▼ 本书翻译的一切章节均免费，喜欢的话您转发一下吧！
第3章：借助人工智能推进耐力运动：应用聚焦的视角。
1. 人工智能在体育领域的崛起
• 技术发展趋势
• 近年来，人工智能迅速发展，其应用从理论和实验阶段转向实际应用，专利申请数量不断增加（图3.1）。
• 深度学习作为机器学习的一个子集，在2006 - 2010年间受到计算机科学家的欢迎，推动了体育分析技术的进步。
• 传感器和可穿戴设备不断发展，为运动员提供了更全面的数据跟踪，为人工智能分析提供了基础。
• 在体育领域的应用变革
• 在体育选材方面，人工智能算法可以快速分析大量视频数据，如SportVU 2.0可提取球员和球的坐标，为人才选拔提供有价值的信息，改变了传统的选材方式，类似于“Moneyball”理念，通过数据驱动的见解进行战略决策。
• 在团队运动中，如足球和篮球，球队利用数据分析来优化决策，包括球员管理、伤病预防和战术规划等方面。
2. 体育领域中人工智能相关概念及应用案例
• 相关概念
• 人工智能、机器学习和深度学习的区别
• 人工智能是系统从外部数据中学习并应用知识解决问题的能力，主要用于大数据决策。
• 机器学习是人工智能的一个子领域，通过统计技术从数据中学习，包括监督学习、无监督学习和强化学习等算法类型。
• 深度学习是机器学习的高级形式，通过构建神经网络处理复杂数据，在语音、图像和文本识别等任务中有广泛应用。
• 应用案例
• 公路自行车赛中的数据驱动团队策略
• 公路自行车赛是一项团队运动，教练需根据多种因素选择参赛选手并制定训练计划。
• 当代自行车运动员使用多种设备跟踪数据，这些数据通过机器学习或人工智能进行分析。例如，RaceFit系统使用监督学习算法中的二元分类器，根据历史教练决策为团队分配自行车手到不同赛段，其考虑的因素包括车手近期训练数据、比赛特征以及车手个人特征等。该系统有一定的准确性，但对于识别最后20%的车手存在困难，因此教练的决策仍然至关重要。
• 实时场地自行车赛成绩预测
• 场地自行车赛包括多个项目，每个项目都有其独特规则和挑战。
• 教练需要了解运动员的实时状态，以便做出决策。Sudin等人利用模糊推理系统（FIS）和自适应神经模糊推理系统（ANFIS）对运动员表现进行分类和预测。FIS通过手动配置规则简化性能分析，适用于优化过程；ANFIS则具有自适应学习能力，能更好地进行实时性能预测，帮助教练优化策略和运动员训练计划。
• 可穿戴设备与适应性训练计划
• 可穿戴设备配备的人工智能算法可监测生物特征数据，用于预防运动损伤。通过收集运动员训练和比赛中的运动数据以及相关医疗数据，利用监督学习算法训练模型，预测受伤可能性，并及时采取预防措施。
• 随着可穿戴设备的发展，健身应用利用人工智能根据运动员的数据生成个性化训练计划。例如enduco公司利用运动员的训练数据，通过基于人工智能的算法推荐最佳行动方案。其采用启发式方法定义训练计划的基本原则，并使用遗传算法进行优化，以提高计划的有效性。
3. 对关键利益相关者的利弊
• 运动员
• 优势：技术进步有助于提高成绩、减少受伤并加速恢复。
• 劣势：存在敏感信息保密问题，且个人生活和职业生活的界限可能变得模糊。
• 教练
• 优势：能提供更客观和有针对性的反馈，利用先进分析工具制定更有效的策略。
• 劣势：需熟悉技术避免误解数据，面临技术故障、财务约束以及数据收集和分析的伦理问题。
4. 结论
• 在耐力运动中，人工智能的应用越来越普遍，在高性能运动和业余运动中的应用方式有所不同。
• 在高性能运动中，人工智能可精确分析数据、提供个性化建议和模拟训练场景，但不应完全取代人类判断。其有效集成可能需要专业知识、资金投入和特定基础设施。
• 在业余运动中，人工智能有望自主运作，像教练一样为运动员提供帮助。同时，人工智能在体育训练方法中的应用带来了创新，使教练能更好地进行战略决策，运动员能更好地实现目标。
作者的联系方式放在文章末尾了！
下面是全文啦！
喜欢的话，您可以转发文章支持我一下
第3章 借助人工智能推进耐力运动：应用聚焦的视角
特莎·门格斯（Tessa Menges）
摘要：作为当今社会的关键技术之一，人工智能（AI）日益影响着人们日常生活的方方面面，包括体育训练。本章探讨了AI在耐力运动中的应用以及它如何提升体育界的各个方面。AI可以通过数据分析和训练场景模拟等方法为运动员的训练提供有针对性的帮助。
在自行车运动中，一个AI系统可以分析自行车运动员的表现数据，包括踏频、功率输出和心率等因素，以确定需要改进的具体方面。AI可以向教练或运动员展示明确有助于自行车运动员改善其已识别的弱点的训练类型。这种有针对性的方法使自行车运动员能够根据个人需求微调他们的训练方案，最终有助于提高成绩和技能水平。
在职业环境中，个性化训练早已成为常态，其价值在于AI识别弱点的能力，提供可能超越传统教练方法的见解。这种新型的智能数据分析可以在决策过程中为教练和运动员提供支持。这不仅适用于训练，也适用于比赛的选择或策略的制定。还将重点介绍具体的实际例子，以说明AI在当今体育中的应用。目的是具体化AI在体育中的应用方法，并解释这些工具是如何工作的。总之，本章不仅作为引导读者了解AI与体育这一令人兴奋的交叉领域的指南，还引发人们对技术在塑造体育追求未来方面的巨大潜力和变革力量的思考。
关键词：体育中的人工智能；体育中的机器学习；人工智能助手；表现分析；损伤预防；可穿戴技术；数据驱动决策
3.1引言
近年来，AI的浪潮已经渗透到人类生活的各个方面，使我们对这一先进技术的看法和应用发生了重大转变（利特曼等人，2021年，第12页）。AI的快速增长极大地改变了我们对待它并将其融入日常活动的方式。正在发生一个重大转变，更加关注AI的实际和有用的应用。这意味着AI不仅变得更好；它更多地涉及不同领域的实际应用案例，远离仅仅是理论或实验性的想法。
▲ 2010 - 2021年世界人工智能专利申请数量（克拉克和佩罗，2022年，《2022年人工智能指数报告》，第36页）
图3.1显示了2010年至2021年AI专利申请的总数。这种变化的格局不仅影响了我们对体育的理解，也改变了我们用于提高运动表现和完善训练常规的方法。这种转变包括体育科学、技术和创新训练方法的进步，它们正在重塑我们参与和竞争体育的方式（奇迈特和韦斯特贝克，2021年）。
例如，在过去，球探面临着一个劳动密集型且耗时的过程，即手动分析无数视频以确定适合一个球队的球员。这需要对球员的细微差别和球队动态有深刻的理解。然而，随着AI的出现，球探的格局发生了变化。AI算法现在可以快速扫描大量视频片段以快速分析篮球运动员的表现。
例如，SportVU 2.0（德国杜塞尔多夫的Stats Perform），它使用先进的光学跟踪和计算机视觉，提取球员和球的坐标以生成丰富的表现统计数据。这些数据由最新的AI分析软件利用，为球员的优势、弱点以及对球队的整体适合性提供了有价值的见解。球探现在可以使用AI作为一种强大的工具来简化球探过程，关注AI可能无法捕捉的细微方面，最终提高大学和职业组织对球员评估的准确性和效率。
此外，AI在体育球探中的这种变革性应用与“点球成金”的革命性概念有相似之处。这个概念在2000年左右通过依靠统计分析来识别被低估的球员，引入了一种棒球球队管理的开创性方法。共同之处在于利用数据驱动的见解来做出战略决策，挑战传统方法。
当时，奥克兰运动家队的总经理比利·比恩通过将统计分析纳入运动员选拔，带来了开创性的变化。通过利用数据分析，比恩和他的团队根据球员的统计表现而不是传统的球探方法识别出被低估的球员。这种战略转变不仅使“奥克兰 - 运动家”能够有效地与更富裕的球队竞争，还暴露了体育行业中球员传统估值方式的低效。他们为自己制定了一个指导方针，以促进最佳的球队决策并从中受益。在追求竞争优势的过程中，受“点球成金”所代表的数据驱动革命的启发，足球和篮球球队已经实施了复杂的分析来为决策提供信息。这不仅延伸到球员招募，还涉及球队策略、表现优化和战术规划的各个方面。
例如，球队可能使用数据分析来分析球员的移动、评估比赛模式，并确定在特定比赛情况下的有效策略。在足球方面，罗西等人（2018年）以及在篮球方面，霍瓦特等人（207年）强调了球队如何利用数据驱动的见解进行更好的球员管理、伤病预防和比赛期间的战略规划。虽然球员招募是其中一部分，但数据驱动决策的更广泛应用包括一种全面的方法来提高球队表现并在动态、快节奏的团队运动中获得战略优势。深度学习（DL）作为机器学习（ML）的一个子集在体育中的出现，在此基础上通过引入更先进和细致的数据分析方法（巴特利特，2006年）。它可以处理大型数据集中的复杂模式和关系，以不断提高球队和个体运动员的表现。DL算法在2006年至2010年间在计算机科学家之间受到欢迎。这种趋势不仅可以归因于计算机硬件能力的进步，还可以归因于AI社区内朝着开放合作和数据共享的范式转变。斯坦福大学发布的大量数据集如ImageNet以及开源ML竞赛的创建刺激了该领域的创新和探索，导致了对当前体育分析环境至关重要的AI技术的快速进步（奇迈特和韦斯特贝克，207年）。
ImageNet是一个根据WordNet层次结构组织的图像数据库，其中层次结构的每个节点由数百和数千张图像表示。该项目对推进计算机视觉和DL的研究起到了重要作用。传感器和可穿戴设备的不断发展对于提供一个强大的数据基础至关重要，这个基础能够对运动员进行全面跟踪。这些数据作为进行AI分析的基础，并为运动员表现的各个方面提供有价值的见解。其重要性在于能够收集关于运动员生理反应、运动和整体健康的实时、精确和广泛的信息。通过利用先进的传感器和可穿戴设备，教练、体育科学家和医疗专业人员可以获取大量数据，从而能够对心率、睡眠模式和恢复指标等因素进行细致的监测。传感器的支持每年都在增加，配备了各种传感器、算法和配套的移动应用程序。
在2011年至207年期间，光电容积描记器是仅次于加速度计的第二常用传感器，用于估计心率（亨里克森等人，2018年）。移动传感器技术的最新进展使得使用私人收集的身体活动数据来补充现有健康数据收集方法在研究中成为可能。佳明、Whoop、Oura和Polar等设备现在可以提供睡眠和其他健康指标的数据，包括心率变异性。澳大利亚体育学院（迪恩等人，2022年）已经根据睡眠测量的金标准（多导睡眠图，PSG）和心率（心电图，ECG）以及心率变异性对最佳供应商进行了测试。所获得的数据非常准确，能够以可承受的成本对运动员的恢复状态做出精确的陈述。此外，AI的可及性和效率的格局经历了显著的变化。
自2018年以来，训练一个图像分类系统的成本降低了63.6%，训练时间提高了94.4%（张等人，2021年）。曹等人（2017年）的研究引入了一个身体和脚部的关键点探测器，在保持准确性的同时减少了推理时间。这种人体姿态估计的进步，提供了实时能力，对包括体育分析和虚拟环境设计在内的多个领域都有影响。随着这些发展的展开，协作努力、先进的传感器和提高的AI可及性汇聚在一起，在一个动态的、数据驱动的时代重新定义了体育分析的格局。本章展示了具体的应用案例，包括AI驱动的表现分析、损伤预防策略和个性化训练方案。就像一个适应变化磁场的指南针一样，AI适应每个运动员不断变化的动态，为最佳表现和健康提供量身定制的解决方案。
3.2基于人工智能的体育方法
在当代体育科学和表现优化的格局中，AI的集成是一个具有开创性的范式转变。拉伊什普和菲斯特（2020年）提供了关于不同种类体育中数据分析使用的全面概述。文献包括2006年至2020年之间的研究，以找出符合要求的97项研究。在2006年至2012年期间，研究数量逐渐增加，每年发表1到4项研究。
然而，在2013年，有一个显著的增加，每年发表不少于4项研究。值得注意的是，在2018年和2019年，发表的研究数量有了大幅增加，分别为23项和22项研究。这种趋势凸显了在学术和研究界对智能体育训练的日益重视和关注（拉伊什普和菲斯特，2020年）。
▲ 拉伊什普和菲斯特（2020年）所确定的已使用智能数据分析方法的运动项目
图3.2显示了在关于AI使用的研究中最常被研究的体育项目。这种分布可能是由于这些体育项目的受欢迎程度以及它们投资新技术的能力。该综述表明，分析的大多数研究是在个人体育项目（54%）中进行的，其次是团队体育项目（28%）和混合体育项目（17%）。
• 个人体育项目：这些是参与者与其他个人竞争而不是作为团队一部分的活动。列出的例子包括攀岩、健身、铁人三项、跑步和游泳。
• 混合体育项目：这些是个人既可以单独与他人竞争，在某些比赛中也可以作为双人或团队一部分的体育项目。提供的例子有羽毛球、自行车和划船。
• 团队体育项目：这个类别包括个人始终是一个更大团队的一部分，与其他团队竞争的体育项目。确定的团队体育项目包括篮球、板球、足球、手球、曲棍球、足球和排球。值得注意的是，个人耐力体育项目“跑步”、“自行车”、“游泳以及“铁人三项”占研究领域的21%。这就是为什么本综述特别使用自行车和跑步的例子。
本综述开始探索“基于AI的耐力体育方法”，其中三个实证例子作为解释AI在增强运动员和教练竞争优势方面所起作用的渠道。类似于一个在未知领域引导精度的导航仪器，AI作为一个方法上的指南针，引导努力朝着提高运动能力的方向发展。本章通过实证案例研究考察了AI在体育中有效性的实际表现。它分析了AI算法如何通过数据分析和机器学习，以复杂的方式对表现优化、战略决策和损伤预防做出贡献。
3.2.1人工智能、机器学习和深度学习之间的区别
为了理解AI、ML和DL被广泛使用的原因，有必要考察现代AI学习方法与传统分析方法之间的差异。
▲ 人工智能、机器学习和深度学习之间的关系（基于丁多夫等人，2022年，第9页）
图3.3概述了AI、ML和DL之间的联系。
• 人工智能：AI被定义为一个系统准确解释和从外部数据中学习，并应用所获得的知识通过灵活适应来实现特定目标和解决问题的能力。在这种情况下，AI主要用作大量数据的决策工具（卡普兰和海恩莱因，2019年）。
• 机器学习：ML是AI的一个子领域，它采用统计技术通过经验来提高机器性能。该方法包括多个数据迭代以揭示相关性并从非结构化数据中提取意义。
• 深度学习：DL代表了ML的一种高级形式，深入到更复杂的数据处理水平。DL的主要目标是使用算法构建能够解决复杂问题的神经网络。
神经网络是受人类大脑结构和功能启发的模型。它们由相互连接的人工神经元层组成。这些连接有在训练过程中调整的权重，以提高网络表现。这种方法对于处理那些通过传统方法需要复杂规则的问题特别有价值。
值得注意的是，DL在语音、图像和文本识别以及处理等任务中有应用。它辨别大型数据集中复杂模式和特征的能力使它成为应对超出传统方法范围的挑战的强大工具。下面的部分提供了AI应用的例子，并解释了AI、ML或DL在自行车和跑步领域是如何使用的。
3.2.2公路自行车赛中的数据驱动团队策略
在过去的150年里，公路自行车赛一直是一项有组织的竞技团队运动（米尼奥，2016年）。在这项运动中，自行车队在一年中参加一系列比赛。在这些比赛中，队友们相互协作，整个团队的表现由第一个冲过终点线的成员决定。团队集体致力于尽快推动其中一名自行车手取得胜利。通常由大约三十名自行车手组成的每个团队，在个人比赛中被限制在一个较小的参与者群体中，通常为8到10名自行车手。前十名自行车手的组成可能因赛道情况而有很大差异。比赛赛道是平坦还是起伏对其有重大影响。每个比赛都有其独特的因素组合，包括长度、坡度和路面（例如，有或没有鹅卵石的沥青和 cobblestones）。自行车运动的另一个显著特点是团队和个人竞争者之间的相互作用。
虽然团队合作至关重要，但只有一个人可以获胜（除了在团队计时赛等赛事中），这在团队成员之间创造了一种动态。团队的教练根据最近的训练表现并考虑比赛特定条件，选择每个比赛的参与者（国际自行车联盟，2022年）。教练通常为即将到来的赛季的比赛制定一个赛程计划，然后为每个自行车手制定一个量身定制的训练计划。然而，这个计划在每次比赛之前经常会改变，教练可能会选择派出与最初计划不同的自行车手，这取决于运动员最近的训练表现。
例如，相关信息可能包括运动员最近的行驶距离、疾病或损伤历史以及平均热量消耗。当代自行车运动员使用一系列小工具和可穿戴设备来跟踪广泛的数据，包括总体海拔上升、行驶距离、心率测量、踏频、功率、估计能量消耗、总训练时长以及其他指标。原始数据被传输到健康和健身软件应用程序，这些应用程序经常使用ML或AI来分析数据。教练可以通过访问数据来监测和评估30名运动员中的每一名的整体健康和表现数据。
AI被用来在大量数据中导航并支持教练在分配自行车手参加比赛方面做出决策。萨吉等人（2022年）介绍了一种名为RaceFit的方法，这是一种为自行车手分配比赛阶段的推荐系统。目标是根据历史教练决策，确定一个团队中的哪些自行车手最适合特定的比赛阶段。该方法采用一种被称为二元分类器的监督学习方法。算法用一个包含它要区分的两个类别的示例的数据集进行训练，例如“正”和“负”。目的是教算法识别训练数据中的模式，以便它可以预测对于新的、未训练的数据它属于两个类别中的哪一个。
▲ 图3.4 RaceFIT算法使用的相关性最高的特征（萨吉等人，2022年，第9页）
在RaceFit中，二元分类器被用来预测自行车手在比赛阶段的参与情况。分类器用与自行车手和阶段匹配的示例进行训练，标签表明自行车手是否参与（图3.4）。对于比赛阶段的分类属性（距离、海拔上升等）、自行车手的特征（重量、高度、年龄以及来自职业自行车统计网站的统计数据）以及在比赛阶段前的五周内自行车手总结的训练数据都被包括在内。这是因为他们假设教练在那一周之前做出最终决策，给自行车手时间准备并前往比赛地点。
3.2.3场地自行车赛实时成绩预测
在了解了以长距离和多样地形为特征的公路自行车赛这一经典项目之后，让我们现在把焦点转移到这项运动的一个专门分支——场地自行车赛。虽然公路自行车赛通常围绕耐力和战术技能展开，但场地自行车赛以其在专门设计的室内自行车赛场进行的短而激烈的比赛而脱颖而出。场地自行车赛包括几个项目，如冲刺、凯林、全能、追逐和团体冲刺。每个项目都有其自己独特的规则和挑战。
在冲刺项目中，两名车手直接相互竞争，而在凯林项目中，车手在冲刺前跟随一辆领骑车。全能是一个多项比赛项目，包括争先赛和淘汰赛等比赛。在追逐项目中，两名车手在室内自行车赛场的相对两侧出发，试图追上对方。团体冲刺是一个团队项目，每个团队有三名车手。分析和预测场地自行车赛项目涉及与公路自行车赛不同的独特的个人生理因素和策略。
对于教练来说，了解一名个体运动员的当前状态变得更加至关重要，特别是当运动员不能依赖其他团队成员时。这种个性化的洞察力，加上场地自行车赛期间的实时成绩估计，使教练能够做出明智的决策，战略性地调整比赛战术，并根据每个运动员的独特要求优化训练计划。能够监测和分析实时数据增强了教练提供及时反馈、防止潜在过度劳累并有效激励运动员的能力。
总体而言，能够获得估计的实时成绩数据放大了教练的能力，使教练能够在场地自行车赛动态的背景下，对个体运动员的发展采取更具针对性和有效的方法。苏丁等人（2018年）利用模糊推理系统（FIS）和自适应神经模糊推理系统（ANFIS）进行成绩分类，并提出了一种预测。
一个FIS基于模糊逻辑和从人类专家或经验值导出的规则（布莱伊和阿齐兹，2016年）。模糊特征由语言变量表示，如“快”、“慢”、“高”和“低”。这些模糊特征在一组规则中被使用以得出结论。一个FIS具有一个静态结构（如果 - 那么规则），并且参数需要手动配置。FIS提供了减少计算工作量和时间的优势。因此，这个模型适合于集成到优化过程和其他自适应技术，如遗传算法（GA）和自适应神经网络（ANN）（苏丁等人，2018年）。第2.4节提供了遗传算法的详细解释（图3.5）。
▲ 图3.5基于FIS和ANFIS系统的整体示意图（基于苏丁等人，2018年，第10页）
自适应神经模糊推理系统（ANFIS）则是一种扩展，它通过集成自适应神经网络（ANN）提供自适应学习能力。ANFIS可以自动调整模糊模型的结构和参数以更好地拟合数据（德万等人，2016年）。它结合了FIS的模糊逻辑和神经网络的学习能力。这种适应是通过使用现有数据进行训练来实现的，系统通过训练自行学习最佳参数（祖内马特 - 克尔马尼和特什内赫拉布，2008年）。例如，假设我们使用一个ANFIS（自适应神经模糊推理系统）和一个FIS（模糊推理系统）来预测一名车手在比赛中的表现。这里有两个在两个系统中都可以考虑的模糊特征：
1. 运动员的体能水平（模糊特征）
• FIS：语言变量可以代表体能水平，例如“非常健康”、“健康”、“一般”。模糊规则将定义这些语言变量如何影响表现。
• ANFIS：在这里，ANFIS通过从现有训练数据中学习语言变量和表现之间的关系，自适应地学习不同体能水平如何影响表现。
2. 运动员的疲劳程度（模糊特征）
• FIS：语言变量可以代表不同程度的疲劳，如“休息好”、“有点疲劳”和“疲劳”。模糊规则将定义这些疲劳程度如何影响表现。
• ANFIS：在这里，ANFIS通过从现有数据中学习疲劳的语言变量和表现之间的关系，自适应地学习不同程度的疲劳如何影响表现。在他们的研究中，苏丁等人（2018年）使用模糊推理系统根据车手在室内自行车测试中的先前表现对车手当前的自行车骑行表现状态进行分类。FIS使用体温、心率变异性和速度作为输入参数，将运动员的表现分为六个等级：危急、差、一般、好、优秀、杰出。
此外，自适应神经模糊推理系统被用于预测未来的输出和表现分类。通过自适应神经模糊推理系统的方法，可以预测即将到来的圈数的预期平均速度，并随后与实际速度进行比较。
这用于计算穿过终点线的剩余时间。当根据前四圈（五分之一）的输入数据预测最后一圈的数据时，预测器有更好的表现，回归值为0.87，而根据前三圈（五分之二）的输入数据预测最后两圈的数据时，回归值为0.76。在场地自行车赛中，模糊推理系统（FIS）通过手动配置的规则简化了性能分析，适合于优化过程。
另一方面，自适应神经模糊推理系统（ANFIS）利用神经网络，在实时表现预测方面表现出色。这使得教练能够估计未来的圈数，优化策略，并增强运动员的训练计划以实现更有效的发展。
3.2.4可穿戴设备与适应性训练计划
运动员跟踪和监测是AI表现出色的一个领域。配备AI算法的可穿戴设备能够监测生物特征数据，包括心率、睡眠模式和肌肉疲劳，为教练和运动员提供有价值的见解，以优化表现和恢复。损伤预防是AI在体育中的重要应用之一。在使用监督式机器学习预测运动损伤的背景下，可穿戴设备可用于收集运动员在训练和比赛期间的运动数据。
此外，通过分析运动模式和生物力学数据，AI模型可以识别可能导致过度训练和损伤的区域。追踪器收集各种数据，如行驶距离、速度、最大速度、冲刺次数、冲刺距离、强度、红区时间、加速度和总应力负荷。这些数据以及由物理治疗师和俱乐部医生收集的历史医疗数据，然后与发生损伤的情况进行标记。一个监督学习算法，如决策树或神经网络，可以使用这个数据集进行训练，以识别通常在损伤之前出现的模式。扎德等人（2021年）研究了可穿戴技术在体育中的应用。一旦训练完成，模型可以根据运动员的当前数据预测损伤的可能性。
例如，如果一种特定的运动模式或负荷已知与膝盖损伤的高风险相关，模型可以提醒教练和医疗人员注意高风险情况，允许采取预防措施，如修改训练强度或提供针对性干预。鲍文等人（2016年）的研究调查了精英青年足球运动员身体工作量和损伤风险之间的相关性。研究表明，较高的工作量与损伤风险增加相关。这表明工作量可以作为AI模型中用于损伤预测的一个指标。赫林等人（206年）进行了另一项研究，评估了橄榄球联盟球员的急性慢性工作量比（ACWR）。
ACWR是体育科学和运动训练中用于评估短期（急性）和长期（慢性）工作量之间平衡的一个指标。它比较近期训练负荷（急性工作量）与较长时期的平均训练负荷（慢性工作量）。
研究发现，较高的ACWR会增加损伤风险。这以及其他相关变量在使用ML进行损伤预测方面具有潜在的重要性。随着可及性和精确可穿戴测量的增加，健身应用现在使用AI生成个性化训练建议和适应性计划，用于个人体育项目。这些计划基于数据，如心率、训练指标、睡眠模式和努力程度。通过数据分析，AI可以识别模式并确定趋势，以根据运动员的目标创建定制的训练计划（菲斯特和菲斯特，2019年）。
例如，如果一名运动员在一次训练中训练过于激烈，AI将自动调整第二天的训练。例如，enduco是一家公司，它利用运动员的训练数据，如急性应激和恢复数据，通过基于AI的算法推荐改善表现或实现特定目标的最佳行动方案。enduco分析用户数据以对运动员的训练需求和表现发展做出假设。使用优化的启发式方法，根据专家知识和当前研究定义有效训练计划的基本原则。启发式方法解决了时间限制、信息可用性和处理能力带来的挑战。
正如卡尼曼（2011年）所描述的，启发式方法的本质在于它们作为自适应机制的作用，能够实现快速和资源高效的决策。例如，enduco的启发式方法根据许多特征，如强度分布、工作量和当前疲劳，分析最适合个体运动员的计划。一个有效的马拉松训练计划应该考虑不同的强度，并在训练课程之间允许足够的恢复时间。例如，可能重要的是避免连续两天以上的高强度训练，以防止过度训练和损伤。启发式方法可能建议包括各种强度以提高最大摄氧量或在有氧 - 无氧阈值之前达到经济的代谢率。
除了这些例子之外，它还可以补充许多规则。应用启发式方法可以导致快速、可接受的解决方案，但不一定旨在保证最佳可能的结果。启发式方法通常是基于经验的次优、快速方法。在enduco，一个优化算法，如遗传算法（GA），然后被使用。GA是一种受生物进化启发的方法。这种方法经过几个迭代或代，选择最佳训练计划以影响下一代（阿里亚拉特内和席尔瓦，2022年）（图3.6）。
▲ 图3.6遗传算法的工作流程（基于阿里亚拉特内和席尔瓦，2022年）
基于阿里亚拉特内和席尔瓦（2022年），GA从一个随机生成的可能解决方案的群体开始，针对给定的问题。每个解决方案被视为一个个体，并由一组参数表示。为了评估解决方案的质量，使用一个适应度函数，它表明每个个体解决问题的程度。如果初始结果不令人满意，选择基于适应度，那些具有较高适应度的个体有更大的机会被选中。这些被选中的个体然后交叉以产生新一代。通过这个过程，新一代继承了父母的特征。偶尔，随机变化（突变）也可能发生，以保持群体中的一些遗传多样性。新一代的后代形成下一个群体，并取代一些先前的父母。
这个选择、交叉和突变的循环重复许多代。随着时间的推移，群体得到改善，因为进化机制倾向于青睐更好的解决方案（兰登和哈曼，2014年）。enduco使用一个适应度函数评估训练计划，该函数考虑与启发式方法的一致性，例如马拉松目标时间的近似。算法收敛到一个有效地满足启发式方法并最大化马拉松目标时间的训练计划。优化能力是AI的一个重要特征。
可穿戴设备和其他设备的不断改进正在使体育中AI的使用更加普及。先进的数据收集使耐力运动中的AI应用对业余运动员也可及。这导致了使用AI的意愿增加，因为改进的可穿戴设备收集的精确数据使个人表现优化和对身体活动的更好理解成为可能。总体而言，体育中的AI正在成为一种广泛使用的综合工具，它提高了运动表现和健康水平（李和徐，2021年）。
3.3人工智能在体育中应用对关键利益相关者的优势和劣势
在体育中引入AI为运动员和教练都带来了显著的优势和挑战（阿维奇和巴伊拉克达尔，2023年）。
• 运动员方面
• 优势：技术进步有助于显著提高表现，减少损伤实例，并通过体育医学和技术的创新加速恢复时间。
• 劣势：AI的使用可能会损害敏感信息的保密性，引发对数据安全和隐私的担忧。此外，运动员在技术环境中导航时，个人生活和职业生活之间的界限可能会变得模糊。例如，教练可以监测运动员的休息日，并建议他们不要参与任何进一步的休闲活动。重要的是要明确教练在训练之外干预运动员生活的程度。
• 教练方面
• 优势：教练可以获得先进的分析工具，能够准确分析运动员的表现，识别模式，并制定更有效的策略。基于全面数据分析和在训练及比赛期间对运动员的实时监测做出明智的决策，进一步增强了教练的能力。
• 劣势：为了避免对数据的误解，个人必须熟悉这项技术（杜金等人，2023年）。AI系统的技术故障和失败可能会扰乱训练课程或比赛，这可能会对表现产生负面影响。财务约束也可能是一个障碍，因为获得尖端技术可能对一些团队或教练来说是一个重大负担，导致不同竞争水平在技术支持方面存在差异。此外，球员数据的收集和分析需要伦理准则来解决隐私问题并保护运动员的保密性。
3.4结论
AI在耐力运动中的应用已经变得更加普遍，特别是在高性能运动中。体育中的AI这个话题需要以一种有区别的方式来考虑。AI的应用因运动是竞技性的还是业余性的而有所不同。
• 高性能运动中：AI的优势在于其对数据的精确分析、提供个性化建议以及模拟现实训练场景的能力。这种独特的技能组合使运动员和教练能够优化他们的训练常规，从而提高整体表现。虽然AI提供了宝贵的见解，但重要的是要强调它不应该完全取代人类的判断。运动员和教练必须保持他们的批判性思维能力，并对决策负责，将AI作为一种支持性工具使用。例如，RaceFit工具（第2.2节）只有在团队人数超过五人时才能提供一个较好的估计。与教练的策略有80%的一致性。将AI有效地整合到体育科学中可能需要专业知识、大量的财务投资、专门的基础设施以及能够准确解释结果的人员，正如哈姆斯等人（2022年）所指出的。这可能会为资源更丰富的运动员和团队创造一个显著的优势。在业余运动领域，预计AI将自主运作，承担教练本身的角色。
• 业余运动中：此外，将AI纳入体育训练方法引入了新的和创新的方法，正如魏等人（2022年）所强调的。例如，AI健身应用使用可穿戴数据来评估运动员的当前身体状态。通过将此信息与运动员的目标相结合，AI仔细分析个人表现数据以创建定制的训练计划。这种个性化方法在帮助运动员提高特定方面的表现方面很有价值。正如扎戈等人（2021年，第3页）恰当地表述的：“到目前为止，人工智能不仅仅是提供研究人类运动的新工具。相反，由于人工智能，我们研究人类运动的方式正在演变。”体育中的AI使教练能够根据来自许多不同运动员的数据做出更好的战略决策。运动员也通过数据收集的不断改进获得解决方案，使个人能够根据一个目标提高他们的表现。
参考文献
• Ariyaratne, M. K. A., & Silva, R. M. (2022). Meta-heuristics meet sports: A systematic review from the viewpoint of nature inspired algorithms. International Journal of Computer Science in Sport, 21(1), 49–92.
• Avici, P., & Bayrakdar, A. (2023). Revolutionizing sport-How technology is changing the sports industry? The use of developing technology in sports, 1.
• Bartlett, R. (2006). Artificial intelligence in sports biomechanics: New dawn or false hope? Journal of Sports Science & Medicine, 5(4), 474.
• Blej, M., & Azizi, M. (2016). Comparison of Mamdani-type and Sugenotype fuzzy inference systems for fuzzy real-time scheduling. International Journal of Applied Engineering Research, 11(22), 11071–11075.
• Bonaccorso, G. (2017). Machine learning algorithms. Packt Publishing Ltd.
• Cao, Z., Simon, T., Wei, S. E., & Sheikh, Y. (2017). Real-time multi-person 2D pose estimation using part affinity fields. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 7291–7299
• Chmait, N., & Westerbeek, H. (2021). Artificial intelligence and machine learning in sport research: An introduction for non-data scientists. Frontiers in Sports and Active Living, 3, 63.
• Clark, J., & Perrault, R. (2022). Artificial intelligence index report 2022. Stanford Institute for Human-Centered AI.
• Dewan, M. W., Huggett, D. J., Liao, T. W., Wahab, M. A., & Okeil, A. M. (2016). Prediction of tensile strength of friction stir weld joints with adaptive neuro-fuzzy inference system (ANFIS) and neural network. Materials & Design, 92, 288–299.
• Dindorf, C., Bartaguiz, E., Gassmann, F., & Fröhlich, M. (2022). Conceptual structure and current trends in artificial intelligence, machine learning, and deep learning research in sports: A bibliometric review. International Journal of Environmental Research and Public Health, 20(1), 173.
• Düking, P., Fröhlich, M., & Sperlich, B. (2023). Technologische Innovation in der Trainingswissenschaft: Digitalgestützte Trainingssteuerung mittels tragbarer Sensorik. In Bewegung, Training, Leistung und Gesundheit: Handbuch Sport und Sportwissenschaft (pp. 991–998). Springer Berlin Heidelberg.
• Fister, I., & Fister Jr, I. (199). Generating training plans based on existing sports activities. Computational Intelligence in Sports, 139–180.
• Hammes, F., Hagg, A., Asteroth, A., & Link, D. (2022). Artificial intelligence in elite sports-A narrative review of success stories and challenges. Frontiers in Sports and Active Living, 4, 861466.
• Henriksen, A., Haugen Mikalsen, M., Woldaregay, A. Z., Muzny, M., Hartvigsen, G., Hopstock, L. A., & Grimsgaard, S. (2018). Using fitness trackers and smartwatches to measure physical activity in research: Analysis of consumer wrist-worn wearables. Journal of Medical Internet Research, 20(3), e110.
• Horvat, T., Havas, L., Srpak, D., & Medved, V. (2019, September). Data-driven basketball web application for support in making decisions. In icSPORTS (pp. 239–244).
• Kahneman, D. (2011). Thinking, fast and slow. Macmillan
• Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons, 62(1), 15–25.
• Langdon, W. B., & Harman, M. (2014). Optimizing existing software with genetic programming. IEEE Transactions on Evolutionary Computation, 19(1), 118–135.
• Lewis, M. (2004). Moneyball: The art of winning an unfair game. W.W. Norton & Company.
• Li, B., & Xu, X. (2021). Application of artificial intelligence in basketball sport. Journal of Education, Health and Sport, 11(7), 54–67.
• Littman, M. L., Ajunwa, I., Berger, G., Boutilier, C., Currie, M., Doshi-Velez, F., Hadfield, G., Horowitz, M. C., Isbell, C., Kitano, H., Levy, K., Lyons, T., Mitchell, M., Shah, J., Sloman, S.,
• Vallor, S., & Walsh, T. (2021). Gathering strength, gathering storms: The one hundred year study on artificial intelligence (AI100) 2021 study panel report. Stanford, CA: Stanford University. https://arxiv.org/pdf/2210.15767
• Mignot, J. F. (2016). The history of professional road cycling. In The economics of professional road cycling (pp. 7–31). Springer.
• Rajšp, A., & Fister, I. (2020). A systematic literature review of intelligent data analysis methods for smart sport training. Applied Sciences, 10(9).
• Rossi, A., Pappalardo, L., Cintia, P., Iaia, F. M., Fernández, J., & Medina, D. (2018). Effective injury forecasting in soccer with GPS training data and machine learning. PLoS ONE, 13(7), e0201264.
• Sagi, M., Saldanha, P., Shani, G., & Moskovitch, R. (2022). Modelling coach decisions in professional cycling teams. Abgerufen von. https://dtai.cs.kuleuven.be/events/MLSA22/papers/MLS A22_paper_9312.pdf
• Sudin, S., Md Shakaff, A. Y., Zakaria, A., Salleh, A. F., Kamarudin, L. M., Azmi, N., & Ahmad Saad, F. S. (2018). Real-time track cycling performance prediction using ANFIS system. International Journal of Performance Analysis in Sport, 18(5), 806–822.
• U.C. Internationale. (2022). UCI cycling regulations part I-General organisation of cycling as a sport. Abgerufen von. https://assets.ctfassets.net/761l7gh5x5an/wQympSG6EWlKq6o6HK w9E/d4f7039ce3bf3963b457ae35cf5449bd/1-GEN-20220301-E.pdf
• Wei, S., Huang, P., Li, R., Liu, Z., & Zou, Y. (2021). Exploring the application of artificial intelligence in sports training: A case study approach. Complexity, 2021, 1–8.
• Zadeh, A., Taylor, D., Bertsos, M., Tillman, T., Nosoudi, N., & Bruce, S. (2021). Predicting sports injuries with wearable technology and data analysis. Information Systems Frontiers, 23, 1023– 1037.
• Zago, M., Kleiner, A. F. R., & Federolf, P. A. (2021). Machine learning approaches to human movement analysis. Frontiers in Bioengineering and Biotechnology, 8, 638793.
• Zhang, D., Mishra, S., Brynjolfsson, E., Etchemendy, J., Ganguli, D., Grosz, B., & Perrault, R. (2021). The AI index 2021 annual report. arXiv preprint arXiv:2103.06312
• Zounemat-Kermani, M., & Teshnehlab, M. (2021). Using adaptive neuro-fuzzy inference system for hydrological time series prediction. Applied Soft Computing, 8(2), 928–936.
作者介绍：郭佰鑫（Max）
作者Max，一位大三的本科生，社交自媒体平台专注于输出体育科技以及体育科学相关内容，期待未来有能力的基础下能加入更多基于人工智能的体育分析与科技。有其他科研合作的欢迎您的联系
▼ 麻烦您带一下备注！
