基于自組織特征映射網絡方法的學生體質健康數據聚類分析

鄭 忠

基于自組織特征映射網絡方法的學生體質健康數據聚類分析

鄭 忠

成都理工大學地球物理學院，四川 成都，610059。

目的：尋找體質健康測試各指標間復雜的、非線性的關系，為體育教學工作提供科學的技術支持。方法：將成都市某高校近3萬名在校大學生體質健康數據分為男生組與女生組，運用自組織特征映射網絡（Self-organizing feature Map，SOM）方法，對兩組數據進行聚類分析。并以各類學生相同變量的均值作為權重，對不同變量值間變化趨勢進行可視化表達。結果：分別將男女生測試數據聚為A、B、C、D四類。男生組中各類不同變量變化有跡可循，女生組中各類“各有所長”且變化趨勢較為復雜。結論：（1）上肢和腰腹力量素質與柔韌素質間存在“此消彼長”現象。針對此現象，在體育教學中應在端正學生訓練態度的同時，加強力量素質與柔韌素質的交叉性訓練。（2）男學生群體中，力量素質對身體素質的影響最大。建議在訓練中，注重以力量訓練為起點，再輔以跑動能力的鍛煉。（3）男女學生各項測試指標間變化情況存在較大差異。針對此情況，應注意男女學生之間采取差異化的訓練方法。

體質健康；自組織特征映射網絡；積累分析

學生的體質健康問題一直是國家非常重視的社會問題。長期以來，各級教育部門與機構積極開展了學生體質健康的評測工作，獲得并分析了大量的數據。然而，據調研，絕大多數基層教育機構在分析數據時僅采用了過于簡單的統計分析方法，如權重分析等，以至于對數據的挖掘程度嚴重不足，在很大程度上限制了分析的深度和相關研究，基本上不可能對體育教學過程中出現的諸多現實問題給予解決和提出建設性的意見。

為了解決上述問題，近年來許多學者對學生體質健康結果評價方法和模型進行了深入的研究。其中，大多數體育學者及工作者利用一些基礎性的數理統計學方法建立評價與分析模型[1-3]。但是，此類模型所關注的目標參數僅僅局限于期望、方差等基本的統計學參數。此類模型最主要的弊端在于：對數據的挖掘深度過淺，數據中蘊含的信息被嚴重埋沒，能夠解決的現實問題非常有限。鑒于上述情況，又有較少數的學者開始嘗試通過多元統計學方法建立評價與分析模型[4-6]。該類模型以回歸分析為最主要的分析方法，還包括簡單的聚類分析。此外，還有極少數的國內學者采用了灰度相關等方法嘗試建立評價與分析模型[7-8]。此舉在一定程度上改善了對數據的利用效率。雖然這些評價與分析模型在數據挖掘深度和模型本身的功能方面有所提升，但始終未能得到廣泛的應用。因此，立足于實現數據的挖掘程度的顯著提升，進而探索更深層次的規律，為體育教學改革與學生身體素質的提升提供更加科學的參考依據的目標，本研究運用自組織特征映射網絡（SOM）方法，對來自成都某高校近3萬名在校大學生體質健康測試數據進行了聚類分析。

1 數據與方法

1.1 數 據

為了獲得更加合理的訓練結果，選取成都理工大學2012級~2014級本科生于2015年體質健康測試所得26461條數據，測試對象年齡普遍為18歲~22歲，其中男生實測數據14 323條，女生實測數據12 138條。男生數據集包含身高、體重、肺活量、50m跑、立定跳遠、坐位體前屈、1000m跑和引體向上8個指標；女生數據集中每條數據包含身高、體重、肺活量、50m跑、立定跳遠、坐位體前屈、800m跑和仰臥起坐8個指標。由于身高和體重與其他身體指標之間的相關性無法評價，所以在此文中不選用身高、體重兩個指標作為聚類依據。同時，為了避免各變量值量綱差距、異常值以及極端值對聚類結果帶來的影響，使用將矩陣映射到均值為0且標準差為1的方法進行歸一化處理，得到無量綱變量值。如圖1所示，原始數據中男生50m跑和引體向上數據分布呈偏態分布，其余變量基本呈正態分布。

圖1 男女學生數據不同變量值分布情況

1.2 SOM網絡方法簡述

自組織特征映射網絡（self-organizing feature maps , SOM）是Kohonen教授于1982年提出的一種無監督競爭學習型的網絡，網絡結構簡圖如圖2所示。網絡通過自組織方式，用大量訓練樣本調整網絡的權值，最后使輸出層各節點成為對特定模式類敏感的神經元。并且當兩個模式類的特征接近時，代表這兩類的節點在位置上也接近。從而在輸出層形成能反應樣本模式類分布情況的有序特征圖。

相較于統計學聚類方法，神經網絡方法能增加對數據的挖掘深度，更有機會發現數據之間存在的復雜的、非線性的關系。相較于其他神經網絡方法，SOM有著易于理解、更適用于聚類問題、能可視化的表達特征圖的質量以及對象間的相似度、可操作性強等優點。常被用于分類聚類、組合優化、數據分析和預測、模式識別等領域。

圖2 SOM網絡結構簡圖

SOM網絡中權值調整采用的算法，稱為Kohonen 算法，其調整權向量與側抑制的方式為：獲勝神經元對其臨近神經元的影響是由近及遠，由興奮逐漸變為抑制。

SOM網絡的學習算法[10-12]，按如下步驟進行：

（1）初始化網絡權重。在訓練之前，將每個節點的權重設定為小的歸一化的隨機值。

（2）在網絡中輸入預處理后數據。

（3）尋找最佳匹配單元（best matching unit，BMUs）：遍歷所有節點，求輸出層權值向量和輸入向量的最近距離（歐式距離）。最接近節點即為最佳匹配單元。

（4）更新BMU及其鄰域權值。

（5）回到步驟2，重新執行。直到臨近兩次迭代中權值的變化低于設定閾值，或達到最大迭代次數。

采用Matlab 2016b軟件Neural Clustering（nctool）工具箱，以輸出層結構為1×4、訓練步長分別為50、100、200、500、1000的SOM 網絡對數據進行聚類，發現步長超過100后，聚類結果無明顯變化，所以在本文中采用輸出層結構為1×4、訓練步長為100對歸一化處理后數據進行聚類。

將聚類后結果分為A、B、C、D四類（總占比為1.0000），對此四類數據中相同變量值以均值作為其權重，值越大說明在此指標中該類同學運動表現越好，并利用此值對四類數據相同變量進行比較并分析。

2 結 果

2.1 男生數據聚類后表現

表1匯總了聚類后A、B、C、D四類男生各單項身體素質的占比情況。如表1及圖3所示，A類男生各變量值均為四類男生中最小的；在1000m、50m、立定跳遠以及引體向上項目中，均是C類學生表現最好、A類學生表現最差；坐位體前屈測試以肺活量項目中，D類學生表現最好，A類學生表現最差。C類學生在1000m、50m測試項目中有著優秀的表現，而A類、D類學生在此兩項中表現較差。對比A、C、D這三類學生的引體向上項目，同樣存在C類學生表現優秀，而A類、D類學生表現較差情況。對比A、B、C三類學生的坐位體前屈與1000m、50m項目測試情況，均是C類學生表現最好，B類學生次之，A類學生表現最差。對比A、B、C、D四類學生的引體向上項目與坐位體前屈測試項目測試情況，發現呈現出負相關情況；坐位體前屈項目以及肺活量項目測試情況，發現四類學生在這兩個項目中的表現均為D類學生表現最好、C類學生表現次之、A類學生表現最差。

表1 男生各單項身體素質占比情況

圖3 男生聚類后各變量值變化趨勢圖

2.2 女生數據聚類后表現

表2匯總了A、B、C、D四類女生各單項身體素質的占比情況。如表2及圖4所示，相較于男生聚類結果，女生聚類結果中不同類別各變量值分布情況更加復雜。在50m、800m測試項目中，均是A類學生表現最好，C類學生表現最差；坐位體前屈測試項目中表現較好的A、B兩類學生，在仰臥起坐項目表現中相較于C、D兩類學生，出現了明顯下滑情況，而C、D兩類學生則呈上升態勢；在立定跳遠項目中，測試情況與仰臥起坐項目類似，D類學生表現最好，而A類學生表現最差。整體而言，在女生群體中，坐位體前屈測試項目中表現良好的學生，800m項目表現也良好。與男生情況相似，四類女生坐位體前屈與仰臥起坐兩項目，變量占比呈負相關。

表2 女生各單項身體素質占比情況

圖4 女生聚類后各變量值變化趨勢圖

3 討 論

從通過應用SOM方法得到的結果來看，各類學生均出現同一問題，即柔韌素質（坐位體前屈）與上肢和腰腹力量素質（引體向上/仰臥起坐）二者之間普遍存在“此消彼長”的情況。在男生聚類后表現中，上肢力量表現較好的B和C兩類學生，在柔韌素質測試項目中，表現均呈現下滑情況，而在上肢力量素質測試項目中表現較差的A類和D類學生，柔韌素質均呈現出上升情況。在女生聚類后表現中，四類女生均在腰腹力量素質和柔韌素質兩項測試中呈現出負相關情況。對于上肢與腰腹力量素質與柔韌素質呈負相關這一問題，其原因可能是學生對待體育訓練存在畏難心理以及肌肉伸展性與收縮性之間存在先天制約。在當前體育教學大環境下，在面對力量與柔韌性訓練的選擇時，學生往往避開自己的不熟練項目。力量較好的學生，更傾向于力量訓練，從而使得肌肉收縮能力變得更強，即力量越大，導致肌肉像“非常緊的彈簧”無法輕易拉伸，這樣就使得柔韌性下降。柔韌性較好的學生更愿意選擇柔韌性訓練，經過柔韌性訓練，使肌肉、韌帶等軟組織的伸展能力更強，再加之不輔以力量訓練，從而導致肌肉收縮能力下降，即力量下降。針對此問題，在體育教學中，應在端正學生訓練態度的同時，引導學生進行力量與身體柔韌性的交叉訓練，以達到在力量上升的同時，盡可能保持身體柔韌性不下降的目的。

同時，我們發現A類男生在各項測試指標表現中均為四類男生中最差的，尤其是在上肢力量方面與其他三類男生相差巨大。另一方面，單獨分析D類男生各項指標變化特征，發現 D 類男生柔韌素質為四類男生中最好的，但力量在四類男生中表現較差。同時，D類男生在耐力跑（1000m）以及速度跑（50m）兩項目中表現較差。對比其他三類男生在耐力跑以及速度跑項目中的表現情況，我們發現在男生群體中，力量素質相較于柔韌素質對跑動能力有著更加積極的影響。在競技體育的初級階段，高水平的舉重運動員即是短跑運動員，這一現象說明了力量與跑動能力有著緊密的聯系。同時，跑動能力是對身體素質最直觀的體現，這從側面說明了力量是身體素質的基礎，是良好身體素質的保證。再加之男生群體中出現的力量素質相較于柔韌素質對跑動能力有著更積極的影響情況，所以認為可能是力量過弱導致 A類男生出現各項指標表現均不理想的情況。為了避免A類情況出現，在訓練教學中，應注重從力量訓練開始，再輔以跑動能力的鍛煉，這樣能夠達到有效提高身體素質的目的。

整體而言，四類男生在1000m、坐位體前屈及引體向上項目中表現有明顯差異，而在50m、立定跳遠以及肺活量測試項目中差異并不是很明顯。而四類女生則不同，在各項測試指標中“各有所長”，差異并不是特別明顯。此現象的出現可能是在體育教學中，忽視了男女學生先天條件的差異，從而采用同一套訓練模式，導致此現象的出現。針對此現象，在體育教學中，應注意男女學生之間采取差異化的訓練方法。

4 結 論

本文選用聚類方法中的SOM網絡方法對大學生體質健康測試數據進行聚類分析，并利用各類學生不同變量值的均值作為權重，對不同類別學生各變量值變化趨勢進行可視化表達，其思想為利用SOM網絡發現不同變量值之間的內在聯系。分別對不同類別的男女學生進行研究可得到以下結論：

（1）力量素質與柔韌素質間存在“此消彼長”現象。針對此現象，在體育教學中應在端正學生訓練態度的同時，加強力量與柔韌性的交叉性訓練。

（2）男生群體中，力量素質對身體素質的影響最大，且相較于柔韌素質對跑動能力的積極影響更大。建議在訓練中，注重以力量訓練為起點，再輔以跑動能力的鍛煉，以達到有效提高身體素質的目的。

（3）男女學生群體各項測試指標間變化情況存在較大差異。針對此情況，在體育教學中，應注意男女學生之間采取差異化的訓練方法。

[1] 崔巴特爾，胡曉彥，崔 磊.大學生體質健康評價體系與運動處方的研究開發[J].北京體育大學學報，2004（07）：927~929.

[2] 王明俊，吳 亮.基于回歸和相關分析的大學生體質健康評價指標關系的研究[J].成都體育學院學報，2008（05）：79~81.

[3] 王明俊，王 玲，王 萍.大學生體質健康評價指標權值與貢獻率關系的思考[J].山東體育學院學報，2007（02）：78~79+94.

[4] 張曉丹，楊倩倩.基于聚類分析的天津市大學生體質健康評價分級模型研究[J].天津科技，2014，41（08）：76~79.

[5] 李昌鋒，張 星，林增榮，李 珍，林佳蕙.基于Foxtable的大學生體質健康評價系統構建研究[J].當代體育科技，2017，30（07）：228~229+231.

[6] 宋愛玲. 大學生體質健康評價及運動處方系統[A]. Intelligent Information Technology Application Association.Proceedings of the 2011 International Conference on Future Computer Science and Application（FCSA 2011 V4）[C].Intelligent Information Technology Application Association：智能信息技術應用學會，2011：3.

[7] 杜 晶.基于灰關聯層次分析法的大學生體質健康評價[J].科技視界，2014（13）：212~213.

[8] 朱志宏.基于VLOOKUP函數的大學生體質健康評價手工測試方案研究[J].當代體育科技，2017，25（07）：198~199.

[9] 朱大奇史慧. 人工神經網絡原理及應用[M]. 科學出版社，2006.

[10] Dragomir OE, Dragomir F, Radulescu M. Matlab Application of Kohonen Self-organizing Map to Classify Consumers’ Load Profiles. Procedia Computer Science. 2014; 31: 474~479. doi:10.1016/ j.procs. 2014.05.292.

[11] Amin M N M , Nohuddin P N E , Zainol Z . Trend cluster analysis using self organizing maps[C]// Information and Communication Technologies（WICT）, 2014 Fourth World Congress on. IEEE, 2014.

[12] Liu Y, Lee S H , Chon T S . Analysis of behavioral changes of zebrafish (Danio rerio) in response to formaldehyde using Self-organizing map and a hidden Markov model[J]. Ecological Modelling, 2011, 222(14): 2191~2201.

[13] 孫 銘.基于SOM神經網絡聚類的用氣客戶全生命周期管理[J].天然氣工業，2018，38（12）：146~152.

[14] 劉 暢，唐建軍，高 凱.高水平男子網球運動員功能性動作能力與專項身體素質的相關性研究[J].成都體育學院學報，2018，44（02）：86~91.

Cluster Analysis of Students' Physique Health Data Based on Self-Organizing Feature Mapping Network Method

ZHENG Zhong

College of Geophysics, Chengdu University of Technology, Chengdu Sichuan, 610059, China.

Objective: To find the complex and non-linear relationships between the indicators of physique fitness test, and provide scientific technical support for physical education. Methods: The physique health data of nearly 30,000 college students in a university in Chengdu were divided into male and female groups. The Self-Organizing Feature Map（SOM）method was used to cluster the two groups of data. The mean value of the same variable of various students is used as the weight to visually express the change trend between different variable values. Results: The test data of boys and girls were clustered four categories: A, B, C and D. There are traces of changes in various variables in the boys’ group. The various groups in the girls group have their own strengths, and the trend is more complicated. Conclusions:（1）The presence of the upper limbs and the waist and abdomen strength quality and flexibility quality trade-off phenomenon. In view of this phenomenon, in the physical education teaching, we should strengthen the cross-training of strength and flexibility while correcting the attitude of students training.（2）Among the male student groups, the quality of strength has the greatest impact on physical fitness. It is recommended to focus on strength training as a starting point in training, supplemented by exercise with running ability.（3）There is a big difference in the changes between the test indicators of male and female students. In view of this, attention should be paid to the adoption of differentiated training methods between male and female students.

Physique health; Self-Organizing Feature Map; Accumulation analysis

1007―6891（2020）03―0053―04

10.13932/j.cnki.sctykx.2020.03.13

G804.22

A

2019-08-06

2019-08-29

成都理工大學大學生課外科技立項重點項目（2018KJZ0390）。