GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測大學(xué)生體質(zhì)的模型構(gòu)建研究

許珊珊，曹 冶，崔洪珊

(1.淮南聯(lián)合大學(xué)， 安徽 淮南 232038； 2.鎮(zhèn)江市第一人民醫(yī)院, 江蘇 鎮(zhèn)江 212002)

隨著經(jīng)濟(jì)的快速發(fā)展，日益豐富的物質(zhì)文化產(chǎn)品滿足了人們便捷、舒適的生活需求，但營養(yǎng)過剩、生活節(jié)奏加快、環(huán)境污染等給人們的健康也帶來新的威脅[1]。青少年是社會發(fā)展的重要驅(qū)動力之一，保障青少年的身心健康尤為關(guān)鍵[2]。目前，青少年由于精神壓力大、缺乏運動、營養(yǎng)攝入不合理等因素，導(dǎo)致身體健康下滑，引起如肥胖、低血紅蛋白、齲齒等問題[3]。研究顯示，中國大學(xué)生普遍存在亞健康問題且大學(xué)生體質(zhì)健康狀況呈不同程度的下降，大學(xué)生體態(tài)也有傾向于肥胖的發(fā)展趨勢[3-4]，國外大學(xué)生體質(zhì)狀況也一樣不容樂觀[5-7]。因此，學(xué)生年度體能測試已成為高校重要的工作之一。通過體質(zhì)健康影響因素分析,采取有針對性的對策和醫(yī)學(xué)相關(guān)干預(yù)措施，可達(dá)到增強學(xué)生體質(zhì)、促進(jìn)其健康成長的目的[8]。

目前，青少年學(xué)生體測依據(jù)各項指標(biāo)，如肺活量、引體向上等，反映了學(xué)生的體質(zhì)狀況，還可給出綜合評判標(biāo)準(zhǔn)[9]。綜合評判標(biāo)準(zhǔn)需要經(jīng)過較為復(fù)雜的計算獲得，耗費大量的人力、物力。由于綜合評判指標(biāo)是依據(jù)各項體能指標(biāo)的評分標(biāo)準(zhǔn)獲得[10]，因此綜合評判指標(biāo)與各項指標(biāo)之間具有緊密的關(guān)聯(lián)性。如能在綜合評判指標(biāo)與各項體能指標(biāo)之間建立一種直接聯(lián)系，不但可以削減單項體能指標(biāo)的評分耗時工作，還可以預(yù)測學(xué)生未來體質(zhì)發(fā)展?fàn)顩r，做到影響因素的預(yù)防分析，有效避免體質(zhì)狀況下滑。

目前大學(xué)生體質(zhì)監(jiān)測數(shù)據(jù)只實現(xiàn)了信息存儲或統(tǒng)計?；趯W(xué)生體能數(shù)據(jù)，進(jìn)行統(tǒng)計分析和實施物理健康監(jiān)測較多，而通過建立體質(zhì)預(yù)測模型進(jìn)行分析的研究較匱乏?，F(xiàn)有預(yù)測體質(zhì)模型有Fisher判別法、灰色EGM預(yù)測模型、多層感知器模型等[11]。上述模型對不同年齡段人體的體質(zhì)預(yù)測有好的效果。但是，研究體質(zhì)狀況和健康體適能指標(biāo)、競技體適能指標(biāo)的方法和模型還不夠系統(tǒng)[12]。本文建立了一種由遺傳算法(GA)與多層前饋神經(jīng)網(wǎng)絡(luò)(BP)構(gòu)成的GA-BP神經(jīng)網(wǎng)絡(luò)模型，可用于快速評估大學(xué)生體質(zhì)總體狀況。

1 數(shù)據(jù)采集與模擬方法

1.1 數(shù)據(jù)采集

該方法適用于全日制普通小學(xué)、初中、普通高中、中等職業(yè)學(xué)校、普通高等學(xué)校的學(xué)生。首先將學(xué)生按照年級劃分為不同組別，而身體形態(tài)類中的身高、體質(zhì)量，身體機能類中的肺活量，以及身體素質(zhì)類中的50 m跑、坐位體前屈為各年級學(xué)生共性指標(biāo)[13]。目前大學(xué)生測試指標(biāo)為：50 m跑、坐位體前屈、立定跳遠(yuǎn)、男生引體向上、女生1 min仰臥起坐、男生1 000 m跑、女生800 m跑，上述指標(biāo)可以較好地反映大學(xué)生速度、爆發(fā)力、力量和耐力素質(zhì)水平[14]。

本文研究的是采集自某東部大學(xué)的男生與女生體質(zhì)數(shù)據(jù),包括該校2015年除因生病或其他身體原因無法參與體能測試的所有在校生,男生為2129人，女生為3391人。樣本采集時間：2015年9月20日—2015年10月30日。采集數(shù)據(jù)包括身高、體質(zhì)量、肺活量、短跑(50 m跑)耗時、長跑(男1 000 m和女800 m)耗時、坐位體前屈、立定跳遠(yuǎn)、總分等?？偡质菍W(xué)生體質(zhì)的總體得分，反映學(xué)生體質(zhì)狀況(等級為優(yōu)秀、良好、及格與不及格)。上述采集的樣本用于模型的建立，其樣本基本信息見表1。另外，也采集了2016年的學(xué)生樣本用于驗證模型的時間擴展預(yù)測能力。

表1 2015年學(xué)生樣本基本信息

1.2 模型框架

本文采用Matlab軟件建立GA-BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是多層前向網(wǎng)絡(luò)，由輸入層、輸出層、中間層即隱含層組成。在同一層中含有許多神經(jīng)元且相互間不作用，不同層次間的神經(jīng)元相互作用[15-16]。本文研究建立了2種神經(jīng)網(wǎng)絡(luò)子模型：GA-BP-1與GA-BP-2，分別用于預(yù)測男生體質(zhì)與女生體質(zhì)，其網(wǎng)絡(luò)框架如圖1所示。

GA-BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)為8個輸入神經(jīng)元節(jié)點數(shù)、3個隱含層數(shù)節(jié)點數(shù)、1個輸出神經(jīng)元節(jié)點數(shù)。輸入神經(jīng)元變量見表2。預(yù)測男生體質(zhì)模型的8個輸入神經(jīng)元節(jié)點數(shù)為身高、體質(zhì)量、肺活量、50 m跑耗時、立定跳遠(yuǎn)、坐位體前屈、1 000 m跑耗時、引體向上；預(yù)測女生體質(zhì)模型的8個輸入神經(jīng)元節(jié)點數(shù)為身高、體質(zhì)量、肺活量、50 m跑耗時、立定跳遠(yuǎn)、坐位體前屈、800 m跑耗時、仰臥起坐。1個輸出神經(jīng)元節(jié)點數(shù)為總分。GA參數(shù)設(shè)置中種群規(guī)模為10；交叉概率為0.8；變異概率為0.1。

圖1 BP神經(jīng)網(wǎng)絡(luò)框架

模型類別輸入神經(jīng)元GA-BP-1身高體質(zhì)量肺活量50 m跑耗時坐位體前屈立定跳遠(yuǎn)引體向上1 000 m跑耗時GA-BP-2身高體質(zhì)量肺活量50 m跑耗時坐位體前屈立定跳遠(yuǎn)仰臥起坐800 m跑耗時

GA-BP-1與GA-BP-2模型訓(xùn)練過程如圖2所示[17]。

圖2 GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

本文按照設(shè)定的訓(xùn)練樣本和測試樣本數(shù)比值(1∶2)隨機抽取訓(xùn)練樣本和測試樣本。GA-BP-1模型中：訓(xùn)練樣本為1 419；測試樣本為710。GA-BP-2模型中：訓(xùn)練樣本為2 260；測試樣本為1 131。測試樣本占總樣本數(shù)的1/3。模型建立后，用于評估時間擴展預(yù)測能力的樣本數(shù)為:男生樣本2 319，女生樣本3 584。本文采用決定系數(shù)(R2)評估模型的擬合優(yōu)度。當(dāng)R2越接近1時，表明模型擬合的效果越好，實測值與模擬值相關(guān)性好，擬合優(yōu)度高；相反，越接近0時，表明模型擬合的效果越差，實測值與模擬值相關(guān)性不好，擬合優(yōu)度不高。

1.3 數(shù)據(jù)預(yù)處理

由于測試數(shù)據(jù)具有多維性和復(fù)雜性，輸入值存在不同的量綱。輸入數(shù)據(jù)取值量級相差較大會對網(wǎng)絡(luò)的識別精度造成影響。本文采用Matlab軟件的mapminmax函數(shù)對數(shù)據(jù)進(jìn)行預(yù)處理，樣本數(shù)據(jù)限制值的范圍為-1～1。

2 結(jié)果分析

2.1 GA-BP-1模擬結(jié)果

通過GA-BP-1神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練樣本和測試樣本擬合的標(biāo)準(zhǔn)值與實測值之間的決定系數(shù)分別為0.95與0.91，如圖3顯示。實測值與模擬值之間具有較好的相關(guān)性，擬合優(yōu)度高。一般情況下，訓(xùn)練樣本和測試樣本之間存在內(nèi)在規(guī)律，因此網(wǎng)絡(luò)模型的好壞需要通過訓(xùn)練誤差與測試誤差相比較才能判斷網(wǎng)絡(luò)本身的好壞。測試誤差與訓(xùn)練誤差比值太大，會導(dǎo)致過度擬合現(xiàn)象發(fā)生；如果太小，將導(dǎo)致測試樣本不能反映訓(xùn)練樣本的內(nèi)存規(guī)律。因此，測試誤差和訓(xùn)練誤差接近時較為理想。本文研究顯示：訓(xùn)練誤差和測試誤差比為1.01，測試誤差和訓(xùn)練誤差很接近，所以網(wǎng)絡(luò)訓(xùn)練結(jié)果相對合理。

圖4中：訓(xùn)練樣本模擬效果與測試樣本模擬效果比較接近；模擬值與實測值的變化趨勢整體一致，大小交錯分布，吻合性較好。

圖3 GA-BP-1訓(xùn)練模擬值、測試模擬值與實測值相關(guān)性

圖4 GA-BP-1訓(xùn)練模擬值、測試模擬值與實測值分布

2.2 GA-BP-2模擬結(jié)果

通過GA-BP-2神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練樣本和測試樣本擬合的標(biāo)準(zhǔn)值與實測值之間的決定系數(shù)分別為0.94與0.94，如圖5顯示。實測值與模擬值之間具有較好的相關(guān)性，擬合優(yōu)度高。訓(xùn)練誤差和測試誤差比為0.999 8，測試誤差和訓(xùn)練誤差很接近，所以網(wǎng)絡(luò)訓(xùn)練結(jié)果相對合理。

圖6中：訓(xùn)練樣本模擬效果于測試樣本模擬效果較接近；模擬值與實測值的變化趨勢整體一致，大小交錯分布，吻合性較好。

圖5 GA-BP-2訓(xùn)練模擬值、測試模擬值與實測值相關(guān)性

圖6 GA-BP-2訓(xùn)練模擬值、測試模擬值與實測值分布

2.3 時間擴展的預(yù)測能力

GA-BP-1與GA-BP-2建立后，為了驗證模型的時間擴展預(yù)測能力，選擇2016年的樣本數(shù)據(jù)進(jìn)行模擬，模擬結(jié)果見圖7。結(jié)果顯示：模型預(yù)測的預(yù)測值和實測值均有很好的相關(guān)性。相關(guān)系數(shù)分別達(dá)到0.94與0.95。因此GA-BP-1與GA-BP-2模型能夠具有很好的擴展預(yù)測能力，可以應(yīng)用于學(xué)生體質(zhì)情況。

2.4 影響因素分析

GA-BP神經(jīng)網(wǎng)絡(luò)可以有效預(yù)測大學(xué)生體質(zhì)，還可以做到影響因素的預(yù)測分析。本文以肺活量影響因素變化為例，研究某男生與某女生體質(zhì)隨肺活量的變化情況，以此預(yù)測體質(zhì)狀況的變化規(guī)律。該男生體質(zhì)情況為：身高150.7 cm,體質(zhì)量63.6 kg,50 m跑耗時10.7 s,立定跳遠(yuǎn)145 cm,坐位體前屈為10 cm,1 000 m跑6.53 min，引體向上2個/min。該女生體質(zhì)情況為：身高171.9 cm,體質(zhì)量50.7 kg,50 m跑耗時10.4 s,立定跳遠(yuǎn)190 cm,坐位體前屈為15cm,800 m跑耗時4.12 min，仰臥起坐10個/min。本文研究考察的該男生和女生的肺活量變化范圍為2 500 mL到4 000 mL。模擬結(jié)果見圖8。

圖8(a)顯示男生體質(zhì)隨肺活量變化的規(guī)律。圖8(b)顯示女生體質(zhì)隨肺活量變化的規(guī)律。

圖7 模擬值與實測值相關(guān)性

圖8 體質(zhì)隨著肺活量不同的變化規(guī)律

圖8顯示，在不同的肺活量條件下，肺活量越大，體質(zhì)狀況越好；肺活量為2 500 mL時，體質(zhì)最差；當(dāng)肺活量為4 000 mL時，體質(zhì)最好。研究表明，該男生的體質(zhì)隨肺活量值的變化情況由3個階段組成：在 2 000～2 500 mL之間體質(zhì)是一個緩慢增長階段；在2 500～3 500 mL時體質(zhì)有一個顯著快速增長階段；在3 500 mL以上，體質(zhì)增長速度變緩。因此，在其他條件不變的情況下，肺活量在2 500～3 500 mL階段是提高該男生體質(zhì)的一個有利條件。圖8(b)顯示：隨著肺活量的提高，該女生體質(zhì)基本呈線性增長，該女生對肺活量的敏感性強，肺活量提高有助于該女生體質(zhì)的增強。由于每位學(xué)生的情況不同，模擬結(jié)果有所不同，但總體表明模型能在不同因素條件下預(yù)測學(xué)生的體質(zhì)，為體質(zhì)增強提供可行性建議。

3 結(jié)論

本文研究了某東部大學(xué)的男生與女生的體質(zhì)預(yù)測模型的構(gòu)建，為大學(xué)生體質(zhì)評估工作提供參考。模型構(gòu)建由8個輸入神經(jīng)元、3個隱含層、1個輸出層的BP網(wǎng)絡(luò)框架組成。以2015年大學(xué)生體質(zhì)數(shù)據(jù)為樣本，GA-BP-1的訓(xùn)練和測試結(jié)果顯示，實測值與模擬值決定系數(shù)分別達(dá)到0.95與0.91，GA-BP-2的訓(xùn)練和測試結(jié)果均達(dá)到0.94，兩種模型的預(yù)測值與模擬值均顯示出較好的分布。對2016年大學(xué)生體質(zhì)數(shù)據(jù)進(jìn)行預(yù)測，結(jié)果顯示：GA-BP-1與GA-BP-2的模擬值與實測值的決定系數(shù)分別達(dá)到0.94與0.95,顯示出較好的時間擴展預(yù)測能力。GA-BP-1與GA-BP-2模型可以預(yù)測和分析不同條件對體質(zhì)的影響，可為大學(xué)生增強體質(zhì)提供建議。因此，本研究的GA-BP-1與GA-BP-2模型可以用于預(yù)測大學(xué)生的體質(zhì)，為大學(xué)生體質(zhì)模型的預(yù)測提供參考。