间分区的长度设为2年。设置主题词来源为标题、摘要和关键词;阈值为 “Top N per slice”,节点类型选择关键词,算法选择关键路径计算法,最终析出了由117个节点和223条连线组成的体育人工智能研究热点知识图谱(图3)。

进一步合并汇总,整理出部分高频和高中心性关键词表(表1)。在图谱中,某节点和标注词字号越大,即在体育人工智能研究领域中此关键词出现得越频繁。而节点之间的连线越粗,表明关键词的联系越紧密,同时连线颜色的差异对应的是关键词第一次共现的时间^[8],如从关键词FRMI(功能性磁共振成像)、Machine Learning(机器学习)、Convolutional Neural Network(卷积神经网络)的连线可以看出这些研究方向是体育人工智能的新兴领域。同时,从表1可以看出, 高频关键词排在前列的为Neural Network(神经网络)、Artificial Neural Network(人工神经网络)、Performance(表现)、System(系统)等, 表明体育运动中人工网络系统的应用是目前体育人工智能领域研究的热点话题,尤其是运动的表现反馈和预测。中心性值排名靠前的关键词Exercise(活动)、 Machine Learning(机器学习)、 Network(网络)、FRMI(功能性磁共振成像)则进一步反映了目前体育人工智能的研究仍是建立在计算机科学、工程学、生物力学等学科基础上的,说明与其他学科融合发展是体育人工智能研究和发展的方向。

3.2 体育人工智能研究热点时区分析

为了更加清晰地梳理国际体育人工智能研究热点的发展脉络,以关键词和主题词作为网络节点,以 “Time Zone”作为可视化制图结果,得到1995年以来体育人工智能研究热点变化的时区图(图4)。可知,国际体育人工智能研究的热点已由发展初期的Neural Network(神经网络)、 Artificial Intelligence(人工智能)向Convolutional Neural Network(卷积神经网络)、Deep Learning(深度学习)等过渡,学科深度不断加强,应用效果不断完善。

4 体育人工智能研究演化分析

算法选择 “Pathfinder”(关键路径计算法) 并进行聚类,同时以LSI(潜语义索引算法)对施引文献的标题提取聚类命名,得到文献共被引网络图谱(图5)。高中心性节点文献是体育人工智能研究的枢纽和桥梁,具有重要的地位^[9]。其中Mean Silhouette=0.3991,其值在-1~1之间且较为接近1,说明次聚类主题明晰,文章内容联系紧密,聚类结果合理。依据图5中的聚类特征,结合聚类标题的研究方向,本研究将体育人工智能领域92个聚类中的主要聚类#0、# 5、#8作为知识群G1,#10作为知识群G2, #9作为知识群G3。对每个知识群中的代表文献信息进行梳理阐述,以更加客观地反映出国际体育人工智能领域的演化进程。

4.1 知识群G1:基于计算机视觉技术的神经网络分析和预测研究

从共引网络图谱可以看出,近25年间,利用神经网络对运动录像的技术分析和预测是目前国际体育人工智能研究的主要方向。神经网络分为生物神经网络和人工神经网络,前者一般指生物的大脑神经元、细胞和触点等组成的网络,而人工神经网络是从信息处理角度对人脑神经元网络进行抽象处理,建立某种简单模型,按不同的连接方式组成不同的网络。计算机视觉技术是用摄影机和电脑代替人眼对目标进行识别、跟踪和测量,并进一步进行图形处理,能够在训练辅助反馈中发挥重要作用。在体育运动的技战术分析和成绩预测中,研究者可以在计算机视觉技术基础上建立人工神经网络分析模型进行智能化和自动化分析。例如,Iyer等^[10] 通过搜集1985—2006年英国板球运动员的比赛录像数据建立神经网络预测模型,并对参加2007年板球世界杯的运动员的赛前表现进行了分析预测,最终与世界杯上球员实际表现基本吻合,证明神经网络确实可以为队员选择提供有价值的决策支持。Boris ^[11]结合高尔夫运动的特点建立科学的人工神经网络模型,使球体撞击时球面路径的预测结果达到了87%的准确率,同时还建立了基于多个参与者的高尔夫球数据集的推理模型。在对团体运动的战术分析研究中,德国科隆体育大学教授Memmert等^[12]运用一种升级版人工神经网络的拱形结构对一场足球比赛中22名球员的大约13 5000个数据集进行收集和分析,寻找出了针对不同场上情况的高效战术模式。Hassan等^[13]通过运用人工神经网络模型对欧洲U18手球锦标赛中723个动作进行注释分析,实现了对球员跑动位置数据的准确预测。Matthias等^[14]通过在前期比赛中运用智能视频跟踪系统记录10名篮球运动员的比赛数据,并利用动态可控神经网络进行分类和评价,通过分析上半场赛况,计算出了下半场最合理的技战术方案。

卷积神经网络被称为 “平移不变的人工神经网络”,其具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类,是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一(图6)^[15]。体育比赛中的运动员视频跟踪需要计算机视觉技术作为基础, 因此卷积神经网络作为一种强有力的图像识别模型在体育比赛分析中的应用也越来越广泛。例如Jian等^[16]运用卷积神经网络模型,提取出了训练视频中的深层关键帧,进而对职业举重运动员训练中的竞技姿态进行监督和分析,有针对性地完善技术动作,提高了训练效率使训练更加科学。Minhas等^[17]提出了一种基于AlexNet卷积神经网络的运动视频镜头分类方法,对体育视频中运动员技术分析的准确度达到了94.07%,并已运用在板球和足球的视频分析领域。

4.2 知识群G2:基于计算机深度学习的人工智能训练反馈系统研究

围绕生理机能指标、技术动作指标的智能训练反馈研究是目前人工智能训练反馈系统研究的重点方向。在生理机能指标反馈研究方面, Cooper ^[18]通过采集轮椅竞速运动员在一个赛季中的心率数据,分析了有氧训练、力量训练与运动表现之间的关系。Novatchkov ^[19]提出了一种模式识别技术,在力量训练器械中加装旋转编码器,用于评估运动员在器械练习过程中的肌肉力量和动作位移的机体适应情况,使专业教练能更准确地分析运动员成绩,优化整体训练效果。近年来,运动场上的猝死案例持续增加,Chang ^[20] 认为传统的ECG心电图检测对于运动员心脏功能的检查存在漏洞,运用人工智能的深度学习能力并结合人工神经网络的分析能力可以提高对运动员心脏功能检查的针对性、准确性。在技术动作的反馈方面,Baca等^[21]通过运用计算机视频分析射击运动员在架枪到发枪过程中枪头的晃动轨迹并建立分析模型,得出了顶级运动员与一般运动员的模型差异,有助于科学制定训练计划提高竞赛成绩(图7)。Baca ^[22]还介绍了一种具有内置无线功能的教练终端反馈系统,通过划艇上的传感器获取运动员心率、桨频、触水角度和划桨推力等数据,给教练的决策提供实时反馈。 Novatchkov等^[19,23]运用人工神经网络等智能建模方法,将旋转编码器安装在负重训练器械上, 可以使运动员在进行力量训练时对自身运动技术进行自动评估,并提供科学有效的反馈。Najafi等^[24]通过在高尔夫运动员身上布置陀螺仪,并建立双连杆训练反馈模型对运动员挥杆过程中的身体重心轨迹进行分析,结论显示其相较于传统的基于摄像机技术的运动分析,能够提供更多的3D分析视角,对身体重心和挥杆质量的评估更准确。除此之外,人工智能训练反馈模型在网球^[25]、人体步态^[26]等领域训练和矫正方面也有良好的应用效果。

4.3 知识群G3:高效智能穿戴设备应用研究

传统的智能穿戴设备如简单的运动手环已经普及开来,可针对运动训练监测要求不高的群体进行可视化实时反馈,但其只能呈现出模糊运动强度和运动量情况,无法呈现出详细的生理生化指标以及反馈运动中的不合理的技术动作。随着科学技术的发展,智能穿戴设备的设计材料更加先进,生理生化分析功能更加全面、灵敏和准确,同时也可以实时反馈运动的肢体活动情况, 有助于规范运动中的技术动作。Cai等^[27]研发出一种厚度为微米的、灵敏度和延展性极高、探测极限低、可伸缩和可调谐范围的应变传感器。这些特性使其能够探测到人体在行走、跑步和跳跃中大规模肌肉运动的传感信号,对运动中肌肉工作情况进行实时反馈以及对运动健康情况进行跟踪分析和评估(图8)。NBA金州勇士队在训练中,球员会穿戴Catapult Sports的监控器记录追踪加速度、变向、心率等指标,并使用Omegawave设备监控神经紧张度^[28]。在对技术动作的改进方面,Buttussi等^[29] 设计出一种名为Mopet的户外健身穿戴系统,它通过在户外环境中交替进行慢跑和健身运动来监督身体健康活动,通过引导式自动测试建立一种定期更新的用户锻炼模型,培养用户的自觉锻炼意识,并可以提供三维动画演示指导用户如何正确的练习。 MySwing Professional是一种高尔夫球员辅助训练装备,能借助穿戴在球员身上的多个微型运动传感器对球员挥杆时的身体动作进行分析,使肉眼难以观察到的技术细节更加直观地呈现出来^[30]。

除了上述三种知识群的研究领域外,国际体育人工智能研究还涉及体育场馆高效疏散^[31]、运动营养的智能配比^[32]、新闻媒体的智能化变革^[33]等方向。

5 结论与展望

(1)国际体育人工智能研究的成果在近5年呈快速增长的态势,研究的国家较为分散,其中美国、中国和德国在研究成果进展上较为领先。

(2)国际体育人工智能研究涉及的学科非常广泛,包括工程学、体育学、计算机科学、仪器仪表学、物理学等,不同学科和专业的知识提供了研究体育人工智能的理论与方法基础,可以预料对体育人工智能进行综合研究已经成为该领域研究的发展趋势。

(3)国际体育人工智能的研究热点已由早期的神经网络、人工智能向卷积神经网络、深度学习等领域过渡。在体育运动训练领域逐渐形成基于计算机视觉技术的神经网络分析和预测的研究、基于计算机深度学习的人工智能训练反馈模型研究和智能穿戴设备应用研究的主要研究方向。目前国际体育人工智能的研究尚处于起步阶段,研究学科多为理工类学科,如何结合体育学领域,如利用体育心理学、体育社会学和体育哲学等研究视角和方法对人工智能进一步解读是体育学者可以思考的问题。

(4)我国非常重视人工智能的发展,习近平总书记在2019年的国际人工智能与教育大会中指出: “把握全球人工智能发展态势,找准突破口和主攻方向,培养大批具有创新能力和合作精神的人工智能高端人才,是教育的重要使命。” 因此,结合我国体育教育和训练领域的发展现状,使之与迅猛发展的人工智能领域相融合,并实际有效地运用到竞技体育、学校体育以及民族传统体育的保护与发展中去,是我国每个体育人值得关注的问题。

参考文献