利用本地定位系统(Local Positioning System, LPS)数据进行室内团队球类项目外部负荷变量数据驱动降维的研究

《Journal of Functional Morphology and Kinesiology》：Data-Driven Reduction of External Load Variables in Indoor Team Sports Using Local Positioning System

　　

目的：室内团队球类项目中使用的本地定位系统(Local Positioning System, LPS)会生成大量外部负荷(External Load)变量，往往超出实际监测承受能力。变量间的冗余与重叠使得难以筛选出最具信息量的指标用于表现分析和负荷管理。本研究旨在对源自LPS数据的外部负荷变量进行降维，并利用主成分分析(Principal Component Analysis, PCA)与聚类技术识别数据驱动的外负荷观测剖面。方法：分析总计188条室内团队球类项目（篮球、手球和五人制足球）观测记录。连续型外部负荷变量经标准化后进行PCA，主成分保留依据累积解释方差≥90%的阈值确定。分别在全标准化特征空间和PCA降维空间中进行K-means聚类，最佳聚类数通过轮廓系数(Silhouette Score)分析和肘部法(Elbow Method)确定。采用调整兰德指数(Adjusted Rand Index, ARI)和归一化互信息(Normalized Mutual Information, NMI)评估两种聚类方案的一致性，并通过描述性统计和变量分离分析(Variable Separation Analysis)进一步考察聚类特征。结果：前两个主成分解释总方差的53.7%，分别代表高强度外部负荷维度和神经肌肉负荷维度；需保留12个主成分方使累积解释方差超过90%。聚类分析一致地在全空间和PCA降维空间中识别出三个中等分离度的簇。基于PCA空间的聚类方案较全空间方案表现出更优的分离度（轮廓系数=0.362 vs. 0.319）。两种聚类方法间一致性较高（ARI=0.981；NMI=0.971），表明降维在本研究数据集中基本保留了主要聚类结构。最具判别力的变量包括跳跃负荷(Jump Load)、加速度负荷(Acceleration Load)、代谢功率(Metabolic Power)和厌氧活动距离(Anaerobic Activity Distance)。结论：大量外部负荷变量可被归纳为可解释的潜维度(Latent Dimensions)，支持探索性外负荷剖面识别。PCA与聚类的结合为概括复杂外负荷数据集和识别潜负荷维度提供了一个探索性且保结构的框架。上述发现可为未来监测策略提供参考，但所识别剖面的实际效用需在训练负荷管理应用前通过前瞻性验证加以确认。

论文解读：《利用本地定位系统(LPS)数据进行室内团队球类项目外部负荷变量数据驱动降维的研究》

该研究发表于Journal of Functional Morphology and Kinesiology。随着惯性测量单元(Inertial Measurement Unit, IMU)和本地定位系统(Local Positioning System, LPS)在室内团队球类项目中的广泛应用，单次训练或比赛可同步采集数十至上百个外部负荷(External Load)变量，如总距离、各强度区间跑动距离、加速度负荷(Acceleration Load)、减速度负荷、跳跃负荷(Jump Load)、代谢功率(Metabolic Power)及厌氧活动距离(Anaerobic Activity Distance)等。然而这些变量高度相关、信息重叠严重，给从业者的实际监测和解读带来困扰，传统做法常凭经验主观筛选指标，缺乏数据驱动的依据。目前少有研究针对LPS衍生的高维外部负荷数据集，采用无监督学习(Unsupervised Learning)方法探究其潜在结构和潜维度(Latent Dimensions)。因此，研究人员假设高维外负荷变量中含有可归纳为少数潜维度的冗余信息，拟通过相关性分析、主成分分析(Principal Component Analysis, PCA)及聚类方法实现降维并探索观测层面的外负荷剖面(External-load Profile)，为简化监测体系和生成后续研究假设提供基础。

研究人员采集篮球、手球和五人制足球共6场比赛中188条运动员比赛观测记录（每场运动至少2场，均来自大学竞技水平球队），提取76个LPS共有连续型外部负荷变量，缺失值以变量中位数填补，所有连续变量进行z分数标准化(Z-score Normalization)；采用Kaiser–Meyer–Olkin测度(KMO)与Bartlett球形检验判定PCA适用性；计算全量主成分并以累积解释方差≥90%为阈值保留主成分数；分别在全标准化特征空间与保留的PCA得分空间中进行K-means聚类(k=2–10)，以肘部法(Elbow Method)结合轮廓系数(Silhouette Score)选取最优簇数，聚类一致性以调整兰德指数(Adjusted Rand Index, ARI)和归一化互信息(Normalized Mutual Information, NMI)量化；通过各簇均值偏离全局均值的绝对偏差识别最具分离力的原始变量；辅以t-SNE(t-Distributed Stochastic Neighbor Embedding)作非线性可视化；PCA主成分依据高载荷变量的运动学/生理学含义进行命名解释。

3.1. PCA and Dimensional Structure of the Data（PCA与外负荷数据的维度结构）

研究人员对标准化后的76个连续外部负荷变量进行PCA。结果显示第一主成分(PC1)解释37.2%的方差，第二主成分(PC2)解释16.5%，前两个主成分合计解释53.7%，前三个主成分合计解释66.9%，需保留12个主成分方达到≥90%累积解释方差（90.6%）。PC1高载荷变量为厌氧活动距离、高速跑距离与时间、极高加速度负荷、冲刺次数、加速度及爆发动作，解释为高强度外部负荷维度(High-intensity External Load Dimension)；PC2呈现中等加速度负荷和低速运动量一侧与减速度及跳跃负荷变量另一侧的对比，解释为神经肌肉负荷vs低强度运动量维度(Neuromuscular Load versus Low-intensity Volume Dimension)；PC3主要代表总体暴露和工作量体积（场上时间、总距离、低速距离和时间、代谢功等）；PC4代表最大速度和冲刺相关表现；PC5反映代谢—机械对比（最大代谢功率与跳跃及高加速度负荷的对立）。前五个主成分约解释78.0%的总方差，为主要解读对象，第6–12主成分各解释1.1%–2.5%方差，仅为保留信息用于后续聚类。KMO值为0.831，Bartlett球形检验显著(p<0.001)，证实数据适合做PCA。

3.2. Cluster Visualization in PCA Space（PCA空间中的聚类可视化）

将188条观测投影至PC1–PC2平面可见中等分离的三簇模式：一簇主要沿PC1正值分布，另两簇位于PC1负值区并主要沿PC2方向区分。表明PC1为负荷/强度主导变异轴，PC2在低强度观测中辅助区分亚剖面。全空间与PCA空间聚类着色图均显示相似分组结构。

3.3. Clustering Results and Model Comparison（聚类结果及模型比较）

肘部法在k=3–4附近出现拐点，轮廓系数在k=3时最高（全空间0.319，PCA空间0.362），故选定三簇为最优解。PCA空间聚类轮廓系数优于全空间，提示降噪后簇结构更清晰。全空间簇大小为64、96、28；PCA空间为65、95、28，仅一例观测在两较大簇间重新分配。ARI=0.981，NMI=0.971，表明PCA降维极好地保留了原始数据的聚类结构。

3.4. Selection of the Number of Clusters（簇数的选择）

inertia随k增加逐步下降，k=3后收益递减； silhouette分析确认k=3时两空间均获最高值，支持三簇方案。PCA空间在各k值下 silhouette 均不低于全空间，说明降维有助于凸显固有分组。

3.5. t-SNE Visualization of Clustering Structure（聚类结构的t-SNE可视化）

t-SNE二维投影显示出视觉上较明显的三组格局且重叠有限，但仅作为定性辅助呈现，不用于独立验证簇效度。

3.6. Variables Separating the Clusters（区分各簇的变量）

以各簇均值与全局均值绝对偏差计算变量分离力，跳跃负荷(Jump Load)分离力最强（分离得分>5293），其次为极高区加速度负荷、最大代谢功率、低区加速度负荷及厌氧活动距离；上述变量在两空间聚类中均位列前十位区隔变量，说明簇间差异主要由高强度与神经肌肉负荷特征驱动，且结果稳健。

3.7. Integrated Interpretation（综合解释）

簇间主要沿PC1（高强度外负荷）分离，次沿PC2（神经肌肉负荷特征）区分。三簇可解释为：①高强度外负荷剖面——厌氧活动、高速距离、冲刺及极高加速度负荷显著偏高，对应PC1正向；②累积工作量体积剖面——总距离、低速距离、上场时间及代谢功较突出，高强度指标适中；③神经肌肉—机械负荷剖面——跳跃负荷、减速度及加速度相关变量贡献更大。三簇系连续外负荷谱中的探索性分组而非固定运动员类型，在全空间与PCA空间均稳定出现。

讨论部分指出，高维LPS外负荷变量可归纳为少数可解释潜维度（主要为高强度负荷、神经肌肉负荷和总体工作量体积），PCA结合K-means聚类可在保结构前提下简化数据集；两空间聚类高度一致(ARI=0.981, NMI=0.971)证明降维未扭曲内在模式。前两个主成分过半解释方差支持室内团队球类外负荷可由强度驱动因子与神经肌肉因子主导描述。研究局限包括合并多项目可能引入专项差异、未纳入内部负荷指标、部分高峰值变量(LPS测最大加速度/速度)效度受限、样本量相对维数较小且无外部验证队列、未关联运动表现或损伤结局、未考虑位置与战术角色等情境变量、K-means对球形簇和初值敏感。作者强调所识别维度和剖面属探索性统计构念，需前瞻纵向研究验证其与疲劳、恢复、损伤风险及竞技表现的关系后方可用于实际负荷管理。

结论译文：本研究表明，室内球类项目LPS监测所得高维外部负荷数据集可被归纳为较少数量的可解释潜维度，同时保留所分析数据的主要结构。主成分分析(PCA)与聚类的结合识别出主要以高强度、神经肌肉及累积工作量维度为特征的探索性观测层面外部负荷剖面。这些发现支持数据驱动降维方法在简化复杂监测数据集及提升室内团队球类项目外部负荷信息可解释性方面的潜在价值。然而，所识别的维度与剖面应被视为描述本数据集内模式的探索性统计构念，其在运动员监测、表现优化、损伤预防及重返运动决策中的转化价值，仍有待通过前瞻性纵向验证研究予以确立。未来需开展纵向与前瞻性研究以确定这些潜维度及外部负荷剖面是否与疲劳、恢复动力学、损伤风险、适应或竞技表现结果相关联。