BP神经网络在高职学生体质综合评价中的应用

李革 覃纪武

【摘 要】分析影响学生体质的指标，阐述BP神经网络的基本概念，探讨BP神经网络在高职学生体质综合评价中的应用。

【关键词】BP神经网络 高职 学生 体质 综合评价 应用

【中图分类号】 G 【文献标识码】A

【文章编号】0450-9889（2014）02C-0156-03

体质，是指在遗传性和获得性的基础上表现出来的人体形态结构、生理功能和心理因素的综合的、相对稳定的特征。对学生体质进行综合评价，是一项复杂的工作。建立健全学生的体质评价体系，科学地评价学生的体质状况，引导学生进行有针对性的体育锻炼，对提高学生的身体素质将起到十分重要的作用。当前，数据挖掘技术在各领域的应用研究已取得很大的进展，而在学生身体素质方面的应用却很少。基于此，本文探讨BP神经网络在高职学生体质综合评价中的应用。

一、影响学生体质的指标分析

体质综合评价是体育界研究健康问题的一个领域，它由人体的骨骼形态、身体机能、身体的综合素质和人体所具备的运动能力等一系列综合因素组成。这些综合因素又可以通过若干个相互联系、相互制约的数据指标体系来反映。学生的体质，除先天因素外，后天合理、系统、科学的运动训练是必不可少的。对学生体质进行监测，指标的选取是一个很重要的因素。本文根据现试行的《大学生体质健康标准》，采用身体形态、身体机能和运动能力3个方面对学生的体质健康进行综合评价。其中，身体形态用克托莱指数（体重/身高×1000）表示，该指标能有效地反映人体形态发育水平和匀称程度。身体机能采用肺活量—体重指数和台阶试验指数。肺活量—体重指数指标反映每千克体重肺活量的大小，即每1kg体重的肺活量的相对值来反映肺活量与体重的相关程度，从而能比较客观地对不同年龄、性别的个体与群体进行定量比较分析。台阶试验指标则通过有节律的登台阶运动持续时间（s）与恢复期测定的脉搏次数相应的比值来评价人体心血管功能，该指标反映学生的心血管系统功能，并间接推断机体的耐力。本文采用的是中国改良台阶试验，这两个指标都是越趋于极值表示其身体机能越好。运动能力用立定跳远、50米跑和引体向上表示。立定跳远能体现人体在运动中的灵敏度，50米短跑表现人体在运动中的速度，引体向上能体现人体的静力性力量。各要素之间密切相关，互相制约，又互相影响，是不可分割的整体。通过以上分析，可得本文所用学生体质健康评价指标体系，详见表1。

表1 高职学生体质健康评价指标体系

项目 评价指标

身体形态 克托莱指数

身体机能 肺活量—体重指数

台阶试验

运动能力 立定跳远

50米跑

引体向上

二、BP神经网络的基本概念

BP神经网络是一种对可微分非线性函数进行权值训练的多层前馈网络，其基本结构如图1所示。

输入层 隐藏层 输出层

图1 BP神经网络的基本结构

从图1可以看到，BP神经网络的基本结构是一个前向的多层网络，该网络由输入层、输出层以及一层或多层的隐藏层组成。BP网络的输出yk可以用公式描述为：

（1）

其中，Xj为输入信号，Wkj为网络的权值，θk为网络的阈值，为 网络的激活函数，k，j∈[1，n]。

在BP网络中，同层的各神经元之间互不连接，相邻层的神经元则通过权值连接。BP网络的学习过程由两部分组成：一是信息的正向传播；二是信息的误差反向传播。在信息的正向传播过程中，输入的信息Xj经隐含层单元逐层处理，最终由输出层输出。在这个信息的传播过程中，每一层神经元只对紧连接它的下一层神经元的状态产生影响。如果网络的输出yk与实际期望的输出产生的误差△E达不到预先设定的要求，此时，BP网络转入信息反向传播阶段。算法将误差信号沿原来的连接通路反传回来，并修正各层连接权值和阈值，直到网络的输出达到预期目标。

三、BP神经网络在高职学生体质综合评价中的具体应用

（一）数据的采集。这里以某高校为例，由于男生、女生个体之间的差异，为了简化问题，本文选取2006～2008年大一的男生共8500人按表1所列指标进行各项测试。在测试过程中，遵循先静止后运动的测试原则，在测试时各项目之间留有一定的间隔，从而使学生的体力与机能得到完全恢复，以保证学生能以最佳状态参加测试。测试完成后，组织10个一线的、长期从事学生体质评测的体育教师对测试所得数据进行评测，所用评语为优、良、中、差4个等级。为了便于BP神经网络的处理，将4个评价等级转换为相应的二进制数值，如表2所示。收集到的原始测试数据如表3所示。

表2 评语等级对应的分值标准

评语等级 对应的分值

优 1000

良 0100

中 0010

差 0001

表3 高职学生体质测试原始数据（部分）

序号 克托莱指数（kg/cm×1000） 肺活量—体重指数（ml/kg） 台阶试验 立定跳远 50米跑（秒） 引体向上 综合评价

1 352 90 78 2.45 7”3 16 良

2 318 73 65 2.39 7”7 13 差

3 372 81 83 2.61 7”1 13 优

4 349 61 81 2.52 7”2 8 中

5 356 87 89 2.63 6”7 11 优

6 323 73 73 2.39 7”6 12 中

7 367 79 85 2.61 7”2 11 良

8 373 75 82 2.46 6”9 15 优

9 326 83 69 2.39 7”7 11 中

（二）网络的训练过程。BP神经网络处理的是[0，1]范围内的数值，但是从表3学生体质测试的原始数据中可以看出，各评测指标所得数据差别较大，且属性的取值多是大于1。因此，必须将这些数据转化为[0，1]之间的数据。所用归一化公式为：

（2）

其中，X是所收集的一组数据，MIX（X）和MIN（X）分别是这组数据的最大值和最小值，是映射后的数据。经过归一化后的数据如表4所示。

表4 高职学生体质测试归一化数据（部分）

序号 克托莱指数（kg/cm×1000） 肺活量—体重指数（ml/kg） 台阶试验 立定跳远 50米跑（秒） 引体向上 综合评价

1 0.6182 1 0.5417 0.25 0.6 1 良

2 0 0.4138 0 0 1 0.625 差

3 0.9818 0.6897 0.75 0.9167 0.4 0.625 优

4 0.5636 0 0.6667 0.5417 0.5 0 中

5 0.6909 0.8966 1 1 0 0.375 优

6 0.0909 0.4138 0.3333 0 0.9 0.5 中

7 0.8909 0.6207 0.8333 0.9167 0.5 0.375 良

8 1 0.4826 0.7083 0.2917 0.2 0.875 优

9 0.1455 0.7586 0.1667 0 1 0.375 中

取2006、2007年的学生数据共6500笔作为训练网络用，余下的数据作为测试数据。

关于隐含层节点数的选择是一个十分复杂的问题，隐层神经元数目的选择对BP神经网络的性能影响较大。如果网络隐层神经元数量过少，则网络所能获取的用以解决问题的信息太少；如果隐层神经元数量过多，增加了网络的训练时间，甚至还会出现网络过度匹配现象。实践证明，隐层神经元个数n2和输入层个数n1之间有以下近似关系：

n2+2n1+1 （3）

因此，本文采用三层BP网络来进行建模。

从表4的数据可知，本例的BP网络有6个输入层，1个输出层。根据公式（3）可求出BP网络的隐层神经元个数为13。虽然有公式（3）作为指导，但BP网络隐层的神经元个数并非一成不变。在BP网络的训练过程中，需要对同一样本集采用不同隐层节点数的网络进行训练，直到网络输出稳定为止。最后，根据BP网络的测试结果，把网络输出误差最小的隐层节点数确定为该BP网络的最佳隐节点数。经过对同一样本集的多次测试，本例的BP网络最终确定的隐层节点数为11。实验采用的软件环境为matlab7，采用S型正切函数tan sig作为本实验的网络中间层传递函数。由于实验中数据的输出模式为0～1，因此采用S型的对数函数log sig作为输出层的传递函数。其余训练参数的设定如表5所示。

表5 训练参数

训练次数 训练目标 学习速率

1000 0.01 0.1

经过242次训练后，网络的性能就达到了要求，如图2所示。

图2 训练结果

接下来需要对训练好的网络进行测试。随机抽取3笔2009级大一学生的测试数据进行测试，结果如表6所示。

表6 抽样数据测试结果

序号 BP神经网络测试结果 实际情况

1 0.0327 0.9796 0.0125 0.0001 良

2 0.0000 0.0001 0.9611 0.0321 中

3 0.9840 0.0000 0.0150 0.0001 优

（三）结果分析。从表6的结果来看，抽样数据的测试结果和实际值相互吻合。把该网络模型用于2009级大一男生的体质健康综合评测中，有效率为96.3%，完全能满足应用要求。

综上所述，目前《学生体质健康标准》实施工作的重点在数量，难点在质量。本文采用BP神经网络对高职学生的体质进行综合评价是一次新的尝试，有利于更科学地对（下转第163页）（上接第157页）学生的体质进行综合评价，从而更好地把握学生的健康状况，为学生今后的学习和工作打下良好的基础。该模型的应用对于纵向研究大学生的体质发展态势和体质等级的方法更具有现实意义。

【参考文献】

[1]陈明达，于道中.实用体质学[M].北京：北京医科大学、中国协和医科大学联合出版社，1993

[2]王童，徐明欣，李瑞年.大学生体质等级综合评定判别分类的方法[J].天津体育学院学报，2005（2）

[3]孙文爽.体质的综合评价方法[J].楚雄师专学报，2001（3）

[4]S Horikawa.On fuzzy modelling using fuzzy nerual networks with BP algorithm.IEEE Trans[J].nerual Networks， 1992（2）

[5]包健，赵建勇，周华英.基于BP网络曲线拟合方法的研究[J].计算机工程与设计，2005（7）

[6]韦萌.BP神经网络在高校教学实验室综合评价中的应用[J].柳州职业技术学院学报，2010（1）

[7]王秀春，智会强，毛一之，等.多宗量导热反问题求解的神经网络法[J].航空动力学报，2004（4）

[8]张志立，程磊，何敏.基于人工神经网络的煤与瓦斯突出检测[J].矿业安全与环保，2005（6）

[9]French M.N. etal.Rainfall forecasting in space and time using a neural networks[J].J.of hydrol，1992（7）

【基金项目】2012年度广西高等教育教学改革工程项目（2012JGA322）

【作者简介】李 革（1966- ），男，广西柳州人，柳州职业技术学院副教授，研究方向：高校体育教学与运动训练；覃纪武 （1965- ），男，柳州职业技术学院副教授，研究方向：网络安全、数据挖掘。

（责编 苏 洋）