基于RBF神經(jīng)網(wǎng)絡(luò)最佳運(yùn)動(dòng)量的預(yù)測(cè)方法的研究

鄔長杰，堯俊瑜

（西華大學(xué)計(jì)算機(jī)與軟件工程學(xué)院，成都610039）

基于RBF神經(jīng)網(wǎng)絡(luò)最佳運(yùn)動(dòng)量的預(yù)測(cè)方法的研究

鄔長杰，堯俊瑜

（西華大學(xué)計(jì)算機(jī)與軟件工程學(xué)院，成都610039）

RBF神經(jīng)網(wǎng)絡(luò)是一種基于誤差反向傳播的人工神經(jīng)網(wǎng)絡(luò),也是一種預(yù)測(cè)性能比較穩(wěn)定且良好的前饋網(wǎng)絡(luò)。為了提高健身的效率和保證運(yùn)動(dòng)的安全，通過分析人體生理指標(biāo)與運(yùn)動(dòng)量的關(guān)系，提出基于RBF神經(jīng)網(wǎng)絡(luò)最佳運(yùn)動(dòng)量的預(yù)測(cè)方法的研究，用于預(yù)測(cè)運(yùn)動(dòng)者的最佳運(yùn)動(dòng)量，并且通過實(shí)驗(yàn)驗(yàn)證預(yù)測(cè)方法的實(shí)用性和有效性。

RBF神經(jīng)網(wǎng)絡(luò)；運(yùn)動(dòng)量；預(yù)測(cè)；生理指標(biāo)

0 引言

隨著人民生活水平的日益提高，運(yùn)動(dòng)已成為人們?nèi)粘Ｉ畈豢苫蛉钡囊徊糠帧５S著運(yùn)動(dòng)熱度的提升和參與運(yùn)動(dòng)人數(shù)的增加，一些潛在的問題也越來越突出。部分運(yùn)動(dòng)者每天都鍛煉到精疲力竭卻毫無體質(zhì)增強(qiáng)。究其原因還是沒有根據(jù)自身的體質(zhì)變化找到一個(gè)最佳運(yùn)動(dòng)量。不科學(xué)的健身方式不但起不到強(qiáng)身健體的作用，反而可能對(duì)身體造成損傷。

本文則是通過分析人體的生理指標(biāo)，找出與運(yùn)動(dòng)量的潛在關(guān)系，根據(jù)RBF神經(jīng)網(wǎng)絡(luò)的相關(guān)方法，對(duì)運(yùn)動(dòng)者的最佳運(yùn)動(dòng)量進(jìn)行預(yù)測(cè)，從而達(dá)到運(yùn)動(dòng)高效和安全的目的。

1 RBF神經(jīng)網(wǎng)絡(luò)的算法介紹

RBF神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的很多缺點(diǎn)，具有很好的穩(wěn)定性。RBF神經(jīng)網(wǎng)絡(luò)只有三層。其輸入層由把網(wǎng)絡(luò)和它的環(huán)境連接起來的源節(jié)點(diǎn)組成；中間層是網(wǎng)絡(luò)里的唯一的隱藏層；輸出層是線性的，提供對(duì)應(yīng)用于輸入層的活動(dòng)樣本的網(wǎng)絡(luò)響應(yīng)。其中，RBF神經(jīng)網(wǎng)絡(luò)最常用的函數(shù)是高斯函數(shù)。

RBF算法的關(guān)鍵是如何選取RBF的網(wǎng)絡(luò)中心，因此在此我們主要研究徑向高斯函數(shù)中心的選取算法：

（1）隨機(jī)選取RBF為中心

這種算法是最簡單的選取算法。在此方法中，隱藏層單元傳遞函數(shù)的中心是從輸入樣本數(shù)據(jù)中隨機(jī)選取的，并且中心固定。中心確定后，高斯函數(shù)的寬度則由以下的式子來確定：

di是所選中心之間的最大距離，nh為隱單元的個(gè)數(shù)，i=1，…，nh。對(duì)于這種算法，如果樣本分布具有代表性，這種方法倒是一種簡單可行的辦法，但是如果輸入樣本具有一定的冗余性時(shí)，這種算法就顯得不可行了。

（2）自組織學(xué)習(xí)算法選取RBF基函數(shù)中心

在這種算法中，RBF的中心是可以移動(dòng)的，并且通過自組織學(xué)習(xí)的方式來確定其位置。輸出層的線性權(quán)值則通過有監(jiān)督學(xué)習(xí)的規(guī)則來計(jì)算。這是一種混合的學(xué)習(xí)方法。其過程在某種意義上是對(duì)網(wǎng)絡(luò)資源進(jìn)行分配。自組織學(xué)習(xí)的目的是使RBF的中心屬于輸入空間的重要區(qū)域。由于自組織學(xué)習(xí)算法需要同時(shí)確定隱單元的個(gè)數(shù)和一個(gè)合適的范數(shù)，就極大地增加了解決問題的難度。

（3）最近鄰聚類學(xué)習(xí)算法選取RBF基函數(shù)中心

針對(duì)上述選取RBF中心存在的問題，我們提出了一種動(dòng)態(tài)RBF網(wǎng)絡(luò)模型。這種模型是基于最近鄰聚類學(xué)習(xí)算法的，該算法是一種在線自適應(yīng)聚類學(xué)習(xí)算法，不需要事先確定隱單元的個(gè)數(shù)，完成的聚類所得到的RBF網(wǎng)絡(luò)是最合理的。

因此在本文中，我們將選擇鄰聚類學(xué)習(xí)算法來選取RBF基函數(shù)中心。繼而提出預(yù)測(cè)方法，對(duì)健身運(yùn)動(dòng)者的最佳運(yùn)動(dòng)量進(jìn)行預(yù)測(cè)。

2 人體生理指標(biāo)的變化與運(yùn)動(dòng)量的關(guān)系

最佳運(yùn)動(dòng)量對(duì)于健身運(yùn)動(dòng)者來說有著至關(guān)重要的作用。在運(yùn)動(dòng)過程中，運(yùn)動(dòng)量太大會(huì)增加心肺的負(fù)擔(dān)，容易出現(xiàn)運(yùn)動(dòng)損傷，不利于身體的健康。運(yùn)動(dòng)量太小又達(dá)不到運(yùn)動(dòng)的效果，對(duì)于增強(qiáng)體質(zhì)起不到明顯的作用。因此，合適的運(yùn)動(dòng)量對(duì)于增強(qiáng)運(yùn)動(dòng)者的體質(zhì)非常重要。

在本文中，我們選取了人體的生理指標(biāo)——心率的變化與運(yùn)動(dòng)時(shí)間的關(guān)系大致如圖1。

圖1

在此圖中，我們可以看到當(dāng)運(yùn)動(dòng)量在10分鐘之內(nèi)時(shí)，心率隨著運(yùn)動(dòng)量的增加而增加，10到13分鐘時(shí)，心率急速下降，13到19分鐘時(shí)，心率又不斷增加，如此反復(fù)不斷，當(dāng)運(yùn)動(dòng)時(shí)間達(dá)到36分鐘左右，心率也已達(dá)到最高峰180次/分鐘。我們知道，健身者在運(yùn)動(dòng)過程中，心率應(yīng)保持在一個(gè)合理的范圍。如果運(yùn)動(dòng)強(qiáng)度過大，心率太快了，這說明心臟在超負(fù)荷運(yùn)轉(zhuǎn)，對(duì)身體反而不利。運(yùn)動(dòng)量太小又達(dá)不到健身的效果和目的。所以最佳運(yùn)動(dòng)量的確定對(duì)于健身者來說至關(guān)重要。

3 基于RBF神經(jīng)網(wǎng)絡(luò)最佳運(yùn)動(dòng)量的預(yù)測(cè)方法的研究

人在運(yùn)動(dòng)時(shí)，心率會(huì)保持在一個(gè)合理的范圍內(nèi)。一個(gè)人的最大心率大約是220減去年齡，運(yùn)動(dòng)時(shí)達(dá)到了最大心率的65%-85%效果最好。但是不同階段，不同個(gè)體的體質(zhì)不同，這也決定了其最佳運(yùn)動(dòng)量也不同。所以，為了達(dá)到增強(qiáng)體質(zhì)，提高身體素質(zhì)的目的，我們采用鄰聚類學(xué)習(xí)算法，提出一種動(dòng)態(tài)的RBF網(wǎng)絡(luò)模型，持續(xù)動(dòng)態(tài)的預(yù)測(cè)健身者的最佳運(yùn)動(dòng)量。

本文的設(shè)計(jì)思想是通過輸入不同階段的心率值，經(jīng)過我們?cè)O(shè)計(jì)的RBF神經(jīng)網(wǎng)絡(luò)模型，得到體質(zhì)值和相應(yīng)的運(yùn)動(dòng)量。通過對(duì)個(gè)體最佳體質(zhì)值的判斷，找出其對(duì)應(yīng)的運(yùn)動(dòng)量即為最佳運(yùn)動(dòng)量。設(shè)計(jì)思想流程圖如圖2所示：

圖2

4 實(shí)驗(yàn)結(jié)果分析

本實(shí)驗(yàn)選擇的對(duì)象是某中學(xué)某班的若干名學(xué)生，對(duì)體質(zhì)的評(píng)定采用的是百分制評(píng)分，運(yùn)動(dòng)周期是10天，每天訓(xùn)練為一個(gè)階段，采用跑步的運(yùn)動(dòng)方式，將選擇的學(xué)生平均分為三個(gè)組，分別是A組、B組、C組，每組跑步的范圍是20km到50km之間。

第一步：建立RBF神經(jīng)網(wǎng)絡(luò)模型，采用鄰聚類學(xué)習(xí)算法選取RBF基函數(shù)中心，本文中的徑向基函數(shù)選擇的是最常用的高斯函數(shù)。將學(xué)生的心率作為輸入。

第二步：將A組同學(xué)每天的運(yùn)動(dòng)量整體控制在較小的范圍內(nèi)，B組同學(xué)每天的運(yùn)動(dòng)量控制在適中的范圍，C組的同學(xué)每天的運(yùn)動(dòng)量較大。通過RBF神經(jīng)網(wǎng)絡(luò)模型，得到運(yùn)動(dòng)后的體質(zhì)值，并給體質(zhì)一個(gè)百分制評(píng)分。通過對(duì)體質(zhì)的判斷，找出運(yùn)動(dòng)者的最佳運(yùn)動(dòng)量，如此反復(fù)訓(xùn)練，并記錄每個(gè)學(xué)生10天的體質(zhì)數(shù)據(jù)。A，B，C組學(xué)生某天的運(yùn)動(dòng)情況分別如表1，表2，表3所示：第三步：根據(jù)表1，表2，表3，在圖中作出相應(yīng)的平均運(yùn)動(dòng)量的柱狀圖并進(jìn)行比較，柱狀圖如圖3所示：

表1

表2

通過圖3我們可以看出：運(yùn)動(dòng)前的學(xué)生心率都處在60-100之間，屬于正常的學(xué)生。當(dāng)運(yùn)動(dòng)量較小時(shí)，運(yùn)動(dòng)前的體質(zhì)和運(yùn)動(dòng)后的體質(zhì)變化并不大，并不能達(dá)到健身的效果。運(yùn)動(dòng)量過大時(shí)，健身的效果確實(shí)比較明顯，和最佳運(yùn)動(dòng)量一樣能夠達(dá)到健身的目的，但是，從表3也可以看出，運(yùn)動(dòng)量過大之后的心率太高，這就造成了運(yùn)動(dòng)量的浪費(fèi)，甚至可能對(duì)身體造成傷害。

表3

圖3

5 結(jié)語

本文提出了基于RBF神經(jīng)網(wǎng)絡(luò)的最佳運(yùn)動(dòng)量的預(yù)測(cè)方法，通過對(duì)三組學(xué)生設(shè)置不同的運(yùn)動(dòng)量，并把心率作為輸入，經(jīng)過RBF神經(jīng)網(wǎng)絡(luò)模型，得到相應(yīng)的體質(zhì)值，再對(duì)運(yùn)動(dòng)后的體質(zhì)和心率進(jìn)行分析，最后得出最佳運(yùn)動(dòng)量。結(jié)果顯示：運(yùn)動(dòng)量過小達(dá)不到健身的效果，起不到增強(qiáng)體質(zhì)的作用。運(yùn)動(dòng)量過大也可能對(duì)身體造成損傷。而健身運(yùn)動(dòng)本身也是一個(gè)動(dòng)態(tài)變化的過程。本文則是根據(jù)不同運(yùn)動(dòng)者的不同體質(zhì)動(dòng)態(tài)的預(yù)測(cè)最佳運(yùn)動(dòng)量，使得不同階段的運(yùn)動(dòng)量是隨著健身者的體質(zhì)增強(qiáng)而動(dòng)態(tài)增長的。這是一種安全且高效的健身運(yùn)動(dòng)測(cè)評(píng)方法。

[1]姜靜清，宋初一，劉娜仁，張品一.RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法及分析[J].內(nèi)蒙古民族大學(xué)學(xué)報(bào)(自然科學(xué)版),2003,4.

[2]朱明星，張德龍.RBF網(wǎng)絡(luò)基函數(shù)中心選取算法的研究[J].安徽大學(xué)學(xué)報(bào)(自然科學(xué)版),2000,1.

[3]李東，宋啟吉.基于神經(jīng)網(wǎng)絡(luò)的最佳運(yùn)動(dòng)量預(yù)測(cè)方法[J].現(xiàn)代計(jì)算機(jī),2016,2.

[4]于紅妍.中國學(xué)生體質(zhì)測(cè)試的演講歷程及階段特征[J].北京體育大學(xué)學(xué)報(bào),2014,10.

鄔長杰(1992-)，男，四川隆昌人，碩士研究生，研究方向?yàn)橛?jì)算機(jī)科學(xué)與技術(shù)

Research on the Prediction Method of Optimum Movement Based on RBF NeuralNetwork

WU Chang-jie，YAO Jun-yu
（SchoolofComputer and Software Engineering,Xihua University,Chengdu 610039）

RBF neuralnetwork is a kind ofartificialneuralnetwork based on errorback propagation,and itis also a stable and good feed-forward network with good prediction performance.In order to improve the efficiency of fitness and ensure the safety of sports,puts forward a prediction method based on RBF neuralnetwork for the bestamountofmovementby analyzing the relationship between human physiologicalindexes and the amount of exercise,uses it to predictthe optimal amount ofexercise.The practicability and effectiveness of the prediction method are verified by experiments.

RBF NeuralNetwork;AmountofExercise;Prediction;PhysicalSigns

1007-1423（2017）30-0003-04

10.3969/j.issn.1007-1423.2017.30.001

2017-07-18

2017-10-10