基于神经网络的大学生体质健康影响因素研究

◎王泓淏 谭辉煌

体质健康包括心理发展、生理健康、社会适应性等，体质健康具有后天可塑性，因为内外环境始终会影响人类的生存与发展。不同的体育锻炼水平、物质生活条件，体质健康状态也会存在差异性。健康的体魄是大学生全面发展的必备基础。随着时代不断变化，大学生的生活方式也发生变化，总体上，影响大学生体质健康的因素比较复杂，并且相互作用。利用人工神经网络的函数映射能力，建立神经网络模型，分析大学生体质健康影响因素，为提升大学生体质健康提供理论依据。

一、研究对象与方法

（一）研究对象

选取高校大学生600名，男生女生各有300名。体质健康测试指标包括800m跑（女）、1000m 跑（男）、仰卧起坐（女）、引体向上（男）、腹部皮脂厚度、肩胛部皮脂厚度、舒张压、收缩压、肺活量、坐位体前屈、握力、上臂部皮脂厚度、立定跳远、臀围、脉搏、50m 跑、腰围、胸围、坐高、体重、身高。

（二）研究方法

前馈型人工神经网络中，输入与输出间的映射关系定义，应用误差反向传播算（BP 算法）。BP 学习算法对各层神经元的连接权值进行修改，通过反复迭代的方式。连接权值输出误差信号最小时，可以映射输入与输出的函数关系。多层前馈网络可以逼近任何一个连续函数。得到一个训练好的神经网络模型。BP 学习算法存在一些缺点，估计最优单元数，利用试验和误差方法。尚无理论指导网络隐结点个数的选取。为保证收敛，阻止振荡，学习速率必须保持很小。由此学习过程会减慢。学习效率高，学习过程会不稳定。为提高收敛速率，需要增加一个动量项。

二、结果与分析

（一）建模

使用样本数据建模，测试训练误差用110 组测试数据。检验模型精度用110 组数据。训练网络用剩下380 组数据。训练完后，对连接权值进行修正，测试绝对误差。开始时，随着训练的进行，绝对误差逐渐下降。直到绝对误差不再下降。如果不是最小的绝对误差，应再增加20万次训练次数，避免局部极小。根据三种激活函数，对ward 网络隐结点分组，用三层网训练模型，结果如表1。如果不考虑动量项、学习速率的影响，网络性能较好的是30，以及13—13—13。可以选取ward网络模型，精度更高，平均绝对误差为0.913，拟合度0.986，相对误差全部低于5%。

表1 三层网络模型的精度和误差

结果显示，网络性能较好时，动量项取0.7，学习速率取0.9。模型拟合度为0.987，平均相对误差为l%，平均绝对误差为0.803，相对误差在1%以内比率为53.7%，相对误差在1%—2%的比率为35.6%，相对误差在2%—5%的比率为10.7%，相对误差在5%—10%为0。建立各指标与体质健康的多元回归模型，经方差分析，P=0.000，F=914.257。标准误差为2.152，拟合度为0.924。经t 检验，各自变量全部显著有效，模型显著性高。神经网络模型能够映射出各指标与学生体质健康的函数关系。

（二）结果

考察单个指标与大学生体质健康的关系。影响大学生体质健康的因素主要包括身体素质、形态发育、生理机能、柔韧耐力。其中身体素质的相关性最高，包括肺活量、引体向上/仰卧起坐、握力、立定跳远、50 米跑、坐高、身高。其次相关性较高的是形态发育，包括上臂部皮脂厚度、腹部皮质厚度、肩胛部皮脂厚度、臀围、腰围、胸围。然后是生理机能，包括舒张压、收缩压、脉搏。最后为柔韧耐力，包括耐力跑、坐位体前屈。

三、结语

本文研究显示，大学生体质健康的影响因素，相关性从高到低是身体素质、形态发育、生理机能、柔韧耐力，教师和学生可以根据影响情况，合理组织相关训练。