摘 要：以Web of Science數(shù)據(jù)庫(kù)1994年以來(lái)“體育” “鍛煉” “運(yùn)動(dòng)”“機(jī)器學(xué)習(xí)” “深度學(xué)習(xí)” “計(jì)算機(jī)視覺(jué)”等關(guān)鍵詞為主題的926篇文獻(xiàn)為數(shù)據(jù)來(lái)源，利用“Cite Space V”軟件進(jìn)行可視化處理和分析，以知識(shí)圖譜的方式梳理近25年的體育人工智能研究，探討體育人工智能研究的進(jìn)展和發(fā)展方向。認(rèn)為：1)體育人工智能研究地區(qū)分布較廣，美國(guó)處于世界領(lǐng)先水平，中國(guó)的研究質(zhì)量有待提高。2)體育人工智能研究的高產(chǎn)作者與團(tuán)隊(duì)集中在美國(guó)高校，以開(kāi)發(fā)與完善針對(duì)不同人群的，基于機(jī)器學(xué)習(xí)與深度學(xué)習(xí)技術(shù)的智能穿戴設(shè)備為主要研究方向。3)體育人工智能研究涉及到多個(gè)學(xué)科，主要運(yùn)用和借鑒工程學(xué)、計(jì)算機(jī)科學(xué)和體育科學(xué)的研究方法和理論。4)體育人工智能研究的熱點(diǎn)分為三大聚類(lèi)群，具體是體質(zhì)健康促進(jìn)、運(yùn)動(dòng)損傷防控和運(yùn)動(dòng)能力提升。研究載體主要以基于IMU的智能穿戴設(shè)備和基于GPU的計(jì)算機(jī)視覺(jué)分析為主。研究算法從機(jī)器學(xué)習(xí)算法逐漸轉(zhuǎn)向深度學(xué)習(xí)算法。

　　關(guān)鍵詞：人工智能;體育;機(jī)器學(xué)習(xí);計(jì)算機(jī)視覺(jué);深度學(xué)習(xí)

　　人工智能(Artificial Intelligence，簡(jiǎn)稱(chēng)“AI”)是研究如何讓機(jī)器做人類(lèi)需要智能才能完成的事的一門(mén)學(xué)科[1]。人工智能經(jīng)歷了早期的博弈、專(zhuān)家系統(tǒng)等算法模型，已發(fā)展到了如今以機(jī)器學(xué)習(xí)與深度學(xué)習(xí)為主要的研究方向。現(xiàn)代人工智能技術(shù)的近期目標(biāo)在于研究用機(jī)器來(lái)模仿和執(zhí)行人腦的某些智力功能，而遠(yuǎn)期目標(biāo)是用自動(dòng)機(jī)模仿人類(lèi)的思維活動(dòng)和智力功能[2]。從2011年開(kāi)始，人工智能技術(shù)進(jìn)入到了迅猛發(fā)展期，當(dāng)代人工智能的本質(zhì)是讓機(jī)器從數(shù)據(jù)中學(xué)習(xí)知識(shí)，而不是再對(duì)人類(lèi)知識(shí)的復(fù)制，這一方法稱(chēng)為“機(jī)器學(xué)習(xí)”[3]，這是讓計(jì)算機(jī)擁有自主學(xué)習(xí)的能力，而無(wú)須對(duì)其進(jìn)行事無(wú)巨細(xì)的編程的方法[4]。其算法包括人工神經(jīng)網(wǎng)絡(luò)(ANN)、決策樹(shù)、支持向量機(jī)(SVM)、K 近鄰算法等。而深度學(xué)習(xí)則是機(jī)器學(xué)習(xí)的頂尖技術(shù)，也是其重要分支，正在成為當(dāng)前人工智能各領(lǐng)域研究的最重要范式，也是當(dāng)前人工智能產(chǎn)業(yè)化的主要驅(qū)動(dòng)力量[5]。人工智能與體育的結(jié)合可以追溯到1959年，Newell、Simon與Shawn首次開(kāi)發(fā)出了國(guó)際象棋博弈程序。到20世紀(jì)70年代，該程序已經(jīng)達(dá)到了專(zhuān)家級(jí)別(人類(lèi)棋手水平的前1%)。從1997年，“深藍(lán)”(Deep Blue)的后繼者“Deeper Blue”擊敗了國(guó)際象棋特級(jí)大師G.Kasparov，到2016年阿爾法圍棋(AlphaGo)的無(wú)人能敵，機(jī)器學(xué)習(xí)的強(qiáng)大能力越來(lái)越受到世人矚目。近年來(lái)，在大眾健身、競(jìng)技體育等體育領(lǐng)域，人工智能技術(shù)起到了越來(lái)越重要的輔助作用。譬如基于計(jì)算機(jī)視覺(jué)技術(shù)的單一目標(biāo)跟蹤分析[6-9]和集體運(yùn)動(dòng)項(xiàng)目技戰(zhàn)術(shù)分析預(yù)測(cè)系統(tǒng)[10-12]、技術(shù)動(dòng)作學(xué)習(xí)與評(píng)測(cè)[13-16]和基于機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的智能訓(xùn)練反饋系統(tǒng)[17-20]、運(yùn)動(dòng)營(yíng)養(yǎng)配比分析[21-22]和身體疾病識(shí)別分析[23-24]、體育賽事成績(jī)預(yù)測(cè)系統(tǒng)[25]、高效運(yùn)動(dòng)智能穿戴設(shè)備[26-27]等方面。

　　我國(guó)人工智能起步較晚，與美國(guó)等發(fā)達(dá)國(guó)家相比還有一定差距。我國(guó)的體育人工智能研究，主要學(xué)科集中在計(jì)算機(jī)科學(xué)，偏好基礎(chǔ)理論的算法實(shí)證研究，主要涉及運(yùn)用以神經(jīng)網(wǎng)絡(luò)為主的機(jī)器學(xué)習(xí)相關(guān)算法，涉及體育成績(jī)預(yù)測(cè)[28-31]、人體動(dòng)作識(shí)別與評(píng)價(jià)[32-37]、技戰(zhàn)術(shù)決策支持[38-39]、運(yùn)動(dòng)損傷評(píng)估[40-41]等。在人工智能技術(shù)逐步由機(jī)器學(xué)習(xí)轉(zhuǎn)向深度學(xué)習(xí)的趨勢(shì)下，相比較國(guó)外體育人工智能研究，國(guó)內(nèi)的研究面臨著兩大問(wèn)題：1)基礎(chǔ)算法研究過(guò)多，與具體體育項(xiàng)目結(jié)合的應(yīng)用研究較少。2)在應(yīng)用研究中主要以機(jī)器學(xué)習(xí)中的簡(jiǎn)單算法為主要工具，而更為精確的深度學(xué)習(xí)算法的實(shí)踐研究不夠深入。此外，由于人工智能定義涵蓋面較廣，對(duì)于什么技術(shù)屬于人工智能，例如：VR(虛擬現(xiàn)實(shí)技術(shù))歸屬的爭(zhēng)論，國(guó)內(nèi)的相關(guān)文獻(xiàn)的定義也不盡一致。因此，厘清與掌握國(guó)際學(xué)界對(duì)于體育人工智能的研究范圍和研究前沿，明晰人工智能在體育中應(yīng)用的研究熱點(diǎn)以及演進(jìn)趨勢(shì)，可以進(jìn)一步豐富國(guó)內(nèi)學(xué)者對(duì)人工智能技術(shù)的應(yīng)用視野，借鑒國(guó)外高水平研究方法，發(fā)展適應(yīng)我國(guó)體育發(fā)展現(xiàn)狀的人工智能技術(shù)，使科技助力我國(guó)體育發(fā)展，早日實(shí)現(xiàn)我國(guó)由體育大國(guó)邁進(jìn)體育強(qiáng)國(guó)的目標(biāo)。

　　在研究方法選擇中，若采用傳統(tǒng)的閱讀方式，過(guò)多的注重局部細(xì)節(jié)，工作量極大，還很可能會(huì)舍本逐末，以至于忽視全局的結(jié)構(gòu)和動(dòng)態(tài)。“Cite Space”通過(guò)計(jì)算機(jī)算法和交互式可視化將人們從一些費(fèi)時(shí)的事情中解脫出來(lái)，可以把精力集中在更重要的分析問(wèn)題、抽象與創(chuàng)造性思維上。此軟件近十余年被各學(xué)科學(xué)者廣泛采用，是目前最具影響力的可視化信息軟件。本文采用“ Cite Space V”(5.6.R4.64-bit)可視化軟件，以 Web of Science 數(shù)據(jù)庫(kù)中收錄的體育人工智能相關(guān)文獻(xiàn)為研究對(duì)象，通過(guò)分析并繪制知識(shí)圖譜，解讀國(guó)外體育人工智能的應(yīng)用研究發(fā)展脈絡(luò)，為我國(guó)體育人工智能的應(yīng)用研究提供參考。

　　1 研究方法：文獻(xiàn)計(jì)量法

　　1.1 文獻(xiàn)來(lái)源

　　本研究以Web of Science數(shù)據(jù)庫(kù)的SCIE、SSCI和A﹠HCI為文獻(xiàn)來(lái)源數(shù)據(jù)庫(kù)進(jìn)行檢索。為全面概括人工智能在體育運(yùn)動(dòng)領(lǐng)域的研究狀況，選擇“Sports”“Exercise”與 “Physical activity”作為“體育與運(yùn)動(dòng)”的釋義。人工智能的應(yīng)用覆蓋面較廣，因此，單以“Artificial Intelligence”作為人工智能代表性檢索詞，無(wú)法全面反映體育領(lǐng)域的研究現(xiàn)狀。2019年11月，由清華大學(xué)與中國(guó)工程院聯(lián)合發(fā)布的《2019人工智能發(fā)展報(bào)告》遴選了13個(gè)人工智能重點(diǎn)應(yīng)用領(lǐng)域，通過(guò)對(duì)報(bào)告的分析及前期的研究，篩選出了其中與體育運(yùn)動(dòng)結(jié)合較為緊密的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)與計(jì)算機(jī)視覺(jué)領(lǐng)域進(jìn)行重點(diǎn)分析，因此，增加“Machine Learning”“Deep Learning” 與“Computer Vision”作為共同主題檢索詞，高級(jí)檢索式如表1，文獻(xiàn)格式為Article，檢索范圍為所有年份，檢索時(shí)間為2020年4月1日，共檢索到初始文獻(xiàn)1 170篇。通過(guò)“Endnote”軟件去除重復(fù)文獻(xiàn)，并剔除與主題不符的涉及基礎(chǔ)醫(yī)學(xué)、植物學(xué)、水利學(xué)、氣象學(xué)等相關(guān)文獻(xiàn)，最終得到926篇文獻(xiàn)作為本研究基礎(chǔ)。

　　1.2 分析工具

　　本研究的分析工具采用美國(guó)德雷塞爾大學(xué)陳超美博士研發(fā)的“Cite Space Ⅴ”軟件(版本號(hào)為CiteSpace Ⅴ 5.6.R4.64-bit)。“Cite Space Ⅴ”軟件是一種多元、分時(shí)、動(dòng)態(tài)的應(yīng)用程序和可視化軟件。該軟件在繪制各個(gè)科學(xué)領(lǐng)域的科學(xué)知識(shí)圖譜、分析不同特征和類(lèi)型的引文網(wǎng)絡(luò)及識(shí)別和呈現(xiàn)科學(xué)發(fā)展新趨勢(shì)與新動(dòng)態(tài)等方面具有較強(qiáng)的技術(shù)和功能優(yōu)勢(shì)[42]。其可將龐大的數(shù)據(jù)繪制為圖形或圖像直觀地呈現(xiàn)出來(lái)，進(jìn)而可以了解研究對(duì)象的多個(gè)屬性，使研究者能夠在大量的數(shù)據(jù)中直接觀察到其隱含的現(xiàn)象，直觀地體現(xiàn)研究的重點(diǎn)，為研究決策提供依據(jù)[43]。

　　1.3 研究程序

　　使用“Cite Space Ⅴ”軟件對(duì)體育人工智能相關(guān)研究進(jìn)行可視化知識(shí)圖譜分析，主要包括主題確定、數(shù)據(jù)準(zhǔn)備、軟件分析設(shè)置和可視化知識(shí)圖譜分析4個(gè)部分。1)主題確定。本研究參考了國(guó)內(nèi)多部著作和學(xué)術(shù)論文的翻譯方式，同時(shí)咨詢(xún)了多位體育科學(xué)領(lǐng)域及翻譯領(lǐng)域的專(zhuān)家，結(jié)合本文的研究目的，經(jīng)過(guò)多個(gè)檢索主題詞和檢索表達(dá)式的反復(fù)組配檢索之后，以((“Sport”OR“Exercise”OR“Physical activity”)AND (“Artificial Intelligence” OR“Machine Learning” OR “Deep Learning” OR “Computer Vision” ))為檢索主題詞。 2)數(shù)據(jù)準(zhǔn)備。將通過(guò)WOS數(shù)據(jù)庫(kù)檢索的1 170條文獻(xiàn)導(dǎo)出到“Endnote”軟件中，剔除重復(fù)的與體育學(xué)科不相關(guān)的文獻(xiàn)，最終精選出926篇文獻(xiàn)。3)軟件分析設(shè)置。在926篇文獻(xiàn)中，最早發(fā)表年份為1994年，因此，在“Cite Space”的時(shí)間設(shè)置為1994—2020年，時(shí)間切片為1年1段。在分析研究國(guó)家(地區(qū))、作者與學(xué)科時(shí)，閾值項(xiàng)選擇“TopN=50”，且算法不進(jìn)行裁剪。在分析研究熱點(diǎn)關(guān)鍵詞時(shí)，閾值項(xiàng)選擇“TopN%=50%”，算法選擇“關(guān)鍵路徑計(jì)算法”，并選取“整體網(wǎng)絡(luò)剪枝”裁剪方式。4)可視化知識(shí)圖譜分析。得到圖譜后，可看到每個(gè)節(jié)點(diǎn)的多方面信息。此外，通過(guò)各個(gè)年輪的顏色可判斷被引時(shí)間分布，聚類(lèi)之間的知識(shí)流向也可從時(shí)間上看出。本研究數(shù)據(jù)收集、處理、分析技術(shù)路線(xiàn)見(jiàn)圖1。

　　2 研究結(jié)果分析

　　2.1 體育人工智能研究的國(guó)家(地區(qū))分布

　　通過(guò)“Cite space V”析出的共現(xiàn)網(wǎng)絡(luò)圖譜(見(jiàn)圖2)可以看出，共有來(lái)自46個(gè)國(guó)家(地區(qū))的文獻(xiàn)涉及體育人工智能研究，但不同國(guó)家(地區(qū))的發(fā)文量卻差距很大，研究質(zhì)量也參差不齊。其中，圓圈半徑的大小、節(jié)點(diǎn)連接線(xiàn)條的粗細(xì)與發(fā)文量和關(guān)聯(lián)緊密程度成正比。同時(shí)，圓圈最外層的圓環(huán)寬度越寬，其中心性越大。表2整理了發(fā)文量排在前10位的國(guó)家(地區(qū))及對(duì)應(yīng)的文獻(xiàn)中心性值，從中可以看出美國(guó)在體育人工智能領(lǐng)域的研究處于世界領(lǐng)先水平。其中：來(lái)自美國(guó)紐約州立大學(xué)的特聘教授Haralick[44]在1994年回顧了基于專(zhuān)家系統(tǒng)的視頻分析技術(shù)在人體識(shí)別領(lǐng)域的應(yīng)用，并展望了人工智能技術(shù)的應(yīng)用前景。華盛頓大學(xué)的Bobick教授為人體動(dòng)作識(shí)別開(kāi)辟了更為高效的機(jī)器學(xué)習(xí)算法[45]。除此之外，還有很多美國(guó)學(xué)者的研究在世界范圍內(nèi)被廣泛采納。其次，西班牙、英國(guó)、澳大利亞、加拿大、德國(guó)無(wú)論是發(fā)文量還是文獻(xiàn)中心性都處于世界前8位的水平。我國(guó)雖然發(fā)文量高居第2位，但是文獻(xiàn)中心性?xún)H排在第11位。在高被引論文中，僅有來(lái)自南京工業(yè)大學(xué)董曉臣教授[26]的團(tuán)隊(duì)上榜，他提出的基于過(guò)渡金屬碳化物和碳納米管復(fù)合材料的應(yīng)變傳感器為人體運(yùn)動(dòng)中智能可穿戴設(shè)備研制開(kāi)拓了新的方向。

　　推薦閱讀：人工智能論文能發(fā)的核心期刊