打球时如何降低手臂受伤的风险


   打羽毛球手臂最易于受伤的部位为肩关节、肘关节和腕关节。一般而言造成上述部位受伤的原因主要因为击球姿势的不正确和对所用器材的不当选择。注意以下五个部分会对你有一定的帮助。

  1.降低羽弦的张力(紧度):较松的球弦,可以提供更大的线床效应,能击出速度更快、威力更大的球,同时传递的震动较少。

  2.选择甜区更大的拍形:所谓甜区,就是球拍面的最佳击球区。当击球点在甜区时能给你足够的击球威力、控球性、震动感很小,你会觉得很舒适。球拍的甜区较大,击球时较不容易打到非甜区,所以震动的机会较少,受伤的机会也就较少。

  3.检查拍柄的大小:如果球拍的握把太小,当球没有打到甜区时,球拍的扭力就较大,对手臂的伤害就越大。握把太大则手掌抓不牢球拍,容易疲劳。合适的大小应该是,正手握拍时无名指和大鱼肌之间有约一个5-8mm的空隙。

  4.检查球拍的硬度:拍杆硬度大的球拍,要求球员在击球时发出更大的力度,从而使手臂更容易疲劳也就更易于受伤。拍杆硬度小的球拍,球员不需要太多的力量就能击出更有威力的球,降低了手臂的疲劳可能。目前的羽拍拍杆的平均硬度已比前几年大为降低了。当然较软的拍杆,对球的方向控制性是要差一点的。

  5.注意击球的姿势是否正确:击球姿势的不正确是造成受伤的重要原因。如:击球点过低、过后、击球时侧身不够、甩动大臂击球等等。多请教你身边的高手,纠正你的错误。

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同也在不少候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值