基于BP神经网络的学生运动处方管理系统

刘小菊1，周磊1，颜意娜2

(1.杭州电子科技大学 电子信息学院，浙江 杭州 310018;2.杭州电子科技大学 体育教学部，浙江 杭州 310018)

摘要：努力提高学生身体素质，针对不同体质的学生提供科学合理的个性化运动训练处方是目前研究的热点，为此，基于BP神经网络， 提出一种学生耐力成绩预测算法，应用于杭州电子科技大学阳光长跑智能体育测试系统，建立了学生阳光长跑成绩与耐力成绩之间的非线性对应关系，运用学生阳光长跑成绩来预测学生下一年的耐力成绩。实验研究结果表明：模型的准确率达到85%以上。同时将预测结果与物联网技术相结合，实现了一种学生运动处方管理系统，针对不同预测成绩的同学设置不同的阳光长跑运动参数，为不同体质的学生提供个性化的运动处方，具有广泛及深远的应用价值。

关键词：神经网络；耐力成绩；运动处方；非线性关系；预测算法；体育测试系统

文章编号：1004-3624(2015)05-0079-06

中图分类号:G807.4

文献标识码：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

作者简介：关涛(1979-)，男,河南漯河人,硕士，讲师，主要从事体育人文社会学研究.

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

为响应由国家教育部和国家体育总局发起的“全国亿万学生阳光体育运动”，鼓励学生积极参加体育锻炼，有效提高学生体质，尤其是耐力素质水平[1]，杭州电子科技大学自主研发了一套阳光长跑智能体育测试系统。

在对比学生2013年体质健康测试数据中发现，参与阳光长跑的同学中有80%耐力素质有了提升。如图1所示，杭州电子科技大学大一、大二5 391名男生中，有19%的学生耐力成绩不及格，80分以上的仅占总人数的9%。由图2可以看出在耐力成绩不及格的970名同学中有816名学生的阳光长跑频次不到32次，成绩大于80分的同学中有233名同学的长跑次数超过32次。这充分表明学生日常的阳光长跑与期末体能测试成绩中的耐力成绩(女生800m、男生1 000m)有着很大的关联性。

图2　2014年下学期男生耐力成绩与长跑频次图

体育预测是指预测者对体育领域各种未知因素进行预计和推断，为决策者提供重要的决策依据，决策者能够根据预测数据对体育执行者提供科学的运动健康指导[2]。

金海泉采用体育专家法，分析2000年悉尼奥运会各强国的跳水实力，预测我国跳水成绩[3]。该定性预测方法在当问题定量解决时，有着不可替代的作用，但是它不能有效地揭示出各系统中因素之间的相互关系。

刘卫民用运动员身体两项成绩互为自变量和因变量，建立一元回归方程来预测比赛成绩[4]。可以定量的预测成绩，但是这种把非线性问题线性化的方法，在某种程度上影响了预测精度。

赵云宏运用灰色系统模型预测女子自由泳全国记录的成绩[5]。对解决体育领域大量的灰色问题提供了很好的思路，但该模型要求样本量比较少，对于处理大样本数据具有局限性。

本文采用基于主元分析的BP神经网络算法来预测学生的耐力成绩，与物联网技术结合，建立学生运动处方管理系统，对不同学生的预测成绩设定不同的长跑参数，为学生今后的阳光长跑提出指导意见。

2基于主元分析的数据预处理

由于男女生生理和身体体质方面的不同，大学生耐力素质测试方法现行的国家体育锻炼标准是男子1 000m、女子800m跑，本文以男生数据为主要分析对象。

2.1样本数据的采集

本研究以杭州电子科技大学一年级、二年级男生中的1 100人的2014年阳光长跑频次、总里程数、平均速度、期末的耐力成绩、2015年3-4月100名男生的阳光长跑成绩为研究对象。数据汇总表如图3、图4所示。

图3　2014年男生阳光长跑成绩与耐力成绩汇总表

图4　2015年3-4月男生阳光长跑成绩汇总表

2.2主元分析法

由于BP神经网络前端输入的样本数目过多，会降低网络的训练速度与效率，严重时会导致网络不收敛，所以要对输入样本进行预处理，本文在保证结果准确性的前提下，采用主元分析法，通过降维的方法，用少数几个主分量解释多变量的方差导出少数几个主分量，使它们尽可能完整地保留原始变量信息，且彼此不相关，以达到简化数据的目的[6]。

表1　三个特征根对应的特征向量

第一主成分的贡献率最大，表明综合原始变量，所含信息的能力最强。由于前两个特征值的累计方差贡献率为0.9947，远远大于90%，则可选定主成分个数为2。用 来代替原始变量即总里程数、频次与平均速度，不但维数降低，加快模型训练速度，而且不会损失原始变量中的太多信息。特征向量与原始样本数据相乘精简后的主成分得分如表2所示。

表2　训练样本主成分得分表

3基于BP神经网络算法的模型建立

BP神经网络为多层的误差前反馈神经网络，属于误差反向传播算法[7-9]。它含有输入层、输出层和隐含层构成，其每一层有若干个节点，每个节点表示一个神经元，上层节点与下层节点之间通过权连接，层与层之间的节点采用全互联的连接方式。

3.1隐含层数、节点数与参数的确定

隐含层的神经网络模型，实际上就是一个线性或非线性回归模型。一般认为，增加隐含层数可以降低网络误差，当然也会使得网络复杂化，从而增加了网络的训练时间和出现“过拟合”现象，因此，本文采用含有一个隐含层的3层BP网络。

隐含层的节点数不仅与输入、输出节点数有关，更和需要解决的问题的复杂程度和传递函数的类型以及样本数据的特性等因素有关[10]。其隐含层的节点数如下计算：

(1-1)

n为隐含层节点数，ni为输入节点数，no为输出节点数，c为0至10之间的常数。本文借助实验的方法对隐含层节点数目进行确定，在其它参数保持不变的情况下，通过调整隐含层节点数目来对比输出误差，从而确定最佳的节点数，本次实验确定为8。

本研究隐含层和输出层激活函数确定为logsig对数S型传输函数。

(1-2)

Sigmoid型可微函数是严格的递增性，能使输出在线性和非线性之间显现出较好的平衡，所以可实现输入和输出间的任意非线性映射，适用于中长期的预测，具有逼近效果好、计算速度快、精度高等优点。同时，其理论依据坚实，推导过程严谨，所得公式对称优美，具有强非线性拟合能力[11]。它反映了神经元的饱和特征，即函数的值域可以由研究者根据实际需要给定，当输入的值较小时，函数有一个比较大的增益，当输入的值较大时，函数有一个比较小的增益，这样可以很好地防止网络进入饱和状态。经多次仿真调试，设定网络的最大学习迭代次数为1 000次，学习精度为0.0004。

3.2BP神经网络学习算法

将之前数据主元分析预处理的数据(-1到1之间)作为输入，期望误差设为ε,连接权值设为wxj、vü，节点阈值设为θi、θt，输出层节点的期望输出：ti， η表示步长即学习速率，k迭代次数，α(k)为动量因子，处于0到1之间。

①BP神经网络隐含层节点、输出层节点的输出进行计算为：

(1-3)

(1-4)

②BP神经网络连接到输出层、隐含层神经节点l上的权值误差为：

εl=(tl-hj)·hl·(1-hl)

(1-5)

(1-6)

③更新BP神经网络的连接权值vü和阈值θt：

wij(k+1)=α(k)wij(k)+ηεtxi

(1-7)

θi(k+1)=θi(k)+η'εt

(1-8)

④输入新一周期样本，直到网络误差达到预定要求，训练时各周期中样本的输入顺随机排序。

3.3训练仿真结果

在确定各类函数和参数的基础上，运用输入输出来创建神经网络，并通过神经网络的训练，来预测2015年学生体能测试耐力成绩。伪代码如下所示：

begin

input“1 000组2014年男生阳光长跑总里程、频次及平均速度数据”;

input “100组2015年3-4月阳光长跑总里程、频次及平均速度数据”;

input “100组2014年男生耐力成绩”作为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训练结果与结果分析如下图所示：

图5　训练输入输出相关性回归结果图

图6　BP神经网络预测输出图

图7　神经网络预测误差百分比

图8　男生预测耐力成绩

图5可以看出，输入的阳光长跑数据与输出耐力成绩的相关性很高。图6表示根据输入的1 000组阳光长跑数据以及输出的1 000组耐力成绩训练出来的神经网络，当随机向已经训练好的输入100组学生长跑数据中，BP神经网络预测耐力成绩与实际值之间的关系。从图中可以看出大部分点的预测准确性较高，除去一些异常点。随之，对其误差百分比进行了计算，如图7所示，误差率在15%以内。其说明利用BP神经网络算法进行学生期末体能测试耐力成绩预测具有很好的可行性。随之，再输入100组男生2015年3-4月的阳光长跑数据，对他们的耐力成绩进行预测，如图8所示。由此可以看出，在这随机100组学生中，有一部分学生的耐力成绩很有可能不及格或者达不到优秀。

预测成绩如表3所示。为更充分地检验该模型算法的准确度，我们将检验样本数目进行改变，得出误差百分比如下表4所示，对于不同数量的检验样本，该模型都可以达到80%以上的准确率，由此可见，BP神经网络预测模型对于体育预测方面的应用有很高的可行性。

表3　2015年体能预测成绩表

表4　不同检验样本数的误差百分比

由实验验证误差数据表明未经主元处理的BP神经网络比经过主元处理的网络误差率要大，结果见表5所示。

表5　预测结果比较

4模型应用

针对以上对于学生期末耐力成绩的预测，本文在原有的阳光长跑智能软件系统上增加了高级扩展功能即学生分组管理的模式，并针对不同的人群提供不同的运动处方建议。

该软件部分Web服务部署在云平台上，是基于Java技术以及Python开发的，包括基于appache httpd服务器的前端服务器，基于j2ee技术开发的逻辑进程，基于mysql数据库的数据管理，以及基于python开发的一系列服务器端管理脚本。其软件界面图如图9-12所示。

图9　Web 首页

如图9-12所示，本系统首先对参加阳光长跑的同学按照男、女性别进行分组，之后把预测出的成绩通过后台数据库导入，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分以上五个组。对不同组别的学生进行参数调整和个性化指导。比如，成绩在60分之下的，将其有效长跑频次与总里程最低限提高，这样他们就能在平时长跑时多进行一些练习，有助于耐力成绩的提升。

图10　Web 高级扩展功能设置组别

图11　学生分组管理界面

图12　根据预测成绩进行分组

5结束语

本文通过将BP神经网络应用于体育测试数据分析，建立学生多种长跑运动管理参数(平均速度、总里程数等)与耐力成绩关系的统计学模型，并通过模型在软件开发中的应用，实现对学生参加阳光体育运动质量和效果的分析评估、预测，以及体育训练指导的决策支持。本项目对科学合理地开展大规模群体运动，有效提高在校学生体质和耐力水平，以及体育教学研究和智能体育训练系统开发都具有重要的理论指导和实践意义。

参考文献

[1]李小伟.为了青少年学生的体质健康——中央7号文件暨全国亿万学生阳光体育运动5周年追述[J].体育教学，2012(6)： 10-13.

[2]王洪兵.体育预测方法评述与展望[J].安徽体育科技,2003(3):125-127.

[3]金海泉.2000年悉尼奥运会各跳水强国实力分析及金牌预测[J].南京体育学院学报,2000(1):64-65.

[4]刘卫民.回归分析在田径运动中选项兼赛的应用[J]. 湖北体育科技,1998(4):49-51.

[5]赵云宏,等.女子自由泳全国纪录的灰色模型及其预测[J].北京体育大学学报,2001(4):499-500.

[6]刘彩红.BP神经网络学习算法的研究[D].重庆:重庆师范大学,2008.

[7]龚剑.基于人工神经网络2008奥运会中国男篮成绩预测实验研究[D].武汉:武汉体育学院,2007.

[8]孙志强,张建.神经网络理论与MATLAB7实现[M].北京：电子工业出版社,2005：44-52,99-108.

[9] 胡金滨,唐旭清.人工神经网络的BP算法及其应用[J].信息技术，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.