依据反向传播神经网络建模预测骨骼肌的最佳功率负荷

doi:10.12307/2021.033

中国组织工程研究 ›› 2021, Vol. 25 ›› Issue (23): 3641-3647.doi: 10.12307/2021.033

• 肌肉肌腱韧带组织构建 tissue construction of the muscle, tendon and ligament • 上一篇下一篇

依据反向传播神经网络建模预测骨骼肌的最佳功率负荷

梁美富1，曲淑华2

1国家体育总局体育科学研究所，北京市 100061；2北京体育大学，北京市 100084

收稿日期:2020-06-22 修回日期:2020-06-30 接受日期:2020-08-05 出版日期:2021-08-18 发布日期:2021-01-26
通讯作者: 曲淑华，博士，教授，北京体育大学，北京市 100084
作者简介:梁美富，男，1987年生，河北省唐山市人，满族，2020年北京体育大学毕业，博士，讲师，主要从事体能训练理论与实践研究。
基金资助:
中央高校基本科研业务费专项资金资助课题(2018XS028) ，项目负责人：梁美富

Optimal power load forecasting of the skeletal muscle based on back propagation neural network

Liang Meifu1, Qu Shuhua2

1Institute of Sports Science, General Administration of Sport of China, Beijing 100061, China; 2Beijing Sport University, Beijing 100084, China

Received:2020-06-22 Revised:2020-06-30 Accepted:2020-08-05 Online:2021-08-18 Published:2021-01-26
Contact: Qu Shuhua, PhD, Professor, Beijing Sport University, Beijing 100084, China
About author:Liang Meifu, PhD, Lecturer, Institute of Sports Science, General Administration of Sport of China, Beijing 100061, China
Supported by:
the Fundamental Research Funds for the Central Universities, No. 2018XS028 (to LMF)

摘要/Abstract

摘要：

文题释义：
BP神经网络(Back Propagation Network)：又称为反向传播神经网络，是一种基于误差反向传播算法训练的多层前馈网络。BP神经网络不仅可以在无事前提供描述映射关系的数学方程的前提下，学习并储存大量的输入和输出模式的映射关系，而且还可以通过对数据样本不断的进行训练，修正神经网络的阈值和权值，使误差函数沿负梯度方向逐渐下降，并逼近期望输出。
最佳功率负荷力量训练：指在骨骼肌全力收缩过程中，产生最大输出功率时所对应的外界负荷下进行的力量训练。最佳功率负荷力量训练能有效刺激骨骼肌产生不同的神经肌肉适应，提高最大功率的输出，兼顾速度和力量的同时，精细化配给力量训练负荷，实现动作输出功率的最大化，提高人体的投掷能力、跳跃能力、变向能力以及加速能力等，满足不同专项运动员力量训练高度专项化和职业化发展的需求。

背景：研究表明最佳功率负荷力量训练可以有效增大骨骼肌输出功率、促进健康、提高运动表现，但如何快速确定最佳功率负荷是力量训练实践中经常遇到的难题，也是国内外学者研究的热点问题。
目的：利用反向传播神经网络建模研究最大力量、身高、体质量与最佳功率负荷之间的数学关系，以构建预测骨骼肌最佳功率负荷的模型。
方法：招募52名男性大学生受试者(测试对象46人，预测对象6人)，对受试者进行最大力量测试和最大输出功率测试，构建基于误差反向传播校正训练算法的最佳功率负荷预测模型，采用训练好的反向传播神经网络模型预测新样本骨骼肌的最佳功率负荷，并探讨反向传播神经网络模型预测效果。研究方案的实施符合北京体育大学的相关伦理要求，参与者均知情同意。
结果与结论：①运用反向传播神经网络强大的自学习及推理能力，构建了包含3个输入层、10个隐含层和1个输出层的骨骼肌最佳功率负荷预测模型；②不同力量训练手段预测精度方面，卧推抛和半蹲起相对误差均值均为9%，绝对误差均值分别为3.79 kg和6.91 kg；③结果提示，反向传播神经网络预测法可有效预测骨骼肌最佳功率负荷，使得骨骼肌最佳功率负荷的确定方式更具多元化、智能化。

https://orcid.org/0000-0002-7010-3027 (梁美富)

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

关键词: 力量, 输出功率, 最佳功率负荷, 神经网络, 预测方法, 半蹲起, 卧推

Abstract: BACKGROUND: Optimal power load strength training can effectively increase the output power of skeletal muscle, promote health and improve sports performance. However, how to quickly determine the optimal power load is often a difficult problem in the practice of strength training, and is also a hot topic in the research of scholars at home and abroad.
OBJECTIVE: To study the mathematical relationship between maximum strength, height, weight and optimal power load by using back propagation neural network modeling, so as to build a model to predict the optimal power load.
METHODS: Fifty-two subjects (46 subjects for test, 6 subjects for forecast) were recruited. The maximum strength test and maximum power output test were carried out on the subjects to construct the optimal power load forecasting model based on error back propagation correction training algorithm, and the trained back propagation neural network model was used to predict the optimal power load in the new sample to explore the prediction effect of the model.
RESULTS AND CONCLUSION: Using the strong self-learning and reasoning ability of back propagation neural network, the optimal power load forecasting model was constructed with 3 input layers, 10 hidden layers and 1 output layer. In terms of the prediction accuracy of different strength training methods, the mean relative error of bench press throw and half squat is 9%, and the mean absolute error is 3.79 kg and 6.91 kg respectively. Back propagation neural network prediction method can effectively predict the optimal power load, which makes the determination method of optimal power load more diversified and intelligent.

Key words: power, output power, optimal power load, neural network, prediction method, squat, bench press

中图分类号:

梁美富, 曲淑华. 依据反向传播神经网络建模预测骨骼肌的最佳功率负荷[J]. 中国组织工程研究, 2021, 25(23): 3641-3647.

Liang Meifu, Qu Shuhua. Optimal power load forecasting of the skeletal muscle based on back propagation neural network[J]. Chinese Journal of Tissue Engineering Research, 2021, 25(23): 3641-3647.

图/表（结果） 11

2.1 BP神经网络模型的选择 BP神经网络具有强大功能的核心环节是算法，其计算过程由正向计算过程和反向计算过程组成，BP神经网络模型拓扑结构包括输入层(input)、隐含层(hidden layer)和输出层(output layer)，隐层可以有一层或者多层。隐含层在BP神经网络拓扑结构中起到重要的作用，隐含层数的增加可直接导致BP神经网络训练的复杂化，增大网络训练的时间，进而提高神经网络处理数据的能力。然而，在任何一个闭区间内的连接函数都可以用一个隐含层的BP神经网络来实现，即一个三隐含层的BP神经网络可以实现任意从n维到m维的网络映射；与此同时，也有学者认为，两隐含层的BP神经网络可以得到任意要求的判别边界以实现分类。然而对于小型BP神经网络边界判决问题的经验表明，两层隐含层网络并不比单隐含层更优越[21]。基于此，此次研究的BP神经网络选用经典的三层拓扑结构，输入层节点数为3，即身高、体质量和最大力量(1RM)；输出层节点数为1，即最佳功率负荷。具体三层BP神经网络拓扑结构见图1。

2.2 隐层神经元个数的确定确定隐层神经元个数在网络设计中非常重要和复杂的问题，神经元个数与实际面临问题的复杂程度、输入层和输出层的节点数以及期望误差有直接的联系。通常而言，隐层神经元个数过多，则会加大冗余计算量并会产生过度拟合问题，以致整个网络的收敛速度变慢；隐层神经元个数过少，迭代学习计算量大，误差不一定达到最优而影响网络的性能，以致达不到预期效果。因此，此次研究BP神经网络模型神经元个数根据经验和试错法来确定[22]，见图2。通过比较训练集在相同情况下进行训练的网络收敛速度和分类的正确率，最终确定预测模型隐层神经元较为合理的个数为10，隐层神经元个数的经验公式具体如下：M= N+L+a，其中，M为隐层神经元个数，N为输入层节点数，L为输出层节点数，a∈(1，10)。

2.3 BP神经网络模型的建立 BP神经网络的输入层到隐含层传递函数通常采用S型正切函数tansig作为隐层神经元的激励函数，网络的输出归一化到[-1，1]范围内，预测模型选取S型对数函数tansig作为输出层神经元的激励函数，隐含层至输出层的传递函数采用线性函数Pruelin，网络性能函数为mse，网络迭代次数epochs为1 000次，学习速率lr为0.05。将实验测试数据分别作为训练样本输入，随机选择总体样本的70%用于训练集，15%用于验证集、15%用于测试集。采用Marquardt DW的Levenberg-Marquardt算法计算并建模。具体BP神经网络模型见图3。

2.4 BP神经网络模型的训练经过2次的学习后，卧推抛最佳功率负荷的BP神经网络预测模型收敛成功，训练集、验证集和测试集的曲线趋势总体一致，该BP神经网络预测模型训练速度较快，训练效果好。模型拟合曲线的R=0.777 02，训练集R=0.722 17，验证集R=0.887 23，测试集R=0.860 01，数据点较为均匀分布在拟合曲线附近，该BP神经网络模型具有较好的训练效果、预测能力和整体拟合效果，见图4，5。

经过13次的学习后，半蹲起最佳功率负荷的BP神经网络预测模型收敛成功，训练集、验证集和测试集的曲线趋势总体一致，该BP神经网络预测模型训练速度较快，训练效果好。模型拟合曲线的R=0.820 93，训练集R=0.879 92，验证集R=0.810 67，测试集R=0.855 61，数据点较为均匀分布在拟合曲线附近，该BP神经网络模型具有较好的训练效果、预测能力和整体拟合效果，见图6，7。

2.5 BP神经网络模型的预测效果运用平均绝对误差和平均相对误差作为BP神经网络模型预测精度的指标。绝对误差即为预测值与实测值的绝对差值；相对误差指的是预测值与实测值的绝对差值占实际值的百分比。绝对误差和相对误差的值越小，表明预测方法的预测精度越高[23]。
6名预测对象卧推抛的预测结果见表1，图8。由结果可知，BP神经网络模型预测卧推抛最佳功率负荷的绝对误差均值为3.79 kg，相对误差均值为9%。总体而言，BP神经网络预测法对预测对象卧推抛的最佳功率负荷预测结果较为理想。

6名预测对象的半蹲起预测结果见表2，图9。由结果可知，BP神经网络模型预测半蹲起最佳功率负荷的绝对误差均值为6.91 kg，相对误差均值为9%。总体而言，BP神经网络预测法对预测对象半蹲起的最佳功率负荷预测结果较为理想。

参考文献

[1] KAWAMORI N, HAFF GG. The optimal training load for the development of muscular power. J Strength Cond Res. 2004;18(3):675-684.
[2] LOTURCO I, ARTIOLI GG, KOBAL R, et al. Predicting punching acceleration from selected strength and power variables in elite karate athletes: a multiple regression analysis. J Strength Cond Res. 2014; 28(7):1826-1832.
[3] MAESTRONI L, READ P, BISHOP C, et al. Strength and power training in rehabilitation: underpinning principles and practical strategies to return athletes to high performance. Sports Med. 2019;50(2): 239-252.
[4] ALIJAN A, YAHYA J, MANSOUR B, et al. The role of quadriceps muscle strength in the development of falls in the elderly people, a cross-sectional study. Chiropractic Manual Therapies. 2018;26(1):1-6.
[5] LOTURCO I, BISHOP C, RAMIREZ-CAMPILLO R, et al. Optimum power loads for elite boxers: case study with the Brazilian national olympic team. Sports. 2018;6(3):95-104.
[6] FREITAS TT, CALLEJA-GONZÁLEZ J, CARLOS-VIVAS J, et al. Short-term optimal load training vs a modified complex training in semi-professional basketball players. J Sports Sci. 2019;37(4):434-442.
[7] MASON BRJ, ARGUS CK, NORCOTT B, et al. Resistance training priming activity improves upper-body power output in rugby players: implications for game day performance. J Strength Cond Res. 2017; 31(4):913-920.
[8] BEHM DG, YOUNG JD, WHITTEN JHD, et al. Effectiveness of traditional strength vs. power training on muscle strength, power and speed with youth: a systematic review and meta-analysis. Frontiers Physiol. 2017; 8:423.
[9] PEREIRA LA, NIMPHIUS S, KOBAL R, et al. Relationship between change of direction, speed, and power in male and female national olympic team handball athletes. J Strength Cond Res. 2018;32(10):2987-2994.
[10] CROSS MR, BRUGHELLI M, SAMOZINO P, et al. Methods of power-force-velocity profiling during sprint running: a narrative review. Sports Med. 2017;47(7):1255-1269.
[11] MARTÍNEZ-CAVA A, MORÁN-NAVARRO R, SÁNCHEZ-MEDINA L, et al. Velocity-and power-load relationships in the half, parallel and full back squat. J Sports Sci. 2019;37(10):1088-1096.
[12] SCOTT BR, DUTHIE GM, THORNTON HR, et al. Training monitoring for resistance exercise: theory and applications. Sports Med. 2016;46(5): 687-698.
[13] 陈庆果,彭彪,杨世军,等. 基于神经网络模型的加速度计活动强度算法研究[J]. 天津体育学院学报,2017,32(1):45-50,80.
[14] 罗晓洁,王卉,张崇林. 基于人工神经网络的大学生体脂百分比预测方程的构建[J].上海体育学院学报,2019,43(3):121-126.
[15] HAFF GG, TRAVIS NT. Essentials of Strength Training and Conditioning 4th Edition. Champaign (IL): Human Kinetics.2015.
[16] POTIAUMPAI M, GANDIA K, RAUTRAY A, et al. Optimal loads for power differ by exercise in older adults. J Strength Cond Res. 2016;30(10): 2703-2712.
[17] LOTURCO I, UGRINOWITSCH C, ROSCHEL H, et al. Training at the optimum power zone produces similar performance improvements to traditional strength training. J Sports Sci Med. 2013;12(1):109-115.
[18] KRAEMER WJ, NEWTON RU. Training for muscular power. Physical Med Rehabil Clinics. 2000;11(2):341-368.
[19] SORIANO MA, PEDRO JR, RHEA MR, et al. The optimal load for maximal power production during lower-body resistance exercises: a meta-analysis. Sports Med. 2015;45(8):1191-1205.
[20] CORMIE P, MCBRIDE JM, MCCAULLEY GO. Validation of power measurement techniques in dynamic lower body resistance exercises. J Appl Biomech. 2007;23(2):103-118.
[21] 戴敏,黄亚楼.基于数据挖掘的运动员体能测试数据分析[J]. 计算机工程与应用,2003(9):38-40,60.
[22] 葛哲学,孙志强.神经网络理论与MatlabR2007实现[M]. 北京: 国防工业出版社,2007:36.
[23] 杨青,张辉.BP神经网络和多元回归方法在乒乓球技战术能力分析中的应用[J]. 成都体育学院学报,2016,42(1):78-82.
[24] BOFFEY D, SOKMEN B, SOLLANEK K, et al. Effects of load on peak power output fatigue during the bench throw. J Strength Cond Res. 2019; 33(2):355-359.
[25] FLORES FJ, SEDANO S, REDONDO JC. Optimal load and power spectrum during snatch and clean: differences between international and national weightlifters. Int J Perform Analysis Sport. 2017;17(4): 521-533.
[26] SARABIA JM, MOYA-RAMÓN M, HERNÁNDEZ-DAVÓJL, et al. The effects of training with loads that maximise power output and individualised repetitions vs. traditional power training. Plos One. 2017;12(10): e0186601.
[27] LOTURCO I, SUCHOMEL T, BISHOP C, et al. One-repetition-maximum measures or maximum bar-power output: which is more related to sport performance?.Int J Sports Physiol Perform. 2019;14(1):33-37.
[28] LOTURCO I, TRICOLI V, ROSCHEL H, et al. Transference of traditional versus complex strength and power training to sprint performance. J Human Kinet. 2014;41(1):265-273.
[29] 杜少辉,李文惠,闫万军.骨骼肌衰老与力量-速度的关系[J]. 中国组织工程研究与临床康复,2011,15(7):1273-1276.
[30] POTIAUMPAI M, GANDIA K, RAUTRAY A, et al. Optimal loads for power differ by exercise in older adults. J Strength Cond Res. 2016;30(10): 2703-2712.
[31] 唐玉成,吴卅.抗衰老功率训练研究进展[J]. 中国运动医学杂志, 2011,30(5):477-485.
[32] FISCHER-SONDEREGGER K, TAUBE W, RUMO M, et al. Physical load in soccer: strengths and limitations of three different methods. Int J Sports Physiol Perform. 2019;14(5):627-634.
[33] 陈庆果,刘耀天,谭雅兮,等. 腕部加速度计中不同类型能耗预测模型的建构与评估[J]. 首都体育学院学报,2019,31(3):261-271.
[34] 汪桂兰,魏振钢,徐冰. 利用人工神经网络分析预测击剑训练负荷量[J]. 计算机应用与软件,2005(7):130-132.

引言

骨骼肌的输出功率能力往往是运动员在赛场上制胜的关键，诸多运动项目技术、战术的充分发挥都架构在运动员最大输出功率能力基础之上[1-2]，骨骼肌的输出功率能力也是提高运动能力[3]、降低老年人跌倒风险的重要力量素质[4]。发展骨骼肌的输出功率能力是抗阻力量训练的重要诉求之一，负荷安排是抗阻力量训练的首要因素，如何配给精确的“剂量负荷”来实现输出功率的最大化是抗阻力量训练实践中经常遇到的问题。
最佳功率负荷力量训练指在骨骼肌全力收缩过程中，产生最大输出功率时所对应的外界负荷下进行的力量训练。最佳功率负荷力量训练能有效刺激骨骼肌产生不同的神经肌肉适应，提高最大功率的输出[5-6]，兼顾速度和力量的同时，精细化配给力量训练负荷，实现动作输出功率的最大化，提高人体的投掷能力[7]、跳跃能力[8]、变向能力以及加速能力等[9-10]，满足不同专项运动员力量训练高度专项化和职业化发展的需求。国际学者针对最佳功率负荷力量训练的研究正如火如荼，而国内的相关研究却寥寥无几，对最佳功率负荷力量训练效果的系统研究更是少之又少。
现代传感技术的不断发展，促使能够把握力量训练过程中速度-力曲线关系[11]，也为最佳功率负荷力量训练成功实施奠定了技术基础，最佳功率负荷力量训练诸多的训练效益离不开“剂量负荷”的安排与监控[12]，如何精准确定最佳功率负荷是力量训练实践中的首要因素。通常，测试最佳功率负荷需要测试最大力量，依据最大力量为负荷标准划分不同负荷区间，采用传感器类设备测试每一级负荷下的输出功率，最终确定最大输出功率，所对应的负荷即最佳功率负荷。测试过程相对复杂，如对测试过程的精确控制、对传感设备的要求，对负荷区间的划分、对测试数据的处理等，此类问题都极大地限制了最佳功率负荷的实践应用，亦减缓了力量训练“剂量负荷”的脚步。因此，探究快速、精确的最佳功率负荷预测方法是推进最佳功率负荷力量训练和“剂量负荷”的当务之急。
BP神经网络(Back Propagation Network)，又称为反向传播神经网络，是一种基于误差反向传播算法训练的多层前馈网络。BP神经网络不仅可以在无事前提供描述映射关系的数学方程的前提下，学习并储存大量的输入和输出模式的映射关系，而且还可以通过对数据样本不断的进行训练，修正神经网络的阈值和权值，使误差函数沿负梯度方向逐渐下降，并逼近期望输出。目前，已有研究在体脂百分比、活动强度的预测中应用BP神经网络模型[13-14]，因其具有良好的非线性映射能力、任意函数的逼近能力和泛化能力，其预测精度往往优于其他预测模型。鉴于此，此次研究以身高、体质量、最大力量为指标，运用BP神经网络进行建模来探究相关指标与最佳功率负荷之间的数学关系，以期构建最佳功率负荷的估测方法，为最佳功率负荷力量训练和“剂量负荷”配给提供更加科学精确的测试方法。
中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

材料方法

1.1 设计 BP神经网络建模。
1.2 时间及地点于2018年12月在北京体育大学网球综合训练馆(1楼综合力量训练馆)完成测试。
1.3 对象招募52名北京体育大学男性大学生为受试者，其中，测试对象46人，预测对象6人。年龄(22.10±3.16)岁；身高(178.50±6.39) cm；体质量(71.70±9.40) kg；半蹲起1次重复最大力量(1 repetition maximum，1RM)(120.64±22.05) kg；卧推1RM(72.12±15.57) kg；训练年限(3.28±1.94)年。
纳入标准：①自愿参加试验，有负重半蹲和卧推练习的经历；②均无各种内脏疾病，肝、肾功能正常；③24 h内未进行大强度抗阻力量练习；④不改变正常的饮食和作息。
排除标准：①服用肌酸、蛋白粉等营养补剂者；②既往有上下肢关节损伤者；③不签署知情同意书者。
1.4 实验器材九轴蓝牙姿态传感器Wit-Motion(BWT901CL)1个；笔记本电脑1台(内含上位机软件MiniIMU，版本号：4.3.14)；史密斯架2套(包括标准杠铃杆、杠铃片、卧推椅、固定弹簧夹)；秒表1块；透明胶带1卷；备用电源1块。
1.5 方法
1.5.1 测试目的最大力量测试为半蹲起最大力量和卧推最大力量，为负荷安排提供标准；最大输出功率测试为半蹲起最大输出功率和卧推抛最大输出功率，为确定最佳功率负荷。
1.5.2 测试流程带领受试者参观实验设备，熟悉测试流程，组织受试者进行测试动作练习，采集身高和体质量并记录，要求着运动服装和鞋子，不得携带手机等电子器械，避免对实验数据采集造成干扰。测试前，受试者进行15 min常规热身活动，包括5 min中等强度慢跑、5 min下肢动态拉伸以及5 min小负荷负重训练。
1.5.3 最大力量测试采用两侧均配备保护人员的史密斯架，并参照美国体能协会测试方案进行半蹲起和卧推最大力量测试[15]：①指导运动员作热身活动，采用可以轻松做5-10次重复的质量；②休息1 min；③采用以下方式进行加重，预估可以完成3-5次重复热身的质量；上肢力量训练动作加4-9 kg或5%-10%；下肢力量训练动作加14-18 kg或10%-20%；④休息2 min；⑤采用以下方式进行加重，预估可以完成两三次反复的几近最大质量；上肢力量训练动作加4-9 kg或5%-10%；下肢力量训练动作加14-18 kg或10%-20%；⑥休息2-4 min；⑦增加质量，上肢力量训练动作加4-9 kg或5%-10%；下肢力量训练动作加14-18 kg或10%-20%；⑧运动员试举最大力量质量；⑨如果试举成功，休息2-4 min，然后返回到流程⑦；如果试举失败，休息2-4 min，再用以下方式减重，然后回到流程⑧；上肢力量训练动作加2-4 kg或2.5%-5%；下肢力量训练动作加7-9 kg或5%-10%。继续加重或减重，直到可以正确动作完成一次重复，运动员最好能在5次测试中，测出最大力量质量。
1.5.4 最大输出功率测试采用两侧均配备保护人员的史密斯架、九轴蓝牙姿态传感器进行半蹲起和卧推最大输出功率测试。因力量训练负荷为连续型变量，测试密度越大，受试者疲劳感越强，测试准确性就会下降。因此，根据前人研究设计和预实验测试情况[16-20]，确定让受试者在10%，30%，50%，70%和90% 1RM负荷下进行半蹲跳和卧推抛最大输出功率测试。要求每一级负荷尽全力完成，采集1次试举有效数据，组间间歇时间为2-5 min。
为减少测试误差：①根据受试者的身高和体质量预估其1RM值；②每次重复动作均给予受试者口头提示与鼓励；③最大力量测试与最大输出功率测试的时间间隔大于48 h。
1.5.5 数据采集采用MiniIMU(版本号：4.3.14)软件进行数据进行采集，波特率设置为115 200 bit/s，回传速率为 100 Hz，加速度量程为0-8个G的重力加速度，计算加速度零偏值，并写入参数，输出内容选择时间和加速度。
具体采集流程如下：①登记运动员的基本信息；②由实验操作人员在采集软件中进行相关设置，检查设备信号正常；③设置好测试负荷后，向受试者下达“准备”的口令，受试者上史密斯架后，操作人员进行控制软件回归零设置；④受试者准备好后，实验操作人员在电脑采集窗口触发采集，发出“3，2，1，开始”的指示口令，采样结束后，受试者离开史密斯架，保存数据；⑤摄像头录制受试者完整运动数据采集过程视频。
1.5.6 数据处理根据时间、加速度和训练负荷对最大输出功率、速度和力值计算，具体计算公式如下：Vi=Vi-1+ai×ti，Fi=mi×(ai+g)，pi=Fi×Vi，其中，a为垂直方向加速度，F为垂直方向力，V为瞬时速度，t为瞬时时间，P为输出功率，m为训练负荷，g为重力加速度(10 m/s2)，初速度V0=0 m/s，i为时间点。
1.6 主要观察指标受试者的身高、体质量、最大力量和最佳功率负荷。
1.7 统计学分析采用EXCEL 2007对数据进行汇总计算，将获得的数据导入SPSS 22.0进行缺失值、异常值和一致性的检验。采用GraphPad Prism Software 7.0软件进行图形绘制。采用MATLAB2019b建立BP神经网络模型，采用三层拓扑结构，将X1、X2、X3作为输入层，即运动员身高、体质量、最大力量，Y作为输出层，即最佳功率负荷(kg)。所有数据采用均值(X)、标准差(SD)等描述统计量进行表述。

讨论

3.1 确定最佳功率负荷的现存问题骨骼肌最佳功率负荷抗阻力量练习在提高大众健康水平和运动竞技水平方面具有重要的意义，如最佳功率负荷抗阻力量训练能有效刺激机体，提高功率输出能力[24-25]，降低力量训练疲劳感[26]，增强运动表现[27]，促进训练效应向比赛效应的转移[7，28]、健康促进[29-30]，甚至抗衰老等训练效益[31]，故快速预测最佳功率负荷的方法亦受到研究者的重点关注。
通常，最佳功率负荷的确定多基于专业传感设备[32]，且需要测试最大力量，并进行逐级递增负荷的输出功率测试，最后通过计算得到相对精确的最佳功率负荷，整个测试过程需要专业设备，耗时、费力且需承担一定的运动损伤风险，或依赖于以往经验，或受限于研究条件，导致确定最佳功率负荷的过程存在一定的难度，减缓了最佳功率负荷抗阻力量训练快速实践的步伐。
目前，有研究采用BP神经网络模型对大学生体脂百分比[33]、击剑训练负荷量以及活动强度进行预测[33-34]，具有较好的预测精确性。也有研究将神经网络模型与支持向量机模型、两阶段模型和线性回归模型预测效果进行对比分析，认为神经网络模型具有更高的预测精度[34]。尚无利用BP神经网络模型对最佳功率负荷预测的研究，因此，构建BP神经网络模型对最佳功率负荷进行快速、精确的预测具有重要的实践意义。
3.2 BP神经网络模型预测效能此次研究以最大力量、身高和体质量作为输入，以半蹲起和卧推抛最佳功率负荷作期望输出，构建了基于Levenburg-Marquardt训练算法的误差反向传播校正的骨骼肌最佳功率负荷BP神经网络预测模型，具有较高的预测精确性、实践应用价值和前景。
3.2.1 BP神经网络模型预测精确性 BP神经网络是通过网络的自学习能力，建立预测变量到被预测变量的多维函数非线性映射，从而获得一个预测效果较好的预测模型，其预测结果相对误差均值为9%，预测结果准确性较高。值得注意的是，由于在实际测得不同力量训练手段的最佳功率负荷时，为兼顾运动员疲劳与测试的准确性，测试的负荷区间划分相对较大，预测半蹲起最佳功率负荷的误差绝对值明显大于卧推抛最佳功率负荷的误差值。
这一现象主要由以下因素造成：一是参与半蹲起抗阻力量训练手段的肌群大于卧推抛抗阻力量训练的肌群，半蹲起能对抗更大的外界负荷，表现出更大的最大力量，相应的误差值也会增大，即对抗外界阻力越大的力量训练手段，其相对误差值也会有所增大，对抗外界阻力越小的力量训练手段，其相对误差值也会有所减小；二是不同运动员的同一力量训练手段也会表现出不同的最大力量水平，通常，最大力量预测法最大力量越大，相应的误差值也会增大；最大力量越小，其相应的误差也会减小。随着测试样本数据的不断丰富，BP神经网络可通过不断的自学习，模型的预测精度会不断提高，其预测效果亦会得到显著提升。
3.2.2 BP神经网络模型实践应用 BP神经网络预测法需要测试3项指标，最大力量、身高和体质量是训练学常用指标，相对较容易获取，对测试设备的要求相对较低，在训练好的BP神经网络模型输入相关数据可快速得到不同力量训练手段的最佳功率负荷，整个测试过程易于操作与掌控。另外，随着力量训练数据的不断的丰富，亦可以根据测试对象性别和运动水平等信息等多维度进行精细化划分，实现对不同人群不同训练水平者最佳功率负荷的精确预测，BP神经网络模型的应用对力量训练“剂量负荷”配给具有重要的实践应用价值。
3.2.3 BP神经网络模型应用前景力量训练的智能化是立足于网络、大数据和人工智能的等科学技术基础上，具有能动性满足各种力量训练诉求的属性。训练好的BP神经网络模型具有任意复杂的模式分类能力、多维函数非线性映射能力、柔性的网络结构、自学习能力以及自适应能力，能够准确预测骨骼肌不同力量训练手段的最佳功率负荷，随着力量训练数据的不断丰富和积累，通过BP神经网络对力量训练的大数据进行自我学习，可以不断提高骨骼肌最佳功率负荷的预测精度，BP神经网络预测方法的应用具有高度的智能化。立足科技，面向运动训练实践，随着数字技术和算法的不断发展，BP神经网络模型的应用，促进了力量训练过程的数字化和智能化，训练思维亦将从一种静态思维、机械化思维，走向系统思维，未来的力量训练体系将从单一系统、局部系统、复杂系统，发展到巨系统。
3.3 研究的局限性 ①受试者的选取上，由于实验条件局限性，未涉及女性受试者以及多个运动水平受试者，最佳功率负荷在不同人群训练实践应用时，仍需进一步精确测量；②力量训练负荷的切割上，考虑受试者疲劳问题，连续型变量负荷的切割仍具有较大变异范围，未来可进一步精细化力量训练负荷；③在负重器材的选择上，考虑受试者安全问题，仅在史密斯架上进行实验，可能导致最佳功率负荷大于自由重量器材所得数值。
3.4 研究结论与建议
3.4.1 结论以身高、体质量、最大力量作为输入，以最佳功率负荷作为期望输出，构建的半蹲起和卧推抛力量训练最佳功率负荷的BP神经网络模型，具有较高的拟合和预测效能，使得骨骼肌最佳功率负荷的确定方式更具多元化、智能化，具有较强的实践应用价值和前景。
3.4.2 建议不同力量训练最佳功率负荷快速预测方法应用时，应重点注意其试用条件应是在史密斯架上，并按照标准动作全力完成每次试举。当应用自由重量器材进行最佳功率负荷力量训练时，可将所得最佳功率负荷预测值进行适当调整，切莫刻舟求剑。
中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

依据反向传播神经网络建模预测骨骼肌的最佳功率负荷

Optimal power load forecasting of the skeletal muscle based on back propagation neural network

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表（结果） 11

参考文献

相关文章 15

引言

材料方法

讨论

文章快阅

延伸阅读

编辑推荐

Metrics

本文评价

[1]	江丽红, 吴晓锋, 欧阳林, 罗爱芳, 黄丽. 基于代谢组学腰椎间盘退变的计算机辅助诊断[J]. 中国组织工程研究, 2021, 25(24): 3796-3803.
[2]	李玉, 黄鹏, 王宏, 王安利. 健美操运动员优势侧与非优势侧膝关节等速肌力测试分析[J]. 中国组织工程研究, 2021, 25(2): 232-236.
[3]	侯筱, 吕一帆, 刘静民. 肌肉电刺激力量训练影响运动者肌力的Meta分析[J]. 中国组织工程研究, 2020, 24(23): 3764-3772.
[4]	赵盼超, 文蕊香, 李嘉慧, 纪仲秋, 姜桂萍. 幼儿不同跑步着地方式的生物力学特征[J]. 中国组织工程研究, 2020, 24(20): 3209-3216.
[5]	贾瑞明，李浩轩，陈彧，黄小勇，濮欣，舒丽霞. 胸主动脉腔内修复术前CT血管造影与术中X射线图像的配准算法[J]. 中国组织工程研究, 2019, 23(35): 5658-5663.
[6]	蒋满意，许思毛，宾恩明. 核心区力量训练和电针干预对大学生腰肌劳损有协同治疗作用[J]. 中国组织工程研究, 2019, 23(27): 4315-4320.
[7]	刘峰，黄小明，凌斌 . 氨基葡萄糖、硫酸软骨素联合骨健康操可提高绝经后女性骨密度和肌肉力量：一项社区干预试验[J]. 中国组织工程研究, 2019, 23(15): 2303-2307.
[8]	余宏，刘琰. 振动训练足球运动者膝关节屈伸肌群肌肉的力量[J]. 中国组织工程研究, 2019, 23(15): 2327-2331.
[9]	谭景旺，王继超，吴雪萍 . 坐姿振动训练改善高龄老年人下肢肌肉力量和平衡及步行的能力[J]. 中国组织工程研究, 2019, 23(15): 2350-2355.
[10]	李莹，张皑峰，高钰丹，赵文，段红梅，郝鹏，尚俊奎，杨朝阳，李晓光. 活性生物材料支架体外诱导神经干细胞向神经元高比例分化并形成神经网络[J]. 中国组织工程研究, 2018, 22(9): 1432-1437.
[11]	郭文霞，曲淑华，孔振兴，梁美富. 以时域特征为视角的骨骼肌激活后增强效应[J]. 中国组织工程研究, 2018, 22(24): 3804-3810.
[12]	傅涛，吴鹏，赵林梁，程吉. 前交叉韧带重建后移植物愈合和功能恢复：康复训练个案观察[J]. 中国组织工程研究, 2018, 22(2): 281-287.
[13]	杨雪清，程亮. 篮球运动员躯干和下肢等速肌力分析[J]. 中国组织工程研究, 2018, 22(12): 1835-1840.
[14]	谭景旺，吴雪萍. 全身振动训练对老年人下肢功能和慢性疾病影响的研究与进展[J]. 中国组织工程研究, 2017, 21(8): 1288-1293.
[15]	罗莉斯，彭莉，汪振环，裴希俊. 振动结合负重刺激对下肢表面肌电均方根振幅的影响：基于4种刺激下半蹲起提踵练习[J]. 中国组织工程研究, 2017, 21(32): 5152-5157.