基于RBF神经网络最佳运动量的预测方法的研究

邬长杰，尧俊瑜

（西华大学计算机与软件工程学院，成都610039）

基于RBF神经网络最佳运动量的预测方法的研究

邬长杰，尧俊瑜

（西华大学计算机与软件工程学院，成都610039）

RBF神经网络是一种基于误差反向传播的人工神经网络,也是一种预测性能比较稳定且良好的前馈网络。为了提高健身的效率和保证运动的安全，通过分析人体生理指标与运动量的关系，提出基于RBF神经网络最佳运动量的预测方法的研究，用于预测运动者的最佳运动量，并且通过实验验证预测方法的实用性和有效性。

RBF神经网络；运动量；预测；生理指标

0 引言

随着人民生活水平的日益提高，运动已成为人们日常生活不可或缺的一部分。但随着运动热度的提升和参与运动人数的增加，一些潜在的问题也越来越突出。部分运动者每天都锻炼到精疲力竭却毫无体质增强。究其原因还是没有根据自身的体质变化找到一个最佳运动量。不科学的健身方式不但起不到强身健体的作用，反而可能对身体造成损伤。

本文则是通过分析人体的生理指标，找出与运动量的潜在关系，根据RBF神经网络的相关方法，对运动者的最佳运动量进行预测，从而达到运动高效和安全的目的。

1 RBF神经网络的算法介绍

RBF神经网络克服了传统神经网络的很多缺点，具有很好的稳定性。RBF神经网络只有三层。其输入层由把网络和它的环境连接起来的源节点组成；中间层是网络里的唯一的隐藏层；输出层是线性的，提供对应用于输入层的活动样本的网络响应。其中，RBF神经网络最常用的函数是高斯函数。

RBF算法的关键是如何选取RBF的网络中心，因此在此我们主要研究径向高斯函数中心的选取算法：

（1）随机选取RBF为中心

这种算法是最简单的选取算法。在此方法中，隐藏层单元传递函数的中心是从输入样本数据中随机选取的，并且中心固定。中心确定后，高斯函数的宽度则由以下的式子来确定：

di是所选中心之间的最大距离，nh为隐单元的个数，i=1，…，nh。对于这种算法，如果样本分布具有代表性，这种方法倒是一种简单可行的办法，但是如果输入样本具有一定的冗余性时，这种算法就显得不可行了。

（2）自组织学习算法选取RBF基函数中心

在这种算法中，RBF的中心是可以移动的，并且通过自组织学习的方式来确定其位置。输出层的线性权值则通过有监督学习的规则来计算。这是一种混合的学习方法。其过程在某种意义上是对网络资源进行分配。自组织学习的目的是使RBF的中心属于输入空间的重要区域。由于自组织学习算法需要同时确定隐单元的个数和一个合适的范数，就极大地增加了解决问题的难度。

（3）最近邻聚类学习算法选取RBF基函数中心

针对上述选取RBF中心存在的问题，我们提出了一种动态RBF网络模型。这种模型是基于最近邻聚类学习算法的，该算法是一种在线自适应聚类学习算法，不需要事先确定隐单元的个数，完成的聚类所得到的RBF网络是最合理的。

因此在本文中，我们将选择邻聚类学习算法来选取RBF基函数中心。继而提出预测方法，对健身运动者的最佳运动量进行预测。

2 人体生理指标的变化与运动量的关系

最佳运动量对于健身运动者来说有着至关重要的作用。在运动过程中，运动量太大会增加心肺的负担，容易出现运动损伤，不利于身体的健康。运动量太小又达不到运动的效果，对于增强体质起不到明显的作用。因此，合适的运动量对于增强运动者的体质非常重要。

在本文中，我们选取了人体的生理指标——心率的变化与运动时间的关系大致如图1。

图1

在此图中，我们可以看到当运动量在10分钟之内时，心率随着运动量的增加而增加，10到13分钟时，心率急速下降，13到19分钟时，心率又不断增加，如此反复不断，当运动时间达到36分钟左右，心率也已达到最高峰180次/分钟。我们知道，健身者在运动过程中，心率应保持在一个合理的范围。如果运动强度过大，心率太快了，这说明心脏在超负荷运转，对身体反而不利。运动量太小又达不到健身的效果和目的。所以最佳运动量的确定对于健身者来说至关重要。

3 基于RBF神经网络最佳运动量的预测方法的研究

人在运动时，心率会保持在一个合理的范围内。一个人的最大心率大约是220减去年龄，运动时达到了最大心率的65%-85%效果最好。但是不同阶段，不同个体的体质不同，这也决定了其最佳运动量也不同。所以，为了达到增强体质，提高身体素质的目的，我们采用邻聚类学习算法，提出一种动态的RBF网络模型，持续动态的预测健身者的最佳运动量。

本文的设计思想是通过输入不同阶段的心率值，经过我们设计的RBF神经网络模型，得到体质值和相应的运动量。通过对个体最佳体质值的判断，找出其对应的运动量即为最佳运动量。设计思想流程图如图2所示：

图2

4 实验结果分析

本实验选择的对象是某中学某班的若干名学生，对体质的评定采用的是百分制评分，运动周期是10天，每天训练为一个阶段，采用跑步的运动方式，将选择的学生平均分为三个组，分别是A组、B组、C组，每组跑步的范围是20km到50km之间。

第一步：建立RBF神经网络模型，采用邻聚类学习算法选取RBF基函数中心，本文中的径向基函数选择的是最常用的高斯函数。将学生的心率作为输入。

第二步：将A组同学每天的运动量整体控制在较小的范围内，B组同学每天的运动量控制在适中的范围，C组的同学每天的运动量较大。通过RBF神经网络模型，得到运动后的体质值，并给体质一个百分制评分。通过对体质的判断，找出运动者的最佳运动量，如此反复训练，并记录每个学生10天的体质数据。A，B，C组学生某天的运动情况分别如表1，表2，表3所示：第三步：根据表1，表2，表3，在图中作出相应的平均运动量的柱状图并进行比较，柱状图如图3所示：

表1

表2

通过图3我们可以看出：运动前的学生心率都处在60-100之间，属于正常的学生。当运动量较小时，运动前的体质和运动后的体质变化并不大，并不能达到健身的效果。运动量过大时，健身的效果确实比较明显，和最佳运动量一样能够达到健身的目的，但是，从表3也可以看出，运动量过大之后的心率太高，这就造成了运动量的浪费，甚至可能对身体造成伤害。

表3

图3

5 结语

本文提出了基于RBF神经网络的最佳运动量的预测方法，通过对三组学生设置不同的运动量，并把心率作为输入，经过RBF神经网络模型，得到相应的体质值，再对运动后的体质和心率进行分析，最后得出最佳运动量。结果显示：运动量过小达不到健身的效果，起不到增强体质的作用。运动量过大也可能对身体造成损伤。而健身运动本身也是一个动态变化的过程。本文则是根据不同运动者的不同体质动态的预测最佳运动量，使得不同阶段的运动量是随着健身者的体质增强而动态增长的。这是一种安全且高效的健身运动测评方法。

[1]姜静清，宋初一，刘娜仁，张品一.RBF神经网络的训练方法及分析[J].内蒙古民族大学学报(自然科学版),2003,4.

[2]朱明星，张德龙.RBF网络基函数中心选取算法的研究[J].安徽大学学报(自然科学版),2000,1.

[3]李东，宋启吉.基于神经网络的最佳运动量预测方法[J].现代计算机,2016,2.

[4]于红妍.中国学生体质测试的演讲历程及阶段特征[J].北京体育大学学报,2014,10.

邬长杰(1992-)，男，四川隆昌人，硕士研究生，研究方向为计算机科学与技术

Research on the Prediction Method of Optimum Movement Based on RBF NeuralNetwork

WU Chang-jie，YAO Jun-yu
（SchoolofComputer and Software Engineering,Xihua University,Chengdu 610039）

RBF neuralnetwork is a kind ofartificialneuralnetwork based on errorback propagation,and itis also a stable and good feed-forward network with good prediction performance.In order to improve the efficiency of fitness and ensure the safety of sports,puts forward a prediction method based on RBF neuralnetwork for the bestamountofmovementby analyzing the relationship between human physiologicalindexes and the amount of exercise,uses it to predictthe optimal amount ofexercise.The practicability and effectiveness of the prediction method are verified by experiments.

RBF NeuralNetwork;AmountofExercise;Prediction;PhysicalSigns

1007-1423（2017）30-0003-04

10.3969/j.issn.1007-1423.2017.30.001

2017-07-18

2017-10-10