冬奥会上的科技范儿
跨项选材的参考系——冠军模型
与发达国家相比，我国冰雪项目起步晚，人才储备不足，需要跨项遴选运动员。据冬季运动管理中心公布的数据显示，截至2018年，冰雪项目各国家集训队共选拔了3257人，比平昌冬奥会同期增幅达844%。截至2020年8月，我国29支冰雪项目国家集训队共有316名运动员来自跨项，100%由跨项运动员组成的国家集训队有11支。
那么，跨项选材的依据是什么呢？
想要回答这个问题，我们要了解一下什么是“冠军模型”。“冠军模型”又称为优秀运动员专项能力结构模型，与运动员在赛场的竞技表现密切相关，是最终决定比赛成绩的关键因素。
要想选出适合的运动员，就要知道冬季项目的“冠军模型”究竟是什么？
北京体育大学研究团队进行了深入的研究。结果发现，与夏季项目相比，冬季项目的“冠军模型”常常受到人（运动员）—机（运动装备）—环（环境）三要素的更为复杂交互式关系的影响。所以，冬季项目“冠军模型”可区分为可控制的内源性因素（如运动员体能、技能和运动心智等）和不可控制的外源性因素（如运动装备、环境等）两个部分。其中，可控制的内源性因素是运动员选材的关键。
来源|北京2022年冬奥会和冬残奥会组织委员会网站
以我国的优势项目短道速滑为例，其“冠军模型”包含了以下三要素：专项体能是基础、专项技能是核心、复杂多变的战术是保障，代表了以“稳、快、灵、巧”为运动表现的技能主导类竞速项目。运动员的专项体能要素包括体成分、等速肌力、最大摄氧量、最大无氧功率，以及灵敏素质等，专项技能包括起跑技术、直道滑行技术、入弯道技术、出弯道技术等。又如，在越野滑雪项目中，要求运动员具备超强的专项耐力，才能在比赛中获胜，决定专项耐力的关键要素包括摄氧量峰值、核心肌力、最大无氧功率以及良好的身体平衡能力等。
总之，重新认识冬季项目的专项能力结构模型是保障训练的基础性工作，也是确保跨项选材成功的导向目标。
成绩提升“神器”——神经网络模型
竞技体育需要运动员全身各关节、肌肉的协调运动，合理高效的动作技术对运动表现至关重要。在目前的竞技体育中，成绩每提高一点都要付出巨大努力，而机会往往蕴藏在细节中——短道速滑中要蹲到什么程度,摆臂幅度多大更合理等。以前这些关键性的细节只能靠运动员和教练员在一次次尝试中去体会，很难量化和预测。
以越野滑雪为例，该项目以滑雪板和滑雪杖在丘陵起伏的规定路线上滑行。明确滑雪技术身体动作特征与运动表现的关系，可为运动员技术训练提供指导。运动员自身的专项能力、比赛中的地形和技术变化都呈现多样的特征，这些特征相互关联、影响，并在一定程度上会影响比赛成绩。传统上这些特征对成绩影响的重要程度，以及训练干预后的特征对成绩的综合同步影响难以确定，无法精准指导训练、科学评估训练效果。
当下的机器学习为科学训练提供了新的方法和路径。越野滑雪、速度滑冰等竞速类比赛追求“快”，运动员速度是动作技术的最终体现形式。北京体育大学科研团队将滑雪运动员不同技术类型、比赛时不同地形的技术动作特征、比赛成绩等多层次数据融合，分析对比赛速度最为关键的技术动作特征。进一步基于关键技术特征，利用深度学习手段，构建神经网络模型，预测滑雪速度。
项目团队建立的神经网络模型预测速度的决定系数可达到0.9，应用模型可以实现训练的多维度比较，以最终速度为指向，快速为运动员和教练员反馈训练干预效果，为教练员的指导和运动员的动作优化提供了科学依据。这相当于教练员手握一面镜子，从而形成“训练干预—效果评估—技术改进—效果再评估”的科学有效的训练模式。
这一方法也应用在速度滑冰中，为了尽可能减小风阻，运动员必须保持较小的下蹲角度，对下蹲姿位也有较为独特的要求。通过对我国速度滑冰优秀运动员的动作特征进行研究，北京体育大学项目团队分析了对滑冰速度影响较大的动作技术特征，并建立神经网络预测模型，基于上述分析的重要动作特征参数，预测滑冰速度，为运动员的训练及技术调整提供科技支撑，保障了运动成绩的提升和稳定性。
智能冰场“黑科技”——自动识别系统
获取运动员在每一次比赛中的关键数据是总结经验、提高成绩的有效办法，但这是一个非常棘手的问题——传统上依赖可穿戴设备进行这些数据的收集，或者在运动员身上粘贴标记点，利用较多的红外镜头进行标记点的捕捉和追踪。但这些技术都无法在真正的比赛中使用——真正的比赛中绝不会允许任何有可能干扰到运动员比赛的可穿戴设备以及标记点出现。
所以，人工智能智慧冰场绝不是简单的智能管理系统，它的核心，应该是如何通过先进的科技手段，在不打扰运动员比赛的情况下，对冰场上正在紧张训练或比赛的运动员进行技术的总结与提升，更是智慧场馆需要解决的核心科技问题。
由北京体育大学主导研发的基于人工智能技术的“无标记点人体运动自动识别人工智能系统”，可在不接触运动员的条件下，仅仅利用架设在赛场周围的高速摄像机，通过机器视觉方法自动跟踪运动员的冰上位置，并对运动员进行人体21个关键点的自动识别，即时合成运动员三维运动姿态数据，并绘制出相关数据曲线，便于运动员和教练员及时掌握体能分配情况和比赛技战术状态，以评估训练效果。
“冰立方”冰上运动中心内景|北京2022年冬奥会和冬残奥会组织委员会网站
整套系统基于机器深度学习原理的人工智能技术，采用了人工智能机器视觉算法以及三维重建技术，同时突破性地使用了大范围视频影像拍摄与拼接技术，还可计算人体重心位置、关节角度、速度和器械运动状态等一系列动作技术指标，监测运动员运动过程中瞬时速度、加速度、运动轨迹、身体姿态等多种运动信息，可满足大多数冰雪项目动作技术分析的需要。该系统成功运用于速度滑冰、钢架雪车、跳台滑雪、越野滑雪等项目，实现了复杂场景下三维动作捕捉与分析。
这套系统具有自主知识产权，是目前世界上第一套能够在实际比赛、训练和其他临床环境下，使用生物力学常用人体模型，自动采集人体三维运动学数据的系统。运动员只需在比赛或者训练过程中正常运动，人工智能系统即可以在不接触运动员的情况下收集和自动分析运动员的数据。整个系统真正实现了无干扰，准确且高效，是体育科研人员梦寐以求的数据收集手段，为教练员及运动员高水平训练提供高科技保障。
应用这一系统，北京体育大学已经收集了大量我国运动员比赛中的动作技术数据，形成了数据库，为大数据积累、动作技术分析，动作训练反馈以及改进动作技术打下了坚实基础。
“冷环境”有氧耐力研究——保护运动员
众所周知，冬天运动时速度和力量会下降，也更容易受伤——由于温差，冷暴露使得身体温度不断散发到周围环境中，这是人体为了保持正常体温的适应性反映。在急性冷暴露时，身体通过增加产热量和减少散热量来维持正常体温。当正常的能量代谢和生理功能出现紊乱，以及皮肤和其他组织发生损伤时，体核温度或末梢皮肤温度会下降到临界水平，会影响到诸多器官系统，特别是中枢神经和心血管系统，能量代谢途径受到干扰，肌肉的收缩减慢变弱，神经传导延迟，影响运动表现，易发生低体温症、冻伤和非冻性冷伤等冷损伤以及急慢性呼吸道健康问题。
冬季项目的运动员也面临这个问题——在冬季训练期进行雪上训练时通常长期、反复暴露于低温环境中，尤其是作为户外冬季耐力运动项目之一的越野滑雪，其冬季训练期间的训练和比赛均在冷环境下进行。运动员在冬季训练和比赛期所处的冷环境和比赛时间的不同组合会使其承受多种低温应激刺激。
研究发现，直接暴露于环境中的前额对环境温度变化非常敏感，前额温度变化不仅可以反映肌体对环境温度的应激情况，也可以间接反映骨骼肌的温度。骨骼肌温度降低影响其收缩活动，使耐力运动表现、力量和爆发力水平下降，影响运动成绩和训练效果。
那么，如何保护身处寒冷中的运动员呢？
目前认为的最佳有氧耐力表现温度区间指标可能不太适合身穿专业比赛服的冷环境受试者。冬季雪上耐力项目训练或比赛温度环境多在零下10至0摄氏度之间，如目前我国冬季项目运动员主要的训练场地吉林雪洞，温度环境恒定设置在零下6摄氏度。在此环境下穿着专业比赛服时有氧运动能力的变化特征并未进行过研究。
因此，研究团队通过模拟吉林雪洞零下6摄氏度的冬季项目训练环境，呈现了在冷环境暴露时最大有氧耐力运动表现及相关生理学指标的变化特征，为低温环境运动训练监控提供了一定的实验室依据。
现代竞技体育尤其是冬季项目，不仅是运动员在赛场上的竞争，更是比赛背后各国科技力量和科技水平的比拼与展现。当前竞技体育成绩的提升早已不能单靠苦练来取得，科学的训练、科学的选材、科学的场馆、科学的装备、科学的保障等复合系统能力已成为制胜的关键因素。仅以北京体育大学为例，从1988年第24届汉城奥运会开始，北京体育大学累计获得国家科技进步奖5次，奥运科研攻关与科技服务奖6次，奥运科研攻关与科技服务组织贡献奖2次。自2017年以来，以学校“三个转型”的改革发展为重要契机，充分发挥“大学+基地”的办学优势、体育学科集群优势和强大的科研团队人才优势，努力实现科技助奥过程全覆盖、项目广覆盖、手段现代化、合作多元化，努力打造新时代体育科学研究的创新高地。
如今，一代代体育科研人正在攻坚克难，砥砺奋进，用科技服务奥运，助力全民健康。
