基于神經網絡的大學生體質健康影響因素研究

◎王泓淏 譚輝煌

體質健康包括心理發展、生理健康、社會適應性等，體質健康具有后天可塑性，因為內外環境始終會影響人類的生存與發展。不同的體育鍛煉水平、物質生活條件，體質健康狀態也會存在差異性。健康的體魄是大學生全面發展的必備基礎。隨著時代不斷變化，大學生的生活方式也發生變化，總體上，影響大學生體質健康的因素比較復雜，并且相互作用。利用人工神經網絡的函數映射能力，建立神經網絡模型，分析大學生體質健康影響因素，為提升大學生體質健康提供理論依據。

一、研究對象與方法

（一）研究對象

選取高校大學生600名，男生女生各有300名。體質健康測試指標包括800m跑（女）、1000m 跑（男）、仰臥起坐（女）、引體向上（男）、腹部皮脂厚度、肩胛部皮脂厚度、舒張壓、收縮壓、肺活量、坐位體前屈、握力、上臂部皮脂厚度、立定跳遠、臀圍、脈搏、50m 跑、腰圍、胸圍、坐高、體重、身高。

（二）研究方法

前饋型人工神經網絡中，輸入與輸出間的映射關系定義，應用誤差反向傳播算（BP 算法）。BP 學習算法對各層神經元的連接權值進行修改，通過反復迭代的方式。連接權值輸出誤差信號最小時，可以映射輸入與輸出的函數關系。多層前饋網絡可以逼近任何一個連續函數。得到一個訓練好的神經網絡模型。BP 學習算法存在一些缺點，估計最優單元數，利用試驗和誤差方法。尚無理論指導網絡隱結點個數的選取。為保證收斂，阻止振蕩，學習速率必須保持很小。由此學習過程會減慢。學習效率高，學習過程會不穩定。為提高收斂速率，需要增加一個動量項。

二、結果與分析

（一）建模

使用樣本數據建模，測試訓練誤差用110 組測試數據。檢驗模型精度用110 組數據。訓練網絡用剩下380 組數據。訓練完后，對連接權值進行修正，測試絕對誤差。開始時，隨著訓練的進行，絕對誤差逐漸下降。直到絕對誤差不再下降。如果不是最小的絕對誤差，應再增加20萬次訓練次數，避免局部極小。根據三種激活函數，對ward 網絡隱結點分組，用三層網訓練模型，結果如表1。如果不考慮動量項、學習速率的影響，網絡性能較好的是30，以及13—13—13。可以選取ward網絡模型，精度更高，平均絕對誤差為0.913，擬合度0.986，相對誤差全部低于5%。

表1 三層網絡模型的精度和誤差

結果顯示，網絡性能較好時，動量項取0.7，學習速率取0.9。模型擬合度為0.987，平均相對誤差為l%，平均絕對誤差為0.803，相對誤差在1%以內比率為53.7%，相對誤差在1%—2%的比率為35.6%，相對誤差在2%—5%的比率為10.7%，相對誤差在5%—10%為0。建立各指標與體質健康的多元回歸模型，經方差分析，P=0.000，F=914.257。標準誤差為2.152，擬合度為0.924。經t 檢驗，各自變量全部顯著有效，模型顯著性高。神經網絡模型能夠映射出各指標與學生體質健康的函數關系。

（二）結果

考察單個指標與大學生體質健康的關系。影響大學生體質健康的因素主要包括身體素質、形態發育、生理機能、柔韌耐力。其中身體素質的相關性最高，包括肺活量、引體向上/仰臥起坐、握力、立定跳遠、50 米跑、坐高、身高。其次相關性較高的是形態發育，包括上臂部皮脂厚度、腹部皮質厚度、肩胛部皮脂厚度、臀圍、腰圍、胸圍。然后是生理機能，包括舒張壓、收縮壓、脈搏。最后為柔韌耐力，包括耐力跑、坐位體前屈。

三、結語

本文研究顯示，大學生體質健康的影響因素，相關性從高到低是身體素質、形態發育、生理機能、柔韌耐力，教師和學生可以根據影響情況，合理組織相關訓練。