研究目的:人工神经网络是当今人工智能的重要方向,在模式识别、智能机器人、自动控制、风险预测估计、生物、医学、经济等领域成功地解决了许多传统算法难以解决的实际问题。运动损伤一直是阻碍我国竞技体育、大众健身发展的重要障碍。本文以2014-2016年我国橄榄球运动损伤与功能性动作测试的纵向跟踪调查数据库为基础,构建多层神经网络(MLP)模型,为准确评估我国橄榄球非接触性运动损伤风险,保障运动员健康,提供一种科学方法。研究方法:1.1数据来源数据来源2014-2016年国家体育总局体育科学研究所基本科研业务经费资助的我国橄榄球运动损伤与功能性动作测试的纵向跟踪调查数据库。采用标准FMS和Y balance test Kit测试套件(YBT),诊断标准采用我国橄榄球运动员评价标准:1)FMS总分:女,<13.5;男,<15.5;2)FMS不对称:五个双侧FMS测试中的任何一个右侧或左侧不对称;3)FMS测试痛:在FMS排除实验或其他7项测试中出现疼痛,包括敏感、灼烧、疼痛、干扰、辐射、锐度或酸痛,或导致痛苦的感觉;4)下肢YBT:男,综合值差值≥2.85%;女,前差≥5.25cm,或后内差≥6.25cm,或综合值差值≥2.55%。1.2模型建立方法采用SPSS19.0多层感知器神经网络(MLP)建立我国橄榄球非接触性运动损伤风险预测模型。相关参数设定如下:1)选择与我国橄榄球运动损伤风险相关的因子作为MLP模型输入量;2)协变量采用减去均值,除以标准差的方法进行标准化;3)样本分组按照百分率随机分组,70%个案进入训练组,训练神经网络建立预测模型;20%个案进入检验组,跟踪神经网络训练过程,防止过度训练;10%个案进入验证组,评估最终建立的神经网络模型的真实预测能力;4)自动计算最佳神经元数;批处理培训类型;调整的共轭梯度算法,初始Lamabda值为0.0000005,初始Sigma值为0.00005,间隔中心点为0,间隔偏移量±0.5。研究结果:样本包括118名我国现役国家橄榄球集训队,省市橄榄球队现役运动员,排除15个部分数据缺失样本,总共有103个有效样本数据。其中71个样本被指定到训练组、24个样本被指定到检验组、8个样本被指定到验证组。MLP神经网络因算法因为进一步迭代后,错误未减少而停止。训练组(16.9%)、检验组(12.5%)、验证组(12.5%)错误预测率基本相同。1. MLP神经网络预测模型结构:1)MLP神经网络包括1个输入层、1个隐藏层、1个输出层;2)输入层包括14个神经元(性别=男,性别=女、运动损伤史=有、运动损伤史=无、下肢Y测试=阴性、下肢Y测试=阳性、FMS测试=阴性、FMS测试=阳性、FMS测试痛=阴性、FMS测试痛=阳性、FMS不对称=有、FMS不对称=无、BMI、专项年限);3)隐藏层包括2个神经元H(1:1)、H(1:2),激活函数为双曲正切函数;4)输出层包括2个神经元(患病=有、患病=无),激活函数为Softmax,错误函数为交叉熵。2.模型准确性验证采用0.5作为正确和错误的概率分界验证MLP模型,对3大分组样本的预测准确率进行交叉对比发现:训练组诊断无患病、患病准确性分别为68.4%、88.5%;检验组诊断无患病、患病准确性分别为72.7%、100.0%;验证组诊断无患病、患病准确性分别为80.0%、100.0%;总体预测准确度较好,但预测患病准确性高于无患病,模型对无患病的情况识别能力稍低;ROC曲线评价MLP模型诊断方法准确性较好,曲线下面积(AUC)为0.918。观察预测图显示,以0.5预测概率为分界时,对患病风险识别效果较好,但是有一定概率在识别无患病个体上出错。将分界点下移至0.38会使第2个箱图中部分无患病样本被重新正确地分类,同时不会明显降低患病样本分类的准确性。3.模型自变量重要性自变量重要性图显示以下变量对MLP模型评估非接触性运动损伤风险,筛查高损伤风险人群有重要作用,由高到低依次为:专项年限、FMS不对称、下肢YBT诊断、运动损伤既往史、FMS排除实验、BMI、性别、FMS诊断。研究结论:利用2014-2016年我国橄榄球非接触性运动损伤高风险因素数据建立的MLP神经网络模型预测准确性较高,具有很好的应用前景。