基于BP神經網絡的學生運動處方管理系統

基于BP神經網絡的學生運動處方管理系統

劉小菊1，周磊1，顏意娜2

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

摘要：努力提高學生身體素質，針對不同體質的學生提供科學合理的個性化運動訓練處方是目前研究的熱點，為此，基于BP神經網絡， 提出一種學生耐力成績預測算法，應用于杭州電子科技大學陽光長跑智能體育測試系統，建立了學生陽光長跑成績與耐力成績之間的非線性對應關系，運用學生陽光長跑成績來預測學生下一年的耐力成績。實驗研究結果表明：模型的準確率達到85%以上。同時將預測結果與物聯網技術相結合，實現了一種學生運動處方管理系統，針對不同預測成績的同學設置不同的陽光長跑運動參數，為不同體質的學生提供個性化的運動處方，具有廣泛及深遠的應用價值。

關鍵詞：神經網絡；耐力成績；運動處方；非線性關系；預測算法；體育測試系統

文章編號：1004-3624(2015)05-0079-06

中圖分類號:G807.4

文獻標識碼：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：關濤(1979-)，男,河南漯河人,碩士，講師，主要從事體育人文社會學研究.

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

為響應由國家教育部和國家體育總局發起的“全國億萬學生陽光體育運動”，鼓勵學生積極參加體育鍛煉，有效提高學生體質，尤其是耐力素質水平[1]，杭州電子科技大學自主研發了一套陽光長跑智能體育測試系統。

在對比學生2013年體質健康測試數據中發現，參與陽光長跑的同學中有80%耐力素質有了提升。如圖1所示，杭州電子科技大學大一、大二5 391名男生中，有19%的學生耐力成績不及格，80分以上的僅占總人數的9%。由圖2可以看出在耐力成績不及格的970名同學中有816名學生的陽光長跑頻次不到32次，成績大于80分的同學中有233名同學的長跑次數超過32次。這充分表明學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)有著很大的關聯性。

圖2　2014年下學期男生耐力成績與長跑頻次圖

體育預測是指預測者對體育領域各種未知因素進行預計和推斷，為決策者提供重要的決策依據，決策者能夠根據預測數據對體育執行者提供科學的運動健康指導[2]。

金海泉采用體育專家法，分析2000年悉尼奧運會各強國的跳水實力，預測我國跳水成績[3]。該定性預測方法在當問題定量解決時，有著不可替代的作用，但是它不能有效地揭示出各系統中因素之間的相互關系。

劉衛民用運動員身體兩項成績互為自變量和因變量，建立一元回歸方程來預測比賽成績[4]。可以定量的預測成績，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測精度。

趙云宏運用灰色系統模型預測女子自由泳全國記錄的成績[5]。對解決體育領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，對于處理大樣本數據具有局限性。

本文采用基于主元分析的BP神經網絡算法來預測學生的耐力成績，與物聯網技術結合，建立學生運動處方管理系統，對不同學生的預測成績設定不同的長跑參數，為學生今后的陽光長跑提出指導意見。

2基于主元分析的數據預處理

由于男女生生理和身體體質方面的不同，大學生耐力素質測試方法現行的國家體育鍛煉標準是男子1 000m、女子800m跑，本文以男生數據為主要分析對象。

2.1樣本數據的采集

本研究以杭州電子科技大學一年級、二年級男生中的1 100人的2014年陽光長跑頻次、總里程數、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為研究對象。數據匯總表如圖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神經網絡前端輸入的樣本數目過多，會降低網絡的訓練速度與效率，嚴重時會導致網絡不收斂，所以要對輸入樣本進行預處理，本文在保證結果準確性的前提下，采用主元分析法，通過降維的方法，用少數幾個主分量解釋多變量的方差導出少數幾個主分量，使它們盡可能完整地保留原始變量信息，且彼此不相關，以達到簡化數據的目的[6]。

表1　三個特征根對應的特征向量

第一主成分的貢獻率最大，表明綜合原始變量，所含信息的能力最強。由于前兩個特征值的累計方差貢獻率為0.9947，遠遠大于90%，則可選定主成分個數為2。用 來代替原始變量即總里程數、頻次與平均速度，不但維數降低，加快模型訓練速度，而且不會損失原始變量中的太多信息。特征向量與原始樣本數據相乘精簡后的主成分得分如表2所示。

表2　訓練樣本主成分得分表

3基于BP神經網絡算法的模型建立

BP神經網絡為多層的誤差前反饋神經網絡，屬于誤差反向傳播算法[7-9]。它含有輸入層、輸出層和隱含層構成，其每一層有若干個節點，每個節點表示一個神經元，上層節點與下層節點之間通過權連接，層與層之間的節點采用全互聯的連接方式。

3.1隱含層數、節點數與參數的確定

隱含層的神經網絡模型，實際上就是一個線性或非線性回歸模型。一般認為，增加隱含層數可以降低網絡誤差，當然也會使得網絡復雜化，從而增加了網絡的訓練時間和出現“過擬合”現象，因此，本文采用含有一個隱含層的3層BP網絡。

隱含層的節點數不僅與輸入、輸出節點數有關，更和需要解決的問題的復雜程度和傳遞函數的類型以及樣本數據的特性等因素有關[10]。其隱含層的節點數如下計算：

(1-1)

n為隱含層節點數，ni為輸入節點數，no為輸出節點數，c為0至10之間的常數。本文借助實驗的方法對隱含層節點數目進行確定，在其它參數保持不變的情況下，通過調整隱含層節點數目來對比輸出誤差，從而確定最佳的節點數，本次實驗確定為8。

本研究隱含層和輸出層激活函數確定為logsig對數S型傳輸函數。

(1-2)

Sigmoid型可微函數是嚴格的遞增性，能使輸出在線性和非線性之間顯現出較好的平衡，所以可實現輸入和輸出間的任意非線性映射，適用于中長期的預測，具有逼近效果好、計算速度快、精度高等優點。同時，其理論依據堅實，推導過程嚴謹，所得公式對稱優美，具有強非線性擬合能力[11]。它反映了神經元的飽和特征，即函數的值域可以由研究者根據實際需要給定，當輸入的值較小時，函數有一個比較大的增益，當輸入的值較大時，函數有一個比較小的增益，這樣可以很好地防止網絡進入飽和狀態。經多次仿真調試，設定網絡的最大學習迭代次數為1 000次，學習精度為0.0004。

3.2BP神經網絡學習算法

將之前數據主元分析預處理的數據(-1到1之間)作為輸入，期望誤差設為ε,連接權值設為wxj、vü，節點閾值設為θi、θt，輸出層節點的期望輸出：ti， η表示步長即學習速率，k迭代次數，α(k)為動量因子，處于0到1之間。

①BP神經網絡隱含層節點、輸出層節點的輸出進行計算為：

(1-3)

(1-4)

②BP神經網絡連接到輸出層、隱含層神經節點l上的權值誤差為：

εl=(tl-hj)·hl·(1-hl)

(1-5)

(1-6)

③更新BP神經網絡的連接權值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，直到網絡誤差達到預定要求，訓練時各周期中樣本的輸入順隨機排序。

3.3訓練仿真結果

在確定各類函數和參數的基礎上，運用輸入輸出來創建神經網絡，并通過神經網絡的訓練，來預測2015年學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、頻次及平均速度數據”;

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

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訓練結果與結果分析如下圖所示：

圖5　訓練輸入輸出相關性回歸結果圖

圖6　BP神經網絡預測輸出圖

圖7　神經網絡預測誤差百分比

圖8　男生預測耐力成績

圖5可以看出，輸入的陽光長跑數據與輸出耐力成績的相關性很高。圖6表示根據輸入的1 000組陽光長跑數據以及輸出的1 000組耐力成績訓練出來的神經網絡，當隨機向已經訓練好的輸入100組學生長跑數據中，BP神經網絡預測耐力成績與實際值之間的關系。從圖中可以看出大部分點的預測準確性較高，除去一些異常點。隨之，對其誤差百分比進行了計算，如圖7所示，誤差率在15%以內。其說明利用BP神經網絡算法進行學生期末體能測試耐力成績預測具有很好的可行性。隨之，再輸入100組男生2015年3-4月的陽光長跑數據，對他們的耐力成績進行預測，如圖8所示。由此可以看出，在這隨機100組學生中，有一部分學生的耐力成績很有可能不及格或者達不到優秀。

預測成績如表3所示。為更充分地檢驗該模型算法的準確度，我們將檢驗樣本數目進行改變，得出誤差百分比如下表4所示，對于不同數量的檢驗樣本，該模型都可以達到80%以上的準確率，由此可見，BP神經網絡預測模型對于體育預測方面的應用有很高的可行性。

表3　2015年體能預測成績表

表4　不同檢驗樣本數的誤差百分比

由實驗驗證誤差數據表明未經主元處理的BP神經網絡比經過主元處理的網絡誤差率要大，結果見表5所示。

表5　預測結果比較

4模型應用

針對以上對于學生期末耐力成績的預測，本文在原有的陽光長跑智能軟件系統上增加了高級擴展功能即學生分組管理的模式，并針對不同的人群提供不同的運動處方建議。

該軟件部分Web服務部署在云平臺上，是基于Java技術以及Python開發的，包括基于appache httpd服務器的前端服務器，基于j2ee技術開發的邏輯進程，基于mysql數據庫的數據管理，以及基于python開發的一系列服務器端管理腳本。其軟件界面圖如圖9-12所示。

圖9　Web 首頁

如圖9-12所示，本系統首先對參加陽光長跑的同學按照男、女性別進行分組，之后把預測出的成績通過后臺數據庫導入，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分以上五個組。對不同組別的學生進行參數調整和個性化指導。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長跑時多進行一些練習，有助于耐力成績的提升。

圖10　Web 高級擴展功能設置組別

圖11　學生分組管理界面

圖12　根據預測成績進行分組

5結束語

本文通過將BP神經網絡應用于體育測試數據分析，建立學生多種長跑運動管理參數(平均速度、總里程數等)與耐力成績關系的統計學模型，并通過模型在軟件開發中的應用，實現對學生參加陽光體育運動質量和效果的分析評估、預測，以及體育訓練指導的決策支持。本項目對科學合理地開展大規模群體運動，有效提高在校學生體質和耐力水平，以及體育教學研究和智能體育訓練系統開發都具有重要的理論指導和實踐意義。

參考文獻

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

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

[3]金海泉.2000年悉尼奧運會各跳水強國實力分析及金牌預測[J].南京體育學院學報,2000(1):64-65.

[4]劉衛民.回歸分析在田徑運動中選項兼賽的應用[J]. 湖北體育科技,1998(4):49-51.

[5]趙云宏,等.女子自由泳全國紀錄的灰色模型及其預測[J].北京體育大學學報,2001(4):499-500.

[6]劉彩紅.BP神經網絡學習算法的研究[D].重慶:重慶師范大學,2008.

[7]龔劍.基于人工神經網絡2008奧運會中國男籃成績預測實驗研究[D].武漢:武漢體育學院,2007.

[8]孫志強,張建.神經網絡理論與MATLAB7實現[M].北京：電子工業出版社,2005：44-52,99-108.

[9] 胡金濱,唐旭清.人工神經網絡的BP算法及其應用[J].信息技術，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.