GA-BP神經網絡預測大學生體質的模型構建研究

許珊珊，曹 冶，崔洪珊

(1.淮南聯合大學， 安徽 淮南 232038； 2.鎮江市第一人民醫院, 江蘇 鎮江 212002)

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

目前，青少年學生體測依據各項指標，如肺活量、引體向上等，反映了學生的體質狀況，還可給出綜合評判標準[9]。綜合評判標準需要經過較為復雜的計算獲得，耗費大量的人力、物力。由于綜合評判指標是依據各項體能指標的評分標準獲得[10]，因此綜合評判指標與各項指標之間具有緊密的關聯性。如能在綜合評判指標與各項體能指標之間建立一種直接聯系，不但可以削減單項體能指標的評分耗時工作，還可以預測學生未來體質發展狀況，做到影響因素的預防分析，有效避免體質狀況下滑。

目前大學生體質監測數據只實現了信息存儲或統計。基于學生體能數據，進行統計分析和實施物理健康監測較多，而通過建立體質預測模型進行分析的研究較匱乏。現有預測體質模型有Fisher判別法、灰色EGM預測模型、多層感知器模型等[11]。上述模型對不同年齡段人體的體質預測有好的效果。但是，研究體質狀況和健康體適能指標、競技體適能指標的方法和模型還不夠系統[12]。本文建立了一種由遺傳算法(GA)與多層前饋神經網絡(BP)構成的GA-BP神經網絡模型，可用于快速評估大學生體質總體狀況。

1 數據采集與模擬方法

1.1 數據采集

該方法適用于全日制普通小學、初中、普通高中、中等職業學校、普通高等學校的學生。首先將學生按照年級劃分為不同組別，而身體形態類中的身高、體質量，身體機能類中的肺活量，以及身體素質類中的50 m跑、坐位體前屈為各年級學生共性指標[13]。目前大學生測試指標為：50 m跑、坐位體前屈、立定跳遠、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，上述指標可以較好地反映大學生速度、爆發力、力量和耐力素質水平[14]。

本文研究的是采集自某東部大學的男生與女生體質數據,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。采集數據包括身高、體質量、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、總分等。總分是學生體質的總體得分，反映學生體質狀況(等級為優秀、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年的學生樣本用于驗證模型的時間擴展預測能力。

表1 2015年學生樣本基本信息

1.2 模型框架

本文采用Matlab軟件建立GA-BP神經網絡。BP神經網絡是多層前向網絡，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元且相互間不作用，不同層次間的神經元相互作用[15-16]。本文研究建立了2種神經網絡子模型：GA-BP-1與GA-BP-2，分別用于預測男生體質與女生體質，其網絡框架如圖1所示。

GA-BP神經網絡模型的結構為8個輸入神經元節點數、3個隱含層數節點數、1個輸出神經元節點數。輸入神經元變量見表2。預測男生體質模型的8個輸入神經元節點數為身高、體質量、肺活量、50 m跑耗時、立定跳遠、坐位體前屈、1 000 m跑耗時、引體向上；預測女生體質模型的8個輸入神經元節點數為身高、體質量、肺活量、50 m跑耗時、立定跳遠、坐位體前屈、800 m跑耗時、仰臥起坐。1個輸出神經元節點數為總分。GA參數設置中種群規模為10；交叉概率為0.8；變異概率為0.1。

圖1 BP神經網絡框架

模型類別輸入神經元GA-BP-1身高體質量肺活量50 m跑耗時坐位體前屈立定跳遠引體向上1 000 m跑耗時GA-BP-2身高體質量肺活量50 m跑耗時坐位體前屈立定跳遠仰臥起坐800 m跑耗時

GA-BP-1與GA-BP-2模型訓練過程如圖2所示[17]。

圖2 GA-BP神經網絡訓練過程

本文按照設定的訓練樣本和測試樣本數比值(1∶2)隨機抽取訓練樣本和測試樣本。GA-BP-1模型中：訓練樣本為1 419；測試樣本為710。GA-BP-2模型中：訓練樣本為2 260；測試樣本為1 131。測試樣本占總樣本數的1/3。模型建立后，用于評估時間擴展預測能力的樣本數為:男生樣本2 319，女生樣本3 584。本文采用決定系數(R2)評估模型的擬合優度。當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性好，擬合優度高；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性不好，擬合優度不高。

1.3 數據預處理

由于測試數據具有多維性和復雜性，輸入值存在不同的量綱。輸入數據取值量級相差較大會對網絡的識別精度造成影響。本文采用Matlab軟件的mapminmax函數對數據進行預處理，樣本數據限制值的范圍為-1～1。

2 結果分析

2.1 GA-BP-1模擬結果

通過GA-BP-1神經網絡訓練，訓練樣本和測試樣本擬合的標準值與實測值之間的決定系數分別為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性，擬合優度高。一般情況下，訓練樣本和測試樣本之間存在內在規律，因此網絡模型的好壞需要通過訓練誤差與測試誤差相比較才能判斷網絡本身的好壞。測試誤差與訓練誤差比值太大，會導致過度擬合現象發生；如果太小，將導致測試樣本不能反映訓練樣本的內存規律。因此，測試誤差和訓練誤差接近時較為理想。本文研究顯示：訓練誤差和測試誤差比為1.01，測試誤差和訓練誤差很接近，所以網絡訓練結果相對合理。

圖4中：訓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訓練模擬值、測試模擬值與實測值相關性

圖4 GA-BP-1訓練模擬值、測試模擬值與實測值分布

2.2 GA-BP-2模擬結果

通過GA-BP-2神經網絡訓練，訓練樣本和測試樣本擬合的標準值與實測值之間的決定系數分別為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性，擬合優度高。訓練誤差和測試誤差比為0.999 8，測試誤差和訓練誤差很接近，所以網絡訓練結果相對合理。

圖6中：訓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訓練模擬值、測試模擬值與實測值相關性

圖6 GA-BP-2訓練模擬值、測試模擬值與實測值分布

2.3 時間擴展的預測能力

GA-BP-1與GA-BP-2建立后，為了驗證模型的時間擴展預測能力，選擇2016年的樣本數據進行模擬，模擬結果見圖7。結果顯示：模型預測的預測值和實測值均有很好的相關性。相關系數分別達到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測能力，可以應用于學生體質情況。

2.4 影響因素分析

GA-BP神經網絡可以有效預測大學生體質，還可以做到影響因素的預測分析。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隨肺活量的變化情況，以此預測體質狀況的變化規律。該男生體質情況為：身高150.7 cm,體質量63.6 kg,50 m跑耗時10.7 s,立定跳遠145 cm,坐位體前屈為10 cm,1 000 m跑6.53 min，引體向上2個/min。該女生體質情況為：身高171.9 cm,體質量50.7 kg,50 m跑耗時10.4 s,立定跳遠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。模擬結果見圖8。

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

圖7 模擬值與實測值相關性

圖8 體質隨著肺活量不同的變化規律

圖8顯示，在不同的肺活量條件下，肺活量越大，體質狀況越好；肺活量為2 500 mL時，體質最差；當肺活量為4 000 mL時，體質最好。研究表明，該男生的體質隨肺活量值的變化情況由3個階段組成：在 2 000～2 500 mL之間體質是一個緩慢增長階段；在2 500～3 500 mL時體質有一個顯著快速增長階段；在3 500 mL以上，體質增長速度變緩。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的增強。由于每位學生的情況不同，模擬結果有所不同，但總體表明模型能在不同因素條件下預測學生的體質，為體質增強提供可行性建議。

3 結論

本文研究了某東部大學的男生與女生的體質預測模型的構建，為大學生體質評估工作提供參考。模型構建由8個輸入神經元、3個隱含層、1個輸出層的BP網絡框架組成。以2015年大學生體質數據為樣本，GA-BP-1的訓練和測試結果顯示，實測值與模擬值決定系數分別達到0.95與0.91，GA-BP-2的訓練和測試結果均達到0.94，兩種模型的預測值與模擬值均顯示出較好的分布。對2016年大學生體質數據進行預測，結果顯示：GA-BP-1與GA-BP-2的模擬值與實測值的決定系數分別達到0.94與0.95,顯示出較好的時間擴展預測能力。GA-BP-1與GA-BP-2模型可以預測和分析不同條件對體質的影響，可為大學生增強體質提供建議。因此，本研究的GA-BP-1與GA-BP-2模型可以用于預測大學生的體質，為大學生體質模型的預測提供參考。