摘 要：以Web of Science數據庫1994年以來“體育” “鍛煉” “運動”“機器學習” “深度學習” “計算機視覺”等關鍵詞為主題的926篇文獻為數據來源，利用“Cite Space V”軟件進行可視化處理和分析，以知識圖譜的方式梳理近25年的體育人工智能研究，探討體育人工智能研究的進展和發展方向。認為：1)體育人工智能研究地區分布較廣，美國處于世界領先水平，中國的研究質量有待提高。2)體育人工智能研究的高產作者與團隊集中在美國高校，以開發與完善針對不同人群的，基于機器學習與深度學習技術的智能穿戴設備為主要研究方向。3)體育人工智能研究涉及到多個學科，主要運用和借鑒工程學、計算機科學和體育科學的研究方法和理論。4)體育人工智能研究的熱點分為三大聚類群，具體是體質健康促進、運動損傷防控和運動能力提升。研究載體主要以基于IMU的智能穿戴設備和基于GPU的計算機視覺分析為主。研究算法從機器學習算法逐漸轉向深度學習算法。

　　關鍵詞：人工智能;體育;機器學習;計算機視覺;深度學習

　　人工智能(Artificial Intelligence，簡稱“AI”)是研究如何讓機器做人類需要智能才能完成的事的一門學科[1]。人工智能經歷了早期的博弈、專家系統等算法模型，已發展到了如今以機器學習與深度學習為主要的研究方向?，F代人工智能技術的近期目標在于研究用機器來模仿和執行人腦的某些智力功能，而遠期目標是用自動機模仿人類的思維活動和智力功能[2]。從2011年開始，人工智能技術進入到了迅猛發展期，當代人工智能的本質是讓機器從數據中學習知識，而不是再對人類知識的復制，這一方法稱為“機器學習”[3]，這是讓計算機擁有自主學習的能力，而無須對其進行事無巨細的編程的方法[4]。其算法包括人工神經網絡(ANN)、決策樹、支持向量機(SVM)、K 近鄰算法等。而深度學習則是機器學習的頂尖技術，也是其重要分支，正在成為當前人工智能各領域研究的最重要范式，也是當前人工智能產業化的主要驅動力量[5]。人工智能與體育的結合可以追溯到1959年，Newell、Simon與Shawn首次開發出了國際象棋博弈程序。到20世紀70年代，該程序已經達到了專家級別(人類棋手水平的前1%)。從1997年，“深藍”(Deep Blue)的后繼者“Deeper Blue”擊敗了國際象棋特級大師G.Kasparov，到2016年阿爾法圍棋(AlphaGo)的無人能敵，機器學習的強大能力越來越受到世人矚目。近年來，在大眾健身、競技體育等體育領域，人工智能技術起到了越來越重要的輔助作用。譬如基于計算機視覺技術的單一目標跟蹤分析[6-9]和集體運動項目技戰術分析預測系統[10-12]、技術動作學習與評測[13-16]和基于機器學習與深度學習的智能訓練反饋系統[17-20]、運動營養配比分析[21-22]和身體疾病識別分析[23-24]、體育賽事成績預測系統[25]、高效運動智能穿戴設備[26-27]等方面。

　　我國人工智能起步較晚，與美國等發達國家相比還有一定差距。我國的體育人工智能研究，主要學科集中在計算機科學，偏好基礎理論的算法實證研究，主要涉及運用以神經網絡為主的機器學習相關算法，涉及體育成績預測[28-31]、人體動作識別與評價[32-37]、技戰術決策支持[38-39]、運動損傷評估[40-41]等。在人工智能技術逐步由機器學習轉向深度學習的趨勢下，相比較國外體育人工智能研究，國內的研究面臨著兩大問題：1)基礎算法研究過多，與具體體育項目結合的應用研究較少。2)在應用研究中主要以機器學習中的簡單算法為主要工具，而更為精確的深度學習算法的實踐研究不夠深入。此外，由于人工智能定義涵蓋面較廣，對于什么技術屬于人工智能，例如：VR(虛擬現實技術)歸屬的爭論，國內的相關文獻的定義也不盡一致。因此，厘清與掌握國際學界對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用的研究熱點以及演進趨勢，可以進一步豐富國內學者對人工智能技術的應用視野，借鑒國外高水平研究方法，發展適應我國體育發展現狀的人工智能技術，使科技助力我國體育發展，早日實現我國由體育大國邁進體育強國的目標。

　　在研究方法選擇中，若采用傳統的閱讀方式，過多的注重局部細節，工作量極大，還很可能會舍本逐末，以至于忽視全局的結構和動態。“Cite Space”通過計算機算法和交互式可視化將人們從一些費時的事情中解脫出來，可以把精力集中在更重要的分析問題、抽象與創造性思維上。此軟件近十余年被各學科學者廣泛采用，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 數據庫中收錄的體育人工智能相關文獻為研究對象，通過分析并繪制知識圖譜，解讀國外體育人工智能的應用研究發展脈絡，為我國體育人工智能的應用研究提供參考。

　　1 研究方法：文獻計量法

　　1.1 文獻來源

　　本研究以Web of Science數據庫的SCIE、SSCI和A﹠HCI為文獻來源數據庫進行檢索。為全面概括人工智能在體育運動領域的研究狀況，選擇“Sports”“Exercise”與 “Physical activity”作為“體育與運動”的釋義。人工智能的應用覆蓋面較廣，因此，單以“Artificial Intelligence”作為人工智能代表性檢索詞，無法全面反映體育領域的研究現狀。2019年11月，由清華大學與中國工程院聯合發布的《2019人工智能發展報告》遴選了13個人工智能重點應用領域，通過對報告的分析及前期的研究，篩選出了其中與體育運動結合較為緊密的機器學習、深度學習與計算機視覺領域進行重點分析，因此，增加“Machine Learning”“Deep Learning” 與“Computer Vision”作為共同主題檢索詞，高級檢索式如表1，文獻格式為Article，檢索范圍為所有年份，檢索時間為2020年4月1日，共檢索到初始文獻1 170篇。通過“Endnote”軟件去除重復文獻，并剔除與主題不符的涉及基礎醫學、植物學、水利學、氣象學等相關文獻，最終得到926篇文獻作為本研究基礎。

　　1.2 分析工具

　　本研究的分析工具采用美國德雷塞爾大學陳超美博士研發的“Cite Space Ⅴ”軟件(版本號為CiteSpace Ⅴ 5.6.R4.64-bit)。“Cite Space Ⅴ”軟件是一種多元、分時、動態的應用程序和可視化軟件。該軟件在繪制各個科學領域的科學知識圖譜、分析不同特征和類型的引文網絡及識別和呈現科學發展新趨勢與新動態等方面具有較強的技術和功能優勢[42]。其可將龐大的數據繪制為圖形或圖像直觀地呈現出來，進而可以了解研究對象的多個屬性，使研究者能夠在大量的數據中直接觀察到其隱含的現象，直觀地體現研究的重點，為研究決策提供依據[43]。

　　1.3 研究程序

　　使用“Cite Space Ⅴ”軟件對體育人工智能相關研究進行可視化知識圖譜分析，主要包括主題確定、數據準備、軟件分析設置和可視化知識圖譜分析4個部分。1)主題確定。本研究參考了國內多部著作和學術論文的翻譯方式，同時咨詢了多位體育科學領域及翻譯領域的專家，結合本文的研究目的，經過多個檢索主題詞和檢索表達式的反復組配檢索之后，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)數據準備。將通過WOS數據庫檢索的1 170條文獻導出到“Endnote”軟件中，剔除重復的與體育學科不相關的文獻，最終精選出926篇文獻。3)軟件分析設置。在926篇文獻中，最早發表年份為1994年，因此，在“Cite Space”的時間設置為1994—2020年，時間切片為1年1段。在分析研究國家(地區)、作者與學科時，閾值項選擇“TopN=50”，且算法不進行裁剪。在分析研究熱點關鍵詞時，閾值項選擇“TopN%=50%”，算法選擇“關鍵路徑計算法”，并選取“整體網絡剪枝”裁剪方式。4)可視化知識圖譜分析。得到圖譜后，可看到每個節點的多方面信息。此外，通過各個年輪的顏色可判斷被引時間分布，聚類之間的知識流向也可從時間上看出。本研究數據收集、處理、分析技術路線見圖1。

　　2 研究結果分析

　　2.1 體育人工智能研究的國家(地區)分布

　　通過“Cite space V”析出的共現網絡圖譜(見圖2)可以看出，共有來自46個國家(地區)的文獻涉及體育人工智能研究，但不同國家(地區)的發文量卻差距很大，研究質量也參差不齊。其中，圓圈半徑的大小、節點連接線條的粗細與發文量和關聯緊密程度成正比。同時，圓圈最外層的圓環寬度越寬，其中心性越大。表2整理了發文量排在前10位的國家(地區)及對應的文獻中心性值，從中可以看出美國在體育人工智能領域的研究處于世界領先水平。其中：來自美國紐約州立大學的特聘教授Haralick[44]在1994年回顧了基于專家系統的視頻分析技術在人體識別領域的應用，并展望了人工智能技術的應用前景。華盛頓大學的Bobick教授為人體動作識別開辟了更為高效的機器學習算法[45]。除此之外，還有很多美國學者的研究在世界范圍內被廣泛采納。其次，西班牙、英國、澳大利亞、加拿大、德國無論是發文量還是文獻中心性都處于世界前8位的水平。我國雖然發文量高居第2位，但是文獻中心性僅排在第11位。在高被引論文中，僅有來自南京工業大學董曉臣教授[26]的團隊上榜，他提出的基于過渡金屬碳化物和碳納米管復合材料的應變傳感器為人體運動中智能可穿戴設備研制開拓了新的方向。

　　推薦閱讀：人工智能論文能發的核心期刊