基于機器學習的青少年運動員新冠肺炎疫情應對能力分析與預測

葉春明，趙圣文，楊秀紅，劉海韻

（1.煙臺市國民體質監測中心，山東 煙臺 264003；2.濱州醫學院 公共衛生與管理學院，山東 煙臺 264003；3.濱州醫學院 臨床醫學院，山東 煙臺 264003；4.煙臺市疾病預防控制中心，山東 煙臺 264003）

2019年12月，湖北省武漢市發現多起由未知病毒感染的肺炎病例，后被證實為新型冠狀病毒感染引起的新型冠狀病毒肺炎(Corona Virus Disease 2019，COVID-19，以下簡稱“新冠肺炎”)[1]，隨后疫情迅速向全國各地傳播引起全世界的關注[2-3]。我國青少年體育運動學校普遍實行訓練、文化教育、食宿“三集中”管理模式，具有人員高度聚集、以集體活動為主的特殊性，分析青少年運動員防控疫情應對能力狀況及其影響因素，并探索適用于青少年運動員疫情應對能力快速準確分類的有效方法，既可以針對性制訂居家學習計劃，更能為復學復訓后相關部門做好疫情防控措施提供依據。

用于疾病影響因素分析的廣義線性回歸模型如線性回歸、泊松回歸、Logistic回歸等對于特征變量間的復雜非線性關系處理能力有限[3-4]，同時，由于疫情突發時期的防控資源有限，與影響因素的可解釋性分析相比，對高危人群的快速識別對于提高科學決策質量而言具有更重要的現實意義。機器學習在疾病識別、分類及影響因素分析中已經被廣泛應用[5-8]，且目前已應用于新冠肺炎發病預測、分類及藥物療效領域，并顯示出極大的優越性[9-12]。為了解決樣本數據有限、非線性及高維度模式識別問題，本研究采用BP神經網絡、支持向量機和多元自適應回歸樣條3種機器學習算法進行建模分類和預測，并與經典的 Logistic回歸進行對比，為疫情下青少年運動員應對能力快速準確分類提供新的思路。

1 研究對象與方法

1.1 研究對象

隨機選取山東省煙臺市6所體育運動訓練學校，依據日常訓練項目采用隨機整群抽樣方法抽取 1 699名7～17歲青少年運動員，于2020年2月17-21日開展調查，回收有效問卷1 699份。

1.2 調查方法

利用“問卷星”在線調查平臺開展調查。調查問卷共45個題項，主要內容包括：(1)基本情況(4項)，包括地區、性別、年齡、訓練項目等；(2)新冠肺炎防護知識(14項)，包括臨床癥狀、傳播途徑、潛伏期、密切接觸者定義、預防措施等；(3)防護行為(27項)，包括疫情發生后采取的各種應對措施、訓練計劃執行情況以及心理焦慮狀況等，其中焦慮狀況測量來自焦慮自評量表(SAS)[13]。應對能力包括防護知識和防護行為兩部分各50分，總分為100分。

1.3 質量控制

由統一培訓合格的教練員作為質控員，并配備工作指導手冊，質控員負責告知調查對象注意事項，監督調查對象獨立完成問卷，提醒家長不得對答案進行輔導或暗示。

1.4 統計分析

1)問卷信效度檢驗。(1)信度分析采用內部一致性系數法，分別計算 Spearman-Brown分半系數和Cronbach'sα系數作為信度評價。(2)結構效度檢驗采用探索性因子分析，以因子載荷度>0.50作為問卷題項的剔除條件，選擇最大方差法進行因子旋轉，計算KMO值并進行Bartlett球形檢驗。

2)對不同地區、性別、年齡段、學段及訓練項目之間的應對能力得分利用T檢驗或F檢驗進行單因素分析。

3)采用 kmeans( )函數進行 K-means動態聚類分析，將應對能力分為高級響應與低級響應兩個級別。

4)以響應級別為二分類因變量，以地區、性別、實際年齡、學段和訓練項目為影響因素，采用randomForest函數包的randomForest( )函數建立隨機森林模型，其中，通過which.min( )函數優化決策樹數量，通過tuneRF( )函數優化每棵樹引入的自變量個數，通過importance( )函數計算Gini不純度下降值(MDG)用于度量各類影響因素的重要性。

1.5 建立預測模型

以應對能力響應級別為目標變量，以差異有統計學意義的影響因素為輸入特征，建立 BP神經網絡(BPN)、支持向量機(SVM)與多元自適應回歸樣條(MARS)3種機器學習模型，采用混淆矩陣評價模型預測準度，采用曲線下方面積即AUC值(AUC)以及靈敏度和特異度評價模型分類性能，并與 Logistic回歸模型進行對比分析。采用10折交叉驗證法訓練模型，即按9︰1的比例將總樣本隨機分為10份，輪流將其中9份用于訓練建模(訓練集)，1份用于模型預測效果評價(測試集)。

1)BPN模型：采用AMORE函數包的newff( )函數，利用經驗公式估計隱含層神經元個數(其中，a表示輸入特征變量個數，b表示目標變量個數，m表示隱含層神經元個數)[14]，建立單隱含層和雙隱含層神經網絡；輸入層和輸出層均選擇雙曲正切傳遞函數，采用含有動量的自適應梯度下降法修正連接權重；神經元學習率為0.01，動量參數為0.01。

2)SVM模型：采用e1071函數包的svm( )函數，分別采用線性、多項式、徑向基以及 sigmoid核函數用于訓練模型；采用tune.svm( )函數優化模型參數。

3)MARS模型：采用earth函數包的earth( )函數，分別建立沒有交互項的加法模型和存在最多2個交互項的乘法模型；每個輸入特征僅使用1次鉸鏈函數。

4)采用glm( )函數建立二元Logistic回歸模型。

1.6 統計軟件

問卷信效度檢驗采用SPSS 22.0進行分析，采用R version 3.6.2進行建模；計量資料以±s表示，檢驗水平α為0.05。

2 結果與分析

2.1 信效度檢驗

信度分析顯示，問卷總體的Cronbach'sα系數為0.71，分半系數為 0.76，提示問卷內部一致性較好。結構效度檢驗結果顯示，KMO值為 0.89>0.80，且通過 Bartlett球形檢驗(χ2=3955.48，P<0.05)，說明問卷的結構效度良好，適合進一步進行因子分析；問卷所有題項共分為4個因子(見表1)，共刪除9個因子載荷量<0.50的題項，余下36個題項與因子對應關系良好，共同性均>0.40，旋轉后因子載荷量絕對值位于0.67～0.84之間，累積方差解釋率為56.63%>40.00%，滿足結構效度的判斷標準[15]。綜上分析，本次調查問卷具有較好的信效度，可用于進一步數據分析。

表1 調查問卷探索性因子分析結果

2.2 基本情況

共調查1 699例青少年運動員，其中男性953例(56.09%)，女性 746 例(43.91%)；平均年齡(13.78±2.48)歲，其中男性(14.04±2.40)歲，女性(13.45±2.55)歲；家庭常住地為城市 809例(47.62%)，農村 890例(52.38%)；學段為小學374例(22.01%)，初中1 325例(77.99%)；訓練項目為田徑181例(10.65%)，游泳215例(12.65%)、球類 396 例(23.31%)、射擊 160 例(9.42%)、水上運動124例(7.30%)、重競技477例(28.08%)和其他146例(8.59%)。

2.3 防護知識與行為狀況

青少年運動員疫情防護知識得分及格率為54.00%，其中，對新冠病毒的存活條件正答率最高(84.34%)，對預防病毒感染的方法正答率最低(37.90%)；防護行為得分及格率為68.51%，其中，能夠做到戴口罩的比例最高(98.47%)，能夠努力完成訓練計劃的比例最低(27.25%)(見表2)。

表2 青少年運動員對新冠肺炎疫情應對能力狀況 %

分析顯示，青少年運動員疫情相關防護信息第一獲取途徑為父母，占 40.61%；第二為教練員，占36.20%；第三為電視，占34.26%(見表3)。

表3 青少年運動員防護信息的主要獲取途徑 %

2.4 應對能力影響因素分析

青少年運動員應對疫情的總得分為(65.12±15.90)分，得分及格率為65.98%。單因素分析顯示，不同地區、性別、年齡段、學段及訓練項目之間的應對能力得分差異均具有統計學意義(P<0.05)(見表4)。

表4 不同類別青少年運動員疫情應對能力得分比較

聚類結果顯示，應對能力分為1 009例高級響應組(中心點值為75.81)和690例低級響應組(中心點值為49.50)，兩組間得分差異具有統計學意義(t=54.40，P<0.05)。MDG分析結果顯示，年齡導致的Gini不純度的降低最大(下降值為47.14)，其他依次為訓練項目(42.27)、地區(26.80)、性別(13.89)及學段(10.42)(如圖 1所示)。

圖1 基于MDG分析的應對能力各類影響因素重要性排序

2.5 模型分類預測

10折交叉驗證結果顯示，5-3-2-1結構BPN、基于徑向基核函數的SVM以及加法MARS模型的預測準確率最佳，其總體準確率區間維持在70.52%～84.26%，其中BPN模型的單次準確率最高，為84.26%；SVM的平均準確率最高，為80.32%，其次為 MARS和 BPN，平均準確率分別為 78.94%和77.94%，較Logistic分別提升7.15%、5.32%和3.98%(見表 5)。

表5 各分類模型在測試集上的預測準確率 %

SVM模型AUC值最高，其次為BPN和MARS，較Logistic分別提升11.95%、10.35%和5.92%；MARS模型靈敏度最高，其次為SVM和BPN，較Logistic分別提升12.24%、7.08%和5.52%；BPN模型特異度最高，其次為SVM和MARS，較Logistic分別提升62.11%、55.82%和22.24%(見表6)。

表6 各分類模型在測試集上的分類性能對比 %

采用BPN模型在最好(根據表4單因素分析結果，得分最高的各類因素組合)和最壞(得分最低的各類因素組合)輸入特征水平下的預測結果顯示，居住地為城市、性別為女性、最小年齡、學段為小學、訓練項目為游泳的運動員，與農村、男性、最高年齡、初中、重競技運動員相比，被預測為高級響應級別的概率更高(見表 7)。

表7 基于BPN模型的不同輸入特征水平組合下的分類預測1)

3 討論

青少年運動員新冠肺炎疫情防控知識正答率不及2/3，得分及格率僅為54%，提示參與調查的青少年運動員對疫情防護知識有一定的了解，但總體上了解不夠全面，尤其對于病毒傳播途徑以及具體預防措施的了解較差。面對疫情的發生，將近1/2的運動員無法克服緊張和恐慌心理，將近3/4的運動員無法完成訓練計劃。調查顯示，青少年運動員疫情防護信息第一來源主要是父母和教練員告知，占55.15%；其次是通過電視和網絡，占37.55%；而來自于衛生部門和學校的直接宣傳引導僅占 3.71%。專業機構的統一教育和講解明顯缺乏，容易導致認知和情緒承受力、應激能力有限的青少年運動員難以判斷相關知識的真實性。

根據青少年運動員疫情應對能力影響因素的重要性排序，年齡是影響應對能力的首要因素，統計顯示，10歲及以下運動員得分明顯高于10歲以上，這與陸小英[16]和王悅[17]等的調查分析結果相類似，即與高年齡青少年相比，低年齡兒童的思維同一性更高，行為服從性更好，焦慮和抑郁情緒更低；訓練項目是應對能力的第2位影響因素，游泳運動員的得分最高，其次為球類和射擊；地區是第3位影響因素，城市運動員得分明顯高于農村地區運動員，體現出突發公共衛生事件應對能力在地區間的差異性[18-19]；此外，不同性別和學段之間的得分雖有明顯差異，但對于應對能力的重要性較低。

通過建模測試發現，3種機器學習模型對青少年運動員的應對能力分類預測性能優于經典的 Logistic回歸模型，對疫情應對能力的模擬具有可行性。其中，基于徑向基核函數的 SVM模型平均準確度最高；MARS的靈敏度最高，即擅長發現高級疫情應對能力的運動員；而BPN的特異度最高，即擅長發現低級應對能力的運動員，提示出每種學習算法具有不同的優缺點，應該根據算法的特點以及研究目的去合理選擇，達到分類效果最優，幫助解決實際問題。疫情期間，對于青少年運動員關于突發公共衛生事件處理能力及應激能力的培養，我們更應關注缺乏應激響應的群體[20]，根據3種機器學習模型的性能表現，本研究最終選取特異度最高的 BPN模型用于正確識別疫情應對能力較弱的青少年運動員。BPN網絡模型的學習過程就是根據外界提供的訓練樣本進行不斷的學習，改變網絡神經元的連接權重，使網絡具備疫情防控專家或決策者的經驗和知識，能夠判斷和歸納出青少年運動員群體差異與其疫情應對能力之間的映射關系，并能通過學習新的樣本群體特征，不斷改善自身預測性能，具有較強的學習、聯想、識別、容錯及泛化能力[21]。以煙臺市為例，依據 BPN模型對調查對象的快速識別結果，學校與衛生部門的干預指導策略應更傾向于應對能力相對更弱的農村家庭、初中以上、年齡相對較大的男性重競技等運動項目運動員。