基于数据挖掘的学生体质健康测试平台设计及应用研究

张雪琴，江帆，席本玉

（西安交通大学城市学院，陕西西安 710018）

近些年来，国内在校大学生身体素质不断下降，大学生的身体健康问题频发。根据2020 年大学生身体素质调查结果可知，相较于2010年，大学生的身体素质持续下降，其中肺活量指标下降了近10%，大学生体质健康问题受到多方关注[1-2]。现阶段我国的大学生体质数据处于无序状态，难以从中发掘相关数据的变化规律[3]。随着数据挖掘技术的兴起，利用数据挖掘工具对大学生体质数据进行挖掘处理，对学生体质健康进行测试成为一个新的发展方向[4-5]。国内基于数据挖掘原理对现有体质数据进行了多方探索[6-8]。如采用Clementine12.0 数据挖掘软件挖掘高校学生体质各项指标的关联规则，确定体质中影响各项指标的因素[9]；应用SQL Server 数据挖掘服务发现大学生体质数据中存在的验证性规则[10]；采用支持向量机法进行学生身体评价指标的数据挖掘，并给出身体状况评价结果，指导大学运动课程的科学制定等[11-12]。由于我国学生体质测试数据量庞大，而数据挖掘工具软件的应用较少，尤其缺乏有效的数据挖掘算法。基于此，文中拟对大学生体质测试数据进行特征分析，并在传统C4.5 决策树算法的基础上，提出一种改进的决策树分类算法，有效降低数据计算量，提升预测准确度，并将改进算法嵌入大学生体质数据监测系统，从多维角度实现对学生身心状况的测试和评价。

1 基于决策树的数据挖掘

1.1 C4.5 决策树算法

数据挖掘是从大量、不完整、模糊的数据中提取隐含、未知、可靠信息和知识的过程，具有数据量大、离散变量、动态规则相关性的特点[13]。决策树是以分类为目的的学习算法，是数据与对象值间的映射关系，决策树顶部作为根节点，所有数据集作为起点，根据属性来区分不同的分支节点，通过分类最终生成叶节点，由预测规则建立决策树自上导下的路径，获得净现值大于或等于零的概率来进行可行性判断。目前应用较为普遍的决策树算法包括ID3、C4.5、CART 算法等[14-15]。

C4.5 决策树分类算法在ID3 算法的基础上进行了改良，算法通过信息增益比率量化属性判别能力。设S表示以 |S|个数据样本为依据的集合，定义n个不同的类Ci(i=1,2,…,n)，假定类Ci中样本个数为 |Ci|，则样本分类的期望信息为：

式中，Pi=是任一样本属于第i类的概率。若属性A中具有m个不同值{x1,x2,…,xm}，则将属 性A和S划分为m个子集{S1,S2,…,Sm}，其 中Sj中样本在A中具有相同值xj(j=1,2,…,m)。假定子集Sj中属于第i类样本的有 |Sij|个，将A划分为子集的信息期望为：

分支获得的信息增益为：

由式（3）可看出，信息期望越小，则信息增益越大。

1.2 改进的C4.5算法

C4.5 决策树算法针对不同属性的数据采用不同方式，对于连续属性的数据，首先需要进行离散化处理，进行数据段排序后，对不同片段数据进行处理，这样会生成大量的多叉树，导致效率下降[16]，且不能有效地处理训练集体积超过主存容量的情况。因此，对C4.5 决策树算法数据进行进一步优化、精简处理。

设数据集D中包括两种属性：大小分别为y和n的正例集PD和反例集ND，决策树判定数据集的首要条件是掌握一定的信息量，设掌握的信息量为：

令决策树根节点属性为X，X=(X1,X2,…,Xs)，由X将数据集D分为S个子集X=(D1,D2,…,DS)，各子数据集属性为X，并含有正比例集PD和反比例集ND，则数据子集的期望信息为：

由式（4）和式（5）可知，数据集D根节点属性X的信息熵为：

分裂信息度量为：

确定信息增益率为：

设训练集S中包括c种属性，根据排序方式使分裂的连续属性A具有n+l个不同数据段，具有n个数据划分点，改进的算法仅需要计算最优点的信息增益率，即计算c-l个划分点。

2 基于C4.5 算法的体测系统设计和实现

2.1 系统结构

选取西北5 所高校在校大学生体质健康数据进行挖掘分析。相较于传统数据分析，C4.5 算法进行数据挖掘的过程是一种自动发现知识的过程，通过数据预处理，采用决策树算法挖掘并分析观测数据。学生体质健康挖掘主要是解决大数据下各用户群体的体测参数，获取具有价值的数据依据。图1为数据挖掘流程。

图1 学生体测数据挖掘流程

在系统中，采集的数据包括静态数据和动态数据。静态数据主要是各高校公布的学生基本信息，动态数据则是历年学生体测数据。系统管理人员采用Excel 文件，将上报的数据导入MySQL 数据库中，包括学生的来源信息、体测成绩、锻炼项目等，其中学号、姓名、年龄构成学生来源信息，而身高体重、肺活量、耐力等级、速度灵敏度则构成体质健康测试成绩。表1 给出了部分学生体测数据信息。

表1 学生体测项目信息

2.2 数据预处理

后台数据库通过MySQL 数据库进行数据存储，并直接调用MySQL 数据库中的Nevicat 对MySQL 工具进行操作，以表格的形式存储数据，考虑到MySQL数据库的容量，根据具体的存储需求设置相应的数据存储周期。

由于初始采集的数据中存在大量不完整、含噪声的数据，因此，根据系统数据挖掘引擎进行数据预处理[17]。首先将各类测试项目信息、评价标准、学生信息等集成转化为概括性数据，对数据进行属性分类。在数据清理中主要对各类导入系统中的学生体测成绩进行处理。以体测总成绩为例，将具体的成绩划分为“差”、“良”、“优”等类型，将学生所在学校表示为i1、i2、i3，将身高、速度灵敏度、肺活量等标识为i4、i5、i6，项目依次类推；判断类型“是”、“否”分别表示为“1”和“0”，根据不同的类别定义进行数据处理，并在数据处理前删除存在的重复数据。

2.3 决策树算法的设计

对在MySQL 数据库中保存的各类型参数，采用改进的C4.5 决策树算法进行数据挖掘和信息关联。算法原理如图2所示，首先，求取预处理数据集中连续属性的最佳分割点，并计算各属性信息增益速率[18]，选择信息增益速率最大属性来定义该决策节点的属性类型。通过递归算法求取节点属性可能值对应的样本子集的信息增益率，直到各子集中的数据属于同一类型，生成决策树。根据定义类型对生成的决策树进行修剪操作，获得最优决策树，在最优决策树中提取分类规则，并进行数据的重新分类。

图2 算法原理图

2.4 算法测试和结果分析

文中采用C++编程语言实现算法的编程，将初始采集的大学生体测原始数据导入系统进行处理，获得的最优决策树如图3 所示。从决策树中可以看出，影响大学生身体健康的最大因素为肺活量测试项目，对于肺活量测试失败的个体，其中身高和体重成为造成肺活量测试失败的最大影响因素。肺活量通常反映着人体的身体状况，对于积极锻炼的学生，肺活量相对表现更好，通过平时的锻炼，这部分学生能够在肺活量测试中获得更好的成绩，而肺活量测试不达标的学生，身高、体重指标也不达标，在这群个体中普遍存在着肥胖的现象，需要在日常中更注重体育锻炼。

图3 学生体测最优决策树

3 结论

采用改进的C4.5 决策树算法进行数据挖掘，建立决策树来分析影响学生体测指标的因素，跟踪大学生身心健康状况，并有针对性地增强学生锻炼积极性。研究获得的主要结论有：

1）采用改进的信息熵，利用简化函数关系来计算分裂信息度量，在保证预测结果精度的前提下，优化信息增益率计算，通过去除连续属性数据中非必要划分点的信息增益率计算，来提高算法的运行效率。

2）建立MySQL 数据库的在校大学生体测数据参数，引入改进的C4.5 决策树算法进行数据挖掘，并对西北某5 所高校进行实例验证，结果表明，肺活量测试项目是影响大学生身体健康最大因素，其中身高和体重成为造成肺活量测试失败的最大影响因素。