我國大學生體質健康大數據分析平臺探析*

李橋興 杜 可 吳俊芳

（1.貴州大學管理學院，2.貴州大學體育學院，貴州 貴陽 550025；3.桂林電子科技大學 廣西高校云計算與復雜系統重點實驗室，廣西 桂林 541004）

關鍵字：體質健康；大數據分析；平臺框架；大學生

隨著我國經濟水平的提高，國家開始從重點關注經濟問題逐漸轉變為更多的關注民生問題特別是人民健康問題。自從我國實施《“健康中國2030”規劃綱要》以來，國家及地方政府積極推進健康中國建設和促進人民健康水平提升。緊接著，十九大報告再次提出實施健康中國戰略，為人民群眾提供全面健康服務。同時，人們對自身體質健康狀況也越來越關注，更多人愿意為提升自身的體質健康而努力。基于較全面的角度來評判個人或群體的身體健康狀況是民眾體質健康的基本要求，其基本指標包含了身體形態、發育水平、生理生化功能、身體素質、運動能力、心理狀態和適應能力等方面。以往受限于監測水平和處理手段，人們對體質健康的認識單一并且評價多具有偏頗性，往往不能夠全面地評價個人或群體的體質健康狀況。隨著互聯網普及、物聯網興起以及大數據技術的不斷成熟，人們可以通過更多的儀器設備獲得各項數據，能夠及時處理和分析海量數據，進而更加準確地掌握自身的體質健康情況并相應做出有效的提升措施。

近年來，大數據平臺逐步從理論走向實踐，越來越多的學者從關注大數據平臺的理論價值到關注大數據平臺的實踐應用。宮夏屹等提出了大數據平臺的體系架構并對相關的技術和應用做了研究綜述[1]。此后，大數據平臺的實踐應用得到了廣泛的討論，包括大數據平臺的分析決策技術[2]、大數據分析的方向、方法和工具[3]以及在大數據平臺應用過程中的模型建構[4]等。也有學者針對社會公共治理[5]、物流與供應鏈管理[6]、醫療健康[7]、智慧教育應用[8]等具體領域對大數據平臺的應用進行了探究。

本文在借鑒其他領域大數據平臺基礎上，構造了我國大學生的體質健康大數據分析平臺（Big Data Platform of Physical Health for College Students，簡稱BDPPH-CS）并探討該平臺的數據來源與處理模式以及流程與應用等。

1 大學生體質健康大數據分析平臺的構建

文獻調查和數據分析顯示，我國大學生的體質健康有逐年下降趨勢并引起了社會各界的廣泛關注。我國政府高度重視大學生的體質健康情況，并從2014 年開始要求高校每年需組織對大學生的體質普測。大學生體質測試數據能夠較真實地反映大學生的體質健康情況，但是具有一定的時延性，不能及時對學校和教師提出指導。鑒于此，本文希望以體測數據為基礎，對學校、企業和政府各方提供的數據進行匯總并加以分析處理，以大數據分析的思維模式來處理這些海量、跨域、異構的數據，構建我國大學生的大數據應用平臺，并根據平臺分析結果，讓教師能夠對學生進行實時性指導、個性化輔導、針對性教學和科學化建議，切實有效地提升大學生的體質健康。

1.1 平臺構建原則

BDPPH-CS 作為大數據平臺的一種，需要遵循一般大數據平臺構建的基本原則，包括：

1.1.1 安全性原則

大學生體質健康狀況能夠直接或間接地影響國家的政治、經濟以及安全問題，BDPPH-CS 應當設置區別于學校一般的資源訪問機制，提高安全性認定訪問。另外也需要重視平臺建設過程的硬件設施、軟件系統以及人員操作等方面的安全性。

1.1.2 適配性原則

由于體質健康數據的來源多樣且應用范圍廣泛，因此平臺在開發、設計以及應用過程中要考慮到日后與其他平臺、系統或應用的整合對接，以方便數據互聯互通，從而可以進一步開發或擴展平臺。

1.1.3 可延展性原則

BDPPH-CS 的應用是一項長期工程。隨著時間的推移，其關注的目標也會進一步變化，對包括數據規范、數據來源、數據分析和數據應用也會有進一步的要求。因此要求平臺的設計建設需具備較好的可擴展性才能夠滿足日后變化的要求。

1.2 平臺數據來源

數據是大數據平臺的基礎要素，其重要不言而喻。而數據的來源將直接影響后續大數據平臺應用的真實性、可靠性和有用性。經過對若干高校訪談、部分學生日常行為調研以及綜合部分文獻如[9]的分析結果，本文構建了大學生體質健康大數據的分析平臺（BDPPH-CS）如圖1。而科學有效的平臺的數據源需要來自至少三方面的數據：

1.2.1 直接數據源

體測數據。體測數據包含了兩個主要方面：一方面，體側數據是指高校開展普測而獲取的數據，如身高、體重、肺活量、短跑50 米、長跑800 米或1000 米、立定跳遠、坐位體前屈、引體向上或1 分鐘仰臥起坐等。其實，我國高校的體測工作已經開展多年，并形成一套較完善的體質測試的指標體系。這些指標主要針對學生在體態、柔韌、速度素質、下肢力量、上肢力量、爆發力、腰腹力量、耐力素質和最大攝氧量等方面。體質測試盡管還有若干不足，但還是能夠在一定程度上反映學生的體質健康情況，相應數據所對應的體質指標在一定程度上能夠相對全面地反映大學生的體質健康狀況。盡管這方面的普測數據收集需要耗費大量的人力物力，但其數據的準確性高、針對性強，并且均為易處理的結構化數據，是構建大學生體質健康大數據平臺的重要數據來源。另一方面，體測數據還包括了高校在各級各類體育比賽的數據。目前，多數高校在運動會、運動節等比賽中的競技性項目減少，而體測達標項目增多，因此學生的參與度也逐漸增多。此類數據能夠彌補普測數據的數據量單一和偶然性的問題，形成更完善、更標準的體測數據體系。就數據類型而言，此類數據的來源范圍廣、結構多樣。通過專家測評，可將每種項目所能體現的學生體質狀況的數據匯總并導入大數據平臺，完善大數據平臺的數據來源。

體育教學數據。體育教學數據是指老師在體育課對學生進行體育指導的記錄，包括上課時間、上課內容、對學生課堂表現的評價以及學生的自評等。由于大學生體育課基本為小班教學，因此老師在每節課的教學活動中能夠較好地顧及到大多數學生。課堂教學不僅對每個學生的評價具有針對性，而且對學生群體的評價也具有較好的作用。體育教學的多樣性也包括對學生上課的內容和指導均有不同，由此產生的教學數據也各有不同。教師需要對教學數據進行分類整合和無量綱化處理，進而完善對學生的評價體系[10]。

學生學習數據。學生學習數據是指學生在學習行為和學習結果等方面的數據。學習數據的來源廣泛，包括從各個系統匯集的多種數據，如學生的課程、考試、測驗、學習、作業等多方面情況；其數據類型多樣，既包括如學習的時間和成績等結構化數據，也包括如學評教、社會實踐等難以量化的非結構化數據。將數據越細分到各個行為部分，越能得出學生學習行為的特點，也越客觀地反映學生的學習行為狀況，進而反映出學生的學習行為與體質健康的關系。

相關設施使用數據。其他設施使用數據的類型不一、來源不定，但可包括圖書館、體育館等設施以及網絡、能源（如水、電、熱）等資源的使用數據。例如圖書館每時間段的在館人數和開放時長等的數據；體育館每時間段的在館人數和設施使用率等的數據；教室和網絡等使用狀況與能源消耗情況等的數據，以及其他相關設施的學生行為數據等，均可以反映學生的生活習慣、體育偏好等信息并得出其體質健康狀況。

1.2.2 間接數據源

校園運動類APP 提供的數據。近年來，越來越多的企業和高校合作，將運動類APP 推入大學校園，記錄大學生的運動鍛煉狀況，并作為大學生體育成績的重要一部分。校園運動類APP 在高校中的普及為大數據平臺的搭建提供了契機。現有的校園運動類APP 大都與跑步、走路等簡單的運動有關，既可直接地反映大學生的運動健身習慣，又能夠提供大學生包括運動類型、運動強度和活動時間等方面的數據。這些數據可針對大學生提供部分的運動訓練建議，更加契合大數據平臺建設。校園運動類APP 大多為高質量、結構化的數據，能夠更好地助力大數據應用平臺的構建。

學生食堂數據。本文提出的食堂數據具體指大學生在POSS 機上刷卡所獲得的數據。此類數據的結構簡單且為結構化數據，但因學生數量而導致數據量十分龐大。就數據關系而言，通過校園卡的綁定，可以獲得大學生的飲食規律等方面數據進而獲取其消費行為分析的相關數據，既包括就餐時間分布、就餐的數量和質量、飲食消費與口味偏好等個人的微觀消費行為數據，也包括用餐人數分布、刷卡次數、學生忠誠度等宏觀的學生群體消費行為數據。

1.2.3 第三方數據源

醫療數據集。校醫院的數據能夠直觀地反映某學校大學生的身體健康狀況。但是校醫院提供的相關醫療數據往往受限于醫院本身的規模、層次以及學生的個人狀況。而政府能夠收集到的醫療數據集與之不同。某地區的醫療數據集能夠更加全面地反映某年齡層次的群體健康狀況。醫療數據包括病人的姓名、性別等自然數據，也包括病人入院、接受治療、接受檢查和護理以及出院等相關檢查治療記錄。醫療數據的數據量豐富，既有結構化數據，也包括圖形圖像信息等非結構化數據[11]。通過整合校醫院和所在地區醫院的醫療數據，能夠擁有針對大學生年齡段群體的健康狀況數據。

電商相關數據。通過電商相關數據，了解某地區的大學生的購物喜好。電商數據類型多元。就數據來源而言，包括購物、娛樂、飲食、社交等方面，也包括對運動、健康方面的投入，以及網上訂餐的相關數據。不同的數據來源不僅能夠提供的數據體量大，數據類型也十分豐富。以網購為例，通過獲取大學生的消費頻次、消費時間、消費偏好、消費單價等數據，可進一步分析大學生的個人和群體消費特征，進而探索網購對大學生體質健康的影響。

運動健康類APP 數據。與校園所推行的運動健康類APP不同，面向市場的運動健康類APP 具有更強大的功能。包括與智能手環、智能手表等相結合的APP 能夠采集到更多的健康數據。以華為健康為例，其APP 能夠提供包括心率、睡眠質量、壓力、血壓等多種健康數據。此類數據往往因為來源于不同APP，其數據類型更復雜，數據形式更多樣。但是這些數據如果能夠整合到大數據平臺，則可提出更具針對性的健康建議，并能夠發揮出更大的應用價值。

1.3 平臺大數據處理

豐富的數據量是大數據分析的基礎，而數據的管理、分析與應用是大數據分析的出發點和落腳點。目前的大數據分析技術還是基于以往的數據挖掘和統計技術，包括分類、聚類、關聯和時序分析等。因此有必要進一步展開大數據的分析和應用。

1.3.1 體質健康大數據的分類研究

分類技術是數據挖掘的重要內容之一，其目的是采用各種算法模型來預測數據對象所屬的類別。當前分類算法的研究較為成熟，其算法主要有K-最鄰近、決策樹、貝葉斯、神經網絡和支持向量機等。如決策樹算法具有易于理解和解釋、容易提取規則、運行速度較快等特點，被廣泛應用于各種分類分析中。歸納學習算法以實例為基礎并應用于可分類的離散數據。在大學生體質健康大數據平臺的數據分析中，分類技術可應用于各項體質健康素質的類別整合，得出不同地區學生的不同指標的健康類別，可在提高學生體質、改進教學方式方法、提高體育鍛煉效率等方面提出針對性建議。

1.3.2 體質健康大數據的聚類研究

聚類有別于分類但容易混淆。分類模型基于已知的數據對象的類別，而聚類用于處理未知的數據對象的類型。聚類需要通過觀察學習，將體質健康數據的對象集合分成相似的若干對象類。大學生體質健康大數據的不同聚類算法也分別對應不同的劃分、層次、密度、網格、模型等標準。這些算法適用于了解大學生的學習習慣、生活習慣以及鍛煉習慣等對體質健康的影響。這種劃分比基于傳統認知的分類觀測更具科學性，也更能找到各類數據間以往不能發現的關聯，有利于對學生的生活、學習、鍛煉提出科學的建議，也有利于家長、教師對不同群組實現個性化指導。

1.3.3 體質健康大數據的關聯分析

關聯分析旨在發現數據庫中不同項之間的聯系，通過聯系規則幫助決策者分析個人或群體的行為特征。在關聯分析的Apriori、FP-growth、多層關聯規則挖掘等算法中，FP-growth 較Apriori 而言，其算法的執行效率較高而被更廣泛應用。在構建大學生體質健康大數據平臺時，關聯規則可應用于分析大學生的日常生活和體質健康之間的內在聯系。例如學生飲食習慣的飲食時間和食物種類等與學生體質健康的肺活量及身高體重等之間的內在聯系；再如在體育教學中，關聯分析可以判定教學流程是否更有利于提升學生的體質，特別是耐力類訓練和爆發類訓練等的合理調配安排。

1.3.4 體質健康大數據的時序分析。

時序分析是通過分析數據的時間特性來研究事物的變化規律并完成預測等工作。在BDPPH-CS 應用中，時序數據挖掘通過提取與時間屬性相關的潛在有用的信息知識，實現對大學生體質健康進行短中長期預測，可指導大學生的日常行為。時序建模方法包括基于時間分類的一元時序、多元時序、離散時序以及連續時序等。通過時序分析可以比較大學生在不同季節、不同年級等階段的學生體質的影響因素，并通過大數據平臺獲得提升大學生體質健康狀況的建議。

以上舉例說明了大學生體質健康大數據分析的一般思路。通常來說，展開大數據分析需要選擇合適的算法模型。模型構建者或者算法選擇者不僅僅需要對數據分析的方法或算法有大體的了解，掌握每一種算法模型所要表達的思想，也要求相關人員能夠根據業務要求選擇合適的方法解決業務需求，以便針對性地選擇或重構模型。因此，相關人員應當了解大數據分析的常用算法以及算法解決問題的優劣性等。沒有最好的算法，只有更適合的算法。算法的選擇要從不同的角度全面考量算法的適用性。其選擇原則一般包括成本導向、技術導向和實用導向等。

一個算法得到的結果往往不具有全面性。在條件滿足的情況下，應當考慮構建基于組合算法群原理的模型體系。通過多方法建模得到的分析結果，其結論也一般會更加科學、公正。在考慮某個實際問題時，通過不同類型的算法對同一組數據進行不同角度的處理，往往得到的對比結果更具有啟發意義。另外，選擇算法并不是大數據分析的關鍵，其關鍵是算法重構與優化。只有通過不斷實踐，才能構建出針對該問題的更合適算法，也逐步使得模型更加有針對性。

1.4 平臺大數據分析的實現

同傳統的數據分析思路相通，BDPPH-CS 包括數據收集、數據ETL（即轉載、清洗與加工）、數據挖掘和數據可視化等四個主要的過程（如圖2）。而這四個過程都是基于大數據計算框架實現的。大數據計算框架可分為批處理和流處理。當前主流的大數據計算平臺如Hadoop 和Spark 等都是基于批處理模式。相比于Hadoop 和Spark 等而言，體質健康大數據平臺是一種輕量級的大數據框架，側重于優化完善內存的計算與處理，加快負載的批處理運行速度。顯然，具有多樣性、兼容性和高效迭代等特征的批處理模式更適合于數據挖掘算法的并行運行。由于BDPPH-CS 數據的來源廣、體量大、類別多，所以建議大學生體質健康大數據平臺宜采用Spark 的大數據計算框架，并且其架構從下向上包含數據存儲、數據分析和數據展示等三層。

數據存儲層即為從各個角度所收集到的各種來源的數據，并且進行數據的轉載、清洗加工，主要考慮不同類型數據的儲存和接入。從學校獲得的數據、與學校有合作的企業數據以及政府或第三方企業擁有的數據等各方面數據經過轉載、清洗和加工后，可分類為日常數據、體測數據和教學數據。構建BDPPH-CS 一般以日常數據為基礎，以體測數據為導向，并配合教學數據。

數據分析層處于中間層次，是通過Spark 框架以各種算法對相關數據進行數據分析，具體可采用分類算法、聚類算法、關聯規則以及機器學習等實現，滿足體質健康大數據挖掘的需求。

數據展示層在把數據分析過程簡化的基礎上，將數據信息通過圖形、圖表等傳統的展示方式，以及基于手機、智能穿戴設備等新型的展示方式，直接為政府、高校以及家長學生提供直觀的展示和科學的建議。數據展示層通過直觀、易懂、便捷地將數據分析層所挖掘分析獲得的信息以可視化的形式展示出來。可視化實現既包括圖像處理、計算機圖形學、計算機視覺、計算機輔助設計等，也包括AR、VR 等技術，并且后者能與更多的可穿戴智能設備相結合。通過這些工具將隱藏在數據中的關系、趨勢、信息和規律等以可視化方式呈現。

搭建實現BDPPH-CS 框架的構建者應該具備以下能力：一是計算機、統計、管理等方面的基本原理和知識。實現BDPPH-CS 框架需要搭建者既有包括數據挖掘、系統構建、數據庫、數據分析等相關的計算機處理技術，也要有針對系統工程、頂層設計、項目管理、統籌管理等相關的管理學知識。二是對業務有足夠充分的了解，既包括對BDPPH-CS 流程的全方位了解，也重點包括對數據源的對接以及對體質健康相關知識的了解等。

1.5 平臺大數據分析的評價與反饋

在數據展示層展示出的可視化結果，通過結構化的組織、流程化的處理以及系統化的展示將信息準確把握，便于有效反饋學生個體、學生群體的體質健康狀況。學生端可呈現BDPPH-CS 的個性化分析報告，便于學生查看個人的體質健康評價和分析報告。同時，BDPPH-CS 也可以為教師呈現學生群體和個體的分析報告，幫助教師根據不同時段的報告來調節教學方式，有助于促進體質、教育、評價的有機結合[12]。

體質健康大數據分析的評價和反饋要遵循以下原則：1.以結果為導向。分析結果要以不同形式呈現給包括學生、家長、教師、高校、政府等不同類型的群體，要能根據不同群體的不同需求以不同結果呈現。2.報告簡明易懂。分析結果要通俗易懂，力求簡單實用。3.動態變化。分析和評價要根據具體情況不斷調整大數據的分析思路，形成新的視角對問題進行分析。同時，分析和評價要根據算法模型的變化而不斷變化，以應對新的需求。

2 大學生體質健康大數據平臺的應用

在實踐應用中，BDPPH-CS 需要結合具體應用場景和應用需求，收集相對應的數據、設計相應的算法及可視化路徑，形成具體的應用模式。針對目前的現狀，其應用主要涉及3個方面，包括針對性引導、個性化教學和智能評價。

2.1 針對性引導

針對性引導是BDPPH-CS 應用的核心。一方面，該平臺以個體學生的數據情況具體分析某個體學生的體質健康狀況。該學生的分析結果再綜合其運動、飲食、生活、學習等多方面數據進行體質評價和提出優化方案，從而引導該學生更加健康的生活方式，以便于提高其體質健康。另一方面，該平臺針對群體學生的數據情況，分析某類別群體學生的體質健康狀況，如按照年級、學院、專業等劃分的類別群體。通過該類學生群體的行為習慣，在校方、院方以及教師等配合下，針對該類學生群體的體質健康狀況的整體提升，提出更加有針對性的解決方法。

2.2 個性化教學

個性化教學是BDPPH-CS 應用的延伸。針對高校體育課和體育鍛煉不被學生重視的現象，BDPPH-CS 可以提供整體、部分或個體學生的體質健康數據，讓高校從群體的各個層面來把控學生的體質健康狀況，有針對性地提高部分或個體學生的身體素質[13]。例如，通過分類規則可以把身體素質分別在耐力、爆發力、柔韌性等不同方面有不同提高要求的學生進行分類并有針對性地集中訓練，并提供使學生更加感興趣的體育教學活動。

2.3 設施的布局和優化

設施的布局和優化也是BDPPH-CS 應用的拓展。通過BDPPH-CS 的構建，政府和高校能夠真實地了解到學生的日常生活習慣，并通過設施的布局和優化在恰當的時間引導學生開展更加健康的生活。例如高校通過BDPPH-CS 發現學生大都在下午五點到八點這個時間段內參加運動鍛煉，而晚上七點到十點是學習的高峰時間，則高校應該在食堂的開放時間和食物的種類搭配等方面進行科學安排，以便于學生在鍛煉后的營養補給和在學習上的能量補充，也可以在學習高峰時間段注意開放更多的教室和座位，還可以在學校附近引導開設更多的有利于學生健康生活的設施，如健身房、書店等，同時限制網吧、游戲廳、酒吧等娛樂場所的營業數量和營業時間等。

3 大學生體質健康大數據平臺的發展挑戰

3.1 信息孤島

搭建BDPPH-CS 的最大問題是信息孤島。信息孤島是指不同部門、不同系統的數據集之間無法建立有效的連接，導致數據群處于一種高度的分散狀態，難以全面實現信息共享。現如今我國大多數大數據平臺都是根據自身的工作特點建立起的不同網絡服務平臺，但是大部分的獨立平臺基本沒有與其它平臺建立一個有效的數據連接機制，使得信息共享水平越來越低，加上網絡平臺背后的支撐數據庫在管理上始終難以形成一種統一規范的標準，因此產生出來的信息就屬于信息孤島。其根源是在搭建大數據平臺之初沒有考慮到日后系統間、部門間的數據交換和數據共享等一系列問題，缺乏頂層設計的思想。

3.2 數據安全

廣泛的數據源是搭建BDPPH-CS 的基礎。然而，僅僅依靠高校提供的數據是有限的。需要結合企業提供的數據搭建相對完整的數據閉環，通過全方位的數據對學生日常生活方式提出全面的評價。但是與企業合作的問題不僅僅包括因為數據結構、數據格式導致的數據溝通障礙，還包括對數據安全管理方面可能出現的漏洞。BDPPH-CS 的數據直接與我國大學生的體質健康和生活習慣等情況掛鉤。在高校與企業進行數據交互的同時，很容易造成數據泄露。校企在合作的同時必須重視數據安全，建立完善的信息安全措施、運維保護措施以及應急保障措施，通過技術和管理雙渠道把風險降到最低。另外，數據安全還具體包括：通過嚴格而規范的技術手段如基礎設施的及時更新和物理層面的安全保護等，以規避數據的存儲與使用等風險；定期對相關系統開展安全升級與運維管理；提高工作人員的安全意識、自覺意識以及法律意識等。

3.3 數據處理模型的建立

搭建BDPPH-CS 的關鍵是數據處理模型的選擇、應用以及有針對性地修正。數據處理模型包括數據ETL、算法選擇以及可視化展示等過程，并且每個過程都直接或間接地影響數據的準確性。以算法為例，在各種算法都存在可選時，應該選擇不利影響相對較小的算法來處理數據。如在BDPPH-CS 中，考慮學習相關的數據對學生體質健康的影響時，就應該選擇決策樹算法而避免選擇最近鄰算法。這是因為決策樹算法具備易于理解和能夠處理不相關關系等特征，同時最近鄰算法需要耗費大量內存，在處理器相對一般的情況下容易造成系統崩潰。因此，選擇數據處理模型時應當咨詢專家，從成本和技術等角度綜合考慮來選擇算法方案。

4 大學生體質健康大數據平臺的發展方向

事物的發展都是一個歷史過程而需要不斷發展，搭建BDPPH-CS 也是如此。隨著需求的不斷變化和技術的不斷更新，BDPPH-CS 也存在一個演化的過程，其發展方向包括但不限于以下方向：

4.1 將BDPPH-CS 發展為全體學生體質健康大數據平臺

搭建BDPPH-CS 的目的是通過相對全面的數據來源，以科學的方法來評判大學生的體質健康，并且能夠針對性提出學生體質的提升措施。本文以大學生為研究對象進行探討，不僅是因為大學生的體質測試相對完善和準確，更是因為大學生的數據較容易獲取。當BDPPH-CS 逐漸成熟后，可以逐步拓展到中小學生，形成針對全體學生體質健康的大數據分析平臺（Big Data Platform of Physical Health for All Students，簡稱BDPPH-AS）。將BDPPH-CS 發展為BDPPH-AS的原因有兩方面：一方面，學生健康一直是社會大眾持續關注的焦點，搭建BDPPH -AS 的確能夠在一定程度上為提升學生體質健康提供行之有效的解決措施；另一方面，盡管中小學生相對大學生而言其數據獲取不夠全面，但是隨著相關技術的普及，通過家校聯合等多種方式，也能夠提供全體學生的相對全面的數據，從而有效解決數據來源的問題。

4.2 將SPHBD 平臺發展為全社會的體質健康大數據平臺

當BDPPH-CS 拓展為BDPPH-AS 并發展成熟后，通過進一步擴大數據來源并改進和豐富算法，可以將服務對象拓展為針對全社會所有人，即將BDPPH-AS 擴展為體質健康大數據分析平臺（Big Data Platform of Physical Health，以下簡稱BDPPH）。此時，全體公民的體質監測、體育鍛煉、身體保健和健康醫療等數據均融合進BDPPH，促進我國全民體質健康的提升。

5 結束語

本文構建大學生體質健康大數據的分析平臺并探討了相關問題。不同于傳統的體質健康提升方式，基于BDPPH-CS的體質健康分析與提升建議，綜合了宏觀層面的定性分析和微觀角度的定量計算，使大學生體質健康的指導工作更加科學，也更加有針對性和可操作性，將在協調政府、學校和家庭三方的共同努力以提升大學生體質健康發揮積極的作用。