基于BP神經(jīng)網(wǎng)絡(luò)的學(xué)生運(yùn)動(dòng)處方管理系統(tǒng)

劉小菊1，周磊1，顏意娜2

(1.杭州電子科技大學(xué) 電子信息學(xué)院，浙江 杭州 310018;2.杭州電子科技大學(xué) 體育教學(xué)部，浙江 杭州 310018)

摘要：努力提高學(xué)生身體素質(zhì)，針對不同體質(zhì)的學(xué)生提供科學(xué)合理的個(gè)性化運(yùn)動(dòng)訓(xùn)練處方是目前研究的熱點(diǎn)，為此，基于BP神經(jīng)網(wǎng)絡(luò)， 提出一種學(xué)生耐力成績預(yù)測算法，應(yīng)用于杭州電子科技大學(xué)陽光長跑智能體育測試系統(tǒng)，建立了學(xué)生陽光長跑成績與耐力成績之間的非線性對應(yīng)關(guān)系，運(yùn)用學(xué)生陽光長跑成績來預(yù)測學(xué)生下一年的耐力成績。實(shí)驗(yàn)研究結(jié)果表明：模型的準(zhǔn)確率達(dá)到85%以上。同時(shí)將預(yù)測結(jié)果與物聯(lián)網(wǎng)技術(shù)相結(jié)合，實(shí)現(xiàn)了一種學(xué)生運(yùn)動(dòng)處方管理系統(tǒng)，針對不同預(yù)測成績的同學(xué)設(shè)置不同的陽光長跑運(yùn)動(dòng)參數(shù)，為不同體質(zhì)的學(xué)生提供個(gè)性化的運(yùn)動(dòng)處方，具有廣泛及深遠(yuǎn)的應(yīng)用價(jià)值。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；耐力成績；運(yùn)動(dòng)處方；非線性關(guān)系；預(yù)測算法；體育測試系統(tǒng)

文章編號(hào)：1004-3624(2015)05-0079-06

中圖分類號(hào):G807.4

文獻(xiàn)標(biāo)識(shí)碼：A

Abstract:It is currently a hot issue to improve the students' physical quality and provide different physical students with scientific and reasonable personalized exercise training prescriptions. This paper presents a prediction algorithm of students’ endurance scores based on BP neural network to predict the students’ endurance scores for next year, which is applied to the intelligent sports test system called sunny sports of Hangzhou Dianzi University and establishes a non-linear correspondence between the scores of students’ long-distance sports and endurance. The experiental results have shown that the accuracy of the model is above 85%. As well, the predicted results is combined with the technology of internet of things to achieve a management system of students’ exercise prescription and set different parameters for students with different prediction scores which can be used to provide personalized exercise prescription for different students with a wide and far-reaching value.

收稿日期：2015-05-29

作者簡介：關(guān)濤(1979-)，男,河南漯河人,碩士，講師，主要從事體育人文社會(huì)學(xué)研究.

A Management System of Students’ Exercise Prescription Based

on BP Neural Network

LIU Xiao-ju1,ZHOU Lei1,YAN Yi-na2

(1. School of Electronic and Information Engineering, Hangzhou Dianzi University, Hangzhou 310018, China;

2. Department of Physical Education, Hangzhou Dianzi University, Hangzhou 310018, China)

Key words:neural network; endurance scores; exercise prescription; nonlinear relationship; forecast algorithm; sports test system

1概述

為響應(yīng)由國家教育部和國家體育總局發(fā)起的“全國億萬學(xué)生陽光體育運(yùn)動(dòng)”，鼓勵(lì)學(xué)生積極參加體育鍛煉，有效提高學(xué)生體質(zhì)，尤其是耐力素質(zhì)水平[1]，杭州電子科技大學(xué)自主研發(fā)了一套陽光長跑智能體育測試系統(tǒng)。

在對比學(xué)生2013年體質(zhì)健康測試數(shù)據(jù)中發(fā)現(xiàn)，參與陽光長跑的同學(xué)中有80%耐力素質(zhì)有了提升。如圖1所示，杭州電子科技大學(xué)大一、大二5 391名男生中，有19%的學(xué)生耐力成績不及格，80分以上的僅占總?cè)藬?shù)的9%。由圖2可以看出在耐力成績不及格的970名同學(xué)中有816名學(xué)生的陽光長跑頻次不到32次，成績大于80分的同學(xué)中有233名同學(xué)的長跑次數(shù)超過32次。這充分表明學(xué)生日常的陽光長跑與期末體能測試成績中的耐力成績(女生800m、男生1 000m)有著很大的關(guān)聯(lián)性。

圖2　2014年下學(xué)期男生耐力成績與長跑頻次圖

體育預(yù)測是指預(yù)測者對體育領(lǐng)域各種未知因素進(jìn)行預(yù)計(jì)和推斷，為決策者提供重要的決策依據(jù)，決策者能夠根據(jù)預(yù)測數(shù)據(jù)對體育執(zhí)行者提供科學(xué)的運(yùn)動(dòng)健康指導(dǎo)[2]。

金海泉采用體育專家法，分析2000年悉尼奧運(yùn)會(huì)各強(qiáng)國的跳水實(shí)力，預(yù)測我國跳水成績[3]。該定性預(yù)測方法在當(dāng)問題定量解決時(shí)，有著不可替代的作用，但是它不能有效地揭示出各系統(tǒng)中因素之間的相互關(guān)系。

劉衛(wèi)民用運(yùn)動(dòng)員身體兩項(xiàng)成績互為自變量和因變量，建立一元回歸方程來預(yù)測比賽成績[4]。可以定量的預(yù)測成績，但是這種把非線性問題線性化的方法，在某種程度上影響了預(yù)測精度。

趙云宏運(yùn)用灰色系統(tǒng)模型預(yù)測女子自由泳全國記錄的成績[5]。對解決體育領(lǐng)域大量的灰色問題提供了很好的思路，但該模型要求樣本量比較少，對于處理大樣本數(shù)據(jù)具有局限性。

本文采用基于主元分析的BP神經(jīng)網(wǎng)絡(luò)算法來預(yù)測學(xué)生的耐力成績，與物聯(lián)網(wǎng)技術(shù)結(jié)合，建立學(xué)生運(yùn)動(dòng)處方管理系統(tǒng)，對不同學(xué)生的預(yù)測成績設(shè)定不同的長跑參數(shù)，為學(xué)生今后的陽光長跑提出指導(dǎo)意見。

2基于主元分析的數(shù)據(jù)預(yù)處理

由于男女生生理和身體體質(zhì)方面的不同，大學(xué)生耐力素質(zhì)測試方法現(xiàn)行的國家體育鍛煉標(biāo)準(zhǔn)是男子1 000m、女子800m跑，本文以男生數(shù)據(jù)為主要分析對象。

2.1樣本數(shù)據(jù)的采集

本研究以杭州電子科技大學(xué)一年級、二年級男生中的1 100人的2014年陽光長跑頻次、總里程數(shù)、平均速度、期末的耐力成績、2015年3-4月100名男生的陽光長跑成績?yōu)檠芯繉ο?。?shù)據(jù)匯總表如圖3、圖4所示。

圖3　2014年男生陽光長跑成績與耐力成績匯總表

圖4　2015年3-4月男生陽光長跑成績匯總表

2.2主元分析法

由于BP神經(jīng)網(wǎng)絡(luò)前端輸入的樣本數(shù)目過多，會(huì)降低網(wǎng)絡(luò)的訓(xùn)練速度與效率，嚴(yán)重時(shí)會(huì)導(dǎo)致網(wǎng)絡(luò)不收斂，所以要對輸入樣本進(jìn)行預(yù)處理，本文在保證結(jié)果準(zhǔn)確性的前提下，采用主元分析法，通過降維的方法，用少數(shù)幾個(gè)主分量解釋多變量的方差導(dǎo)出少數(shù)幾個(gè)主分量，使它們盡可能完整地保留原始變量信息，且彼此不相關(guān)，以達(dá)到簡化數(shù)據(jù)的目的[6]。

表1　三個(gè)特征根對應(yīng)的特征向量

第一主成分的貢獻(xiàn)率最大，表明綜合原始變量，所含信息的能力最強(qiáng)。由于前兩個(gè)特征值的累計(jì)方差貢獻(xiàn)率為0.9947，遠(yuǎn)遠(yuǎn)大于90%，則可選定主成分個(gè)數(shù)為2。用 來代替原始變量即總里程數(shù)、頻次與平均速度，不但維數(shù)降低，加快模型訓(xùn)練速度，而且不會(huì)損失原始變量中的太多信息。特征向量與原始樣本數(shù)據(jù)相乘精簡后的主成分得分如表2所示。

表2　訓(xùn)練樣本主成分得分表

3基于BP神經(jīng)網(wǎng)絡(luò)算法的模型建立

BP神經(jīng)網(wǎng)絡(luò)為多層的誤差前反饋神經(jīng)網(wǎng)絡(luò)，屬于誤差反向傳播算法[7-9]。它含有輸入層、輸出層和隱含層構(gòu)成，其每一層有若干個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)表示一個(gè)神經(jīng)元，上層節(jié)點(diǎn)與下層節(jié)點(diǎn)之間通過權(quán)連接，層與層之間的節(jié)點(diǎn)采用全互聯(lián)的連接方式。

3.1隱含層數(shù)、節(jié)點(diǎn)數(shù)與參數(shù)的確定

隱含層的神經(jīng)網(wǎng)絡(luò)模型，實(shí)際上就是一個(gè)線性或非線性回歸模型。一般認(rèn)為，增加隱含層數(shù)可以降低網(wǎng)絡(luò)誤差，當(dāng)然也會(huì)使得網(wǎng)絡(luò)復(fù)雜化，從而增加了網(wǎng)絡(luò)的訓(xùn)練時(shí)間和出現(xiàn)“過擬合”現(xiàn)象，因此，本文采用含有一個(gè)隱含層的3層BP網(wǎng)絡(luò)。

隱含層的節(jié)點(diǎn)數(shù)不僅與輸入、輸出節(jié)點(diǎn)數(shù)有關(guān)，更和需要解決的問題的復(fù)雜程度和傳遞函數(shù)的類型以及樣本數(shù)據(jù)的特性等因素有關(guān)[10]。其隱含層的節(jié)點(diǎn)數(shù)如下計(jì)算：

(1-1)

n為隱含層節(jié)點(diǎn)數(shù)，ni為輸入節(jié)點(diǎn)數(shù)，no為輸出節(jié)點(diǎn)數(shù)，c為0至10之間的常數(shù)。本文借助實(shí)驗(yàn)的方法對隱含層節(jié)點(diǎn)數(shù)目進(jìn)行確定，在其它參數(shù)保持不變的情況下，通過調(diào)整隱含層節(jié)點(diǎn)數(shù)目來對比輸出誤差，從而確定最佳的節(jié)點(diǎn)數(shù)，本次實(shí)驗(yàn)確定為8。

本研究隱含層和輸出層激活函數(shù)確定為logsig對數(shù)S型傳輸函數(shù)。

(1-2)

Sigmoid型可微函數(shù)是嚴(yán)格的遞增性，能使輸出在線性和非線性之間顯現(xiàn)出較好的平衡，所以可實(shí)現(xiàn)輸入和輸出間的任意非線性映射，適用于中長期的預(yù)測，具有逼近效果好、計(jì)算速度快、精度高等優(yōu)點(diǎn)。同時(shí)，其理論依據(jù)堅(jiān)實(shí)，推導(dǎo)過程嚴(yán)謹(jǐn)，所得公式對稱優(yōu)美，具有強(qiáng)非線性擬合能力[11]。它反映了神經(jīng)元的飽和特征，即函數(shù)的值域可以由研究者根據(jù)實(shí)際需要給定，當(dāng)輸入的值較小時(shí)，函數(shù)有一個(gè)比較大的增益，當(dāng)輸入的值較大時(shí)，函數(shù)有一個(gè)比較小的增益，這樣可以很好地防止網(wǎng)絡(luò)進(jìn)入飽和狀態(tài)。經(jīng)多次仿真調(diào)試，設(shè)定網(wǎng)絡(luò)的最大學(xué)習(xí)迭代次數(shù)為1 000次，學(xué)習(xí)精度為0.0004。

3.2BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

將之前數(shù)據(jù)主元分析預(yù)處理的數(shù)據(jù)(-1到1之間)作為輸入，期望誤差設(shè)為ε,連接權(quán)值設(shè)為wxj、vü，節(jié)點(diǎn)閾值設(shè)為θi、θt，輸出層節(jié)點(diǎn)的期望輸出：ti， η表示步長即學(xué)習(xí)速率，k迭代次數(shù)，α(k)為動(dòng)量因子，處于0到1之間。

①BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)、輸出層節(jié)點(diǎn)的輸出進(jìn)行計(jì)算為：

(1-3)

(1-4)

②BP神經(jīng)網(wǎng)絡(luò)連接到輸出層、隱含層神經(jīng)節(jié)點(diǎn)l上的權(quán)值誤差為：

εl=(tl-hj)·hl·(1-hl)

(1-5)

(1-6)

③更新BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值vü和閾值θt：

wij(k+1)=α(k)wij(k)+ηεtxi

(1-7)

θi(k+1)=θi(k)+η'εt

(1-8)

④輸入新一周期樣本，直到網(wǎng)絡(luò)誤差達(dá)到預(yù)定要求，訓(xùn)練時(shí)各周期中樣本的輸入順隨機(jī)排序。

3.3訓(xùn)練仿真結(jié)果

在確定各類函數(shù)和參數(shù)的基礎(chǔ)上，運(yùn)用輸入輸出來創(chuàng)建神經(jīng)網(wǎng)絡(luò)，并通過神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，來預(yù)測2015年學(xué)生體能測試耐力成績。偽代碼如下所示：

begin

input“1 000組2014年男生陽光長跑總里程、頻次及平均速度數(shù)據(jù)”;

input “100組2015年3-4月陽光長跑總里程、頻次及平均速度數(shù)據(jù)”;

input “100組2014年男生耐力成績”作為target_vector;

calculate unit output of hidden-layer and output-layer;

while deviation < target_deviation

//deviation <- target_value - actual_value;

if all deviation less than target_deviation

then return;

else

then

1.calculate deviation of node in hidden-layer;

2.adjust thresholds;

end

基于MATLAB訓(xùn)練結(jié)果與結(jié)果分析如下圖所示：

圖5　訓(xùn)練輸入輸出相關(guān)性回歸結(jié)果圖

圖6　BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出圖

圖7　神經(jīng)網(wǎng)絡(luò)預(yù)測誤差百分比

圖8　男生預(yù)測耐力成績

圖5可以看出，輸入的陽光長跑數(shù)據(jù)與輸出耐力成績的相關(guān)性很高。圖6表示根據(jù)輸入的1 000組陽光長跑數(shù)據(jù)以及輸出的1 000組耐力成績訓(xùn)練出來的神經(jīng)網(wǎng)絡(luò)，當(dāng)隨機(jī)向已經(jīng)訓(xùn)練好的輸入100組學(xué)生長跑數(shù)據(jù)中，BP神經(jīng)網(wǎng)絡(luò)預(yù)測耐力成績與實(shí)際值之間的關(guān)系。從圖中可以看出大部分點(diǎn)的預(yù)測準(zhǔn)確性較高，除去一些異常點(diǎn)。隨之，對其誤差百分比進(jìn)行了計(jì)算，如圖7所示，誤差率在15%以內(nèi)。其說明利用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行學(xué)生期末體能測試耐力成績預(yù)測具有很好的可行性。隨之，再輸入100組男生2015年3-4月的陽光長跑數(shù)據(jù)，對他們的耐力成績進(jìn)行預(yù)測，如圖8所示。由此可以看出，在這隨機(jī)100組學(xué)生中，有一部分學(xué)生的耐力成績很有可能不及格或者達(dá)不到優(yōu)秀。

預(yù)測成績?nèi)绫?所示。為更充分地檢驗(yàn)該模型算法的準(zhǔn)確度，我們將檢驗(yàn)樣本數(shù)目進(jìn)行改變，得出誤差百分比如下表4所示，對于不同數(shù)量的檢驗(yàn)樣本，該模型都可以達(dá)到80%以上的準(zhǔn)確率，由此可見，BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對于體育預(yù)測方面的應(yīng)用有很高的可行性。

表3　2015年體能預(yù)測成績表

表4　不同檢驗(yàn)樣本數(shù)的誤差百分比

由實(shí)驗(yàn)驗(yàn)證誤差數(shù)據(jù)表明未經(jīng)主元處理的BP神經(jīng)網(wǎng)絡(luò)比經(jīng)過主元處理的網(wǎng)絡(luò)誤差率要大，結(jié)果見表5所示。

表5　預(yù)測結(jié)果比較

4模型應(yīng)用

針對以上對于學(xué)生期末耐力成績的預(yù)測，本文在原有的陽光長跑智能軟件系統(tǒng)上增加了高級擴(kuò)展功能即學(xué)生分組管理的模式，并針對不同的人群提供不同的運(yùn)動(dòng)處方建議。

該軟件部分Web服務(wù)部署在云平臺(tái)上，是基于Java技術(shù)以及Python開發(fā)的，包括基于appache httpd服務(wù)器的前端服務(wù)器，基于j2ee技術(shù)開發(fā)的邏輯進(jìn)程，基于mysql數(shù)據(jù)庫的數(shù)據(jù)管理，以及基于python開發(fā)的一系列服務(wù)器端管理腳本。其軟件界面圖如圖9-12所示。

圖9　Web 首頁

如圖9-12所示，本系統(tǒng)首先對參加陽光長跑的同學(xué)按照男、女性別進(jìn)行分組，之后把預(yù)測出的成績通過后臺(tái)數(shù)據(jù)庫導(dǎo)入，按照60分以下、大于等于60分小于70分、大于等于70分小于80分、大于等于80分小于90分、90分以上五個(gè)組。對不同組別的學(xué)生進(jìn)行參數(shù)調(diào)整和個(gè)性化指導(dǎo)。比如，成績在60分之下的，將其有效長跑頻次與總里程最低限提高，這樣他們就能在平時(shí)長跑時(shí)多進(jìn)行一些練習(xí)，有助于耐力成績的提升。

圖10　Web 高級擴(kuò)展功能設(shè)置組別

圖11　學(xué)生分組管理界面

圖12　根據(jù)預(yù)測成績進(jìn)行分組

5結(jié)束語

本文通過將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于體育測試數(shù)據(jù)分析，建立學(xué)生多種長跑運(yùn)動(dòng)管理參數(shù)(平均速度、總里程數(shù)等)與耐力成績關(guān)系的統(tǒng)計(jì)學(xué)模型，并通過模型在軟件開發(fā)中的應(yīng)用，實(shí)現(xiàn)對學(xué)生參加陽光體育運(yùn)動(dòng)質(zhì)量和效果的分析評估、預(yù)測，以及體育訓(xùn)練指導(dǎo)的決策支持。本項(xiàng)目對科學(xué)合理地開展大規(guī)模群體運(yùn)動(dòng)，有效提高在校學(xué)生體質(zhì)和耐力水平，以及體育教學(xué)研究和智能體育訓(xùn)練系統(tǒng)開發(fā)都具有重要的理論指導(dǎo)和實(shí)踐意義。

參考文獻(xiàn)

[1]李小偉.為了青少年學(xué)生的體質(zhì)健康——中央7號(hào)文件暨全國億萬學(xué)生陽光體育運(yùn)動(dòng)5周年追述[J].體育教學(xué)，2012(6)： 10-13.

[2]王洪兵.體育預(yù)測方法評述與展望[J].安徽體育科技,2003(3):125-127.

[3]金海泉.2000年悉尼奧運(yùn)會(huì)各跳水強(qiáng)國實(shí)力分析及金牌預(yù)測[J].南京體育學(xué)院學(xué)報(bào),2000(1):64-65.

[4]劉衛(wèi)民.回歸分析在田徑運(yùn)動(dòng)中選項(xiàng)兼賽的應(yīng)用[J]. 湖北體育科技,1998(4):49-51.

[5]趙云宏,等.女子自由泳全國紀(jì)錄的灰色模型及其預(yù)測[J].北京體育大學(xué)學(xué)報(bào),2001(4):499-500.

[6]劉彩紅.BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的研究[D].重慶:重慶師范大學(xué),2008.

[7]龔劍.基于人工神經(jīng)網(wǎng)絡(luò)2008奧運(yùn)會(huì)中國男籃成績預(yù)測實(shí)驗(yàn)研究[D].武漢:武漢體育學(xué)院,2007.

[8]孫志強(qiáng),張建.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M].北京：電子工業(yè)出版社,2005：44-52,99-108.

[9] 胡金濱,唐旭清.人工神經(jīng)網(wǎng)絡(luò)的BP算法及其應(yīng)用[J].信息技術(shù)，2004,28:1-4.

[10] West D Neural network credits coring models [J].Computers & Operations Research,2000,27:1131-1152.

[11] Serkan Y, Cem D, Serhat A. Application of artmclai neural networks to optimum bit selection[J].Computers&Geosciences，2002，28(2):261-269．

[12] Tamky, K1anM. Predicting bank failures: A neural network approach[J].Management science,1992,38(7):927-947.

[13] Huarng, Kunhuang Yu, Tiffany Hui-kuang. The Application of Neural Networks To Forecast [J].Fuzzy Time Series. Physica A vol.363(2).

[14] Hashemi R R, Leblanc L A, Rucks C T, etal A hybrid intel2 ligent system for predicting bank holding structure [J].European J oumal of Operational Researeh,1998,109:390-402.

[15] Wang Junfeng, ZhangBin,Song Guoxiang Study on New Adaptive Complex Equalizers Con-structde by Radial Basis Function Neural Networks[J].Systems Engineering and Electronics,2003,25(7):848-859.