摘要：本研究基于大學(xué)生體質(zhì)健康測試數(shù)據(jù)，利用k-means聚類算法和BP神經(jīng)網(wǎng)絡(luò)建立體質(zhì)分析模型，針對各體質(zhì)類型制定鍛煉方案，并在此基礎(chǔ)上建立課外活動網(wǎng)絡(luò)指導(dǎo)平臺。結(jié)論：本研究建立的體質(zhì)分析模型，預(yù)測精確度達(dá)到90%以上，能夠較準(zhǔn)確的判斷大學(xué)生的體質(zhì)類型。將模型嵌入大學(xué)生體育鍛煉網(wǎng)絡(luò)指導(dǎo)平臺，實(shí)現(xiàn)了精準(zhǔn)化評價(jià)大學(xué)生體質(zhì)類型并自動化提供運(yùn)動處方的功能，對大學(xué)生養(yǎng)成鍛煉習(xí)慣有積極的促進(jìn)作用。

關(guān)鍵詞：體質(zhì)健康，BP神經(jīng)網(wǎng)絡(luò)，體育鍛煉指導(dǎo)，體育鍛煉網(wǎng)絡(luò)平臺

The Network Guidance Platform for Physical Exercise for College Students

KONG Bin

Department of physical education， Fudan University""Shanghai 200433

Abstract：This study is based on the physical health test data of college students， and uses k-means clustering algorithm and BP neural network to establish a physical analysis model. Exercise plans are formulated for each physical type， and an extracurricular activity network guidance platform is established on this basis. Conclusion： The physical fitness analysis model established in this study has a prediction accuracy of over 90% and can accurately determine the type of physical fitness of college students. Embedding the model into the college student physical exercise network guidance platform has achieved the function of accurately evaluating the physical fitness types of college students and automatically providing exercise prescriptions， which has a positive promoting effect on cultivating exercise habits among college students.

Keywords："physical health， BP neural network， sports exercise guidance， sports exercise network platform

2019年9月，國務(wù)院辦公廳印發(fā)《體育強(qiáng)國建設(shè)綱要的通知》指出，要將促進(jìn)青少年提高身體素養(yǎng)和養(yǎng)成健康生活方式作為學(xué)校體育教育的重要內(nèi)容^[1]。當(dāng)前，根據(jù)不同體質(zhì)類型針對性的提供鍛煉指導(dǎo)服務(wù)成為高校大學(xué)生們的迫切需求^[2]。本研究利用k-means聚類算法和BP神經(jīng)網(wǎng)絡(luò)對學(xué)生體質(zhì)狀況進(jìn)行分類^[3]，針對各類型制定鍛煉方案，并在此基礎(chǔ)上建立課外活動網(wǎng)絡(luò)指導(dǎo)平臺，從而為學(xué)生提供智能化、精準(zhǔn)化的體育課外活動指導(dǎo)服務(wù)。

1理論構(gòu)想

利用BP神經(jīng)網(wǎng)絡(luò)的分類功能，對大學(xué)生體質(zhì)狀況進(jìn)行分類和判別，準(zhǔn)確的識別體質(zhì)類型，然后針對性的給予運(yùn)動指導(dǎo)，合理的配比鍛煉項(xiàng)目^[4]。整體構(gòu)想如下圖所示。

首先，構(gòu)建大學(xué)生體質(zhì)狀況評價(jià)指標(biāo)體系，依據(jù)指標(biāo)體系采集原始數(shù)據(jù)并對數(shù)據(jù)進(jìn)行清洗^[5]。

其次，運(yùn)用k-means聚類分析，以經(jīng)過預(yù)處理的體質(zhì)健康測試數(shù)據(jù)作為變量，將大學(xué)生分成不同的類型。將數(shù)據(jù)集輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使之形成一個成熟的X（體質(zhì)測試指標(biāo)）→Y（體質(zhì)類型）映射機(jī)制。

最后，開發(fā)課外活動網(wǎng)絡(luò)指導(dǎo)平臺，將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型嵌入網(wǎng)絡(luò)服務(wù)平臺，對體育鍛煉實(shí)施網(wǎng)絡(luò)化管理和智能化指導(dǎo)。

2 構(gòu)建大學(xué)生體質(zhì)狀況評價(jià)指標(biāo)體系

采用《國家學(xué)生體質(zhì)健康標(biāo)準(zhǔn)（2014年修訂）》中的指標(biāo)作為必測指標(biāo)，避免重復(fù)測量。借鑒相關(guān)文獻(xiàn)的肌肉群劃分方法^[6][7][8]，將力量素質(zhì)指標(biāo)進(jìn)一步細(xì)分為胸部、手臂、腹部、腰臀部、背部、腿部五部分，將柔韌素質(zhì)指標(biāo)進(jìn)一步細(xì)分為為轉(zhuǎn)肩、俯臥背伸、坐位體前屈。最終確定大學(xué)生體質(zhì)狀況評價(jià)指標(biāo)體系及測試方法如表1所示：

指標(biāo)體系中，將各個指標(biāo)的標(biāo)準(zhǔn)化值乘以其權(quán)重并相加得到力量素質(zhì)（或柔韌素質(zhì)）的總得分，公式如下：

其中為力量素質(zhì)或柔韌素質(zhì)的總得分，為二級指標(biāo)數(shù)量，為第個二級指標(biāo)的標(biāo)準(zhǔn)分，為第個二級指標(biāo)的權(quán)重。

依據(jù)大學(xué)生體質(zhì)狀況評價(jià)指標(biāo)體系和測試方法采集數(shù)據(jù)，測試對象選用上海市某高校體育課的20個男生班級和20個女生班級，男生數(shù)量共計(jì)493人，女生數(shù)量共計(jì)513人。課上僅測試非國家學(xué)生體質(zhì)健康測試項(xiàng)目，國家學(xué)生體質(zhì)健康測試項(xiàng)目由學(xué)生自行填寫最近一次測試成績。

3 構(gòu)建體質(zhì)狀況分析模型

3.1 數(shù)據(jù)預(yù)處理

首先，查找并剔除重復(fù)數(shù)據(jù)、異常數(shù)據(jù)^[9]。

其次，運(yùn)用倒數(shù)法將低優(yōu)指標(biāo)“轉(zhuǎn)肩”、“1000米”、“800米”、50米轉(zhuǎn)化為高優(yōu)指標(biāo)。

最后，對數(shù)據(jù)進(jìn)行Z-Score標(biāo)準(zhǔn)化，使數(shù)據(jù)無量綱化。

3.2 基于K-means聚類算法的樣本數(shù)據(jù)分類處理

K-means算法中K值是事先給定的，運(yùn)用手肘法可確定男生體質(zhì)類型分為8類，女生體質(zhì)類型分為8類。

表2是男生體質(zhì)數(shù)據(jù)的k-means聚類結(jié)果，通過對比觀察z-score標(biāo)準(zhǔn)分平均值，能夠分析出各個體質(zhì)類型的特點(diǎn)。根據(jù)表2，男生體質(zhì)類型可分為：偏胖型、瘦弱型、力量缺乏、耐力缺乏、矯健型、耐力型、爆發(fā)力型、平庸型。

表3是女生體質(zhì)健康數(shù)據(jù)的k-means聚類結(jié)果，通過對比觀察z-score標(biāo)準(zhǔn)分平均值，可將女生體質(zhì)類型分為：耐力型、力量缺乏、瘦弱型、偏胖型、肥胖型、耐力缺乏型、力量型、平庸型。

3.3 基于BP人工神經(jīng)網(wǎng)絡(luò)的體質(zhì)分析模型建立

樣本數(shù)據(jù)處理完成后，即可輸入樣本數(shù)據(jù)，初始化和訓(xùn)練神經(jīng)網(wǎng)絡(luò)。運(yùn)用Python語言進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)、訓(xùn)練、評估等操作。將男女學(xué)生數(shù)據(jù)分別輸入BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到數(shù)學(xué)模型。

如圖2所示，利用男生數(shù)據(jù)訓(xùn)練20次，最終預(yù)測精度達(dá)到0.9312。如圖3所示，利用女生數(shù)據(jù)訓(xùn)練20次預(yù)測精度達(dá)到0.9314。獲得的神經(jīng)網(wǎng)絡(luò)模型對學(xué)生體質(zhì)類型判別的準(zhǔn)確性較高。

4構(gòu)建大學(xué)生體育鍛煉網(wǎng)絡(luò)指導(dǎo)平臺

4.1 體育鍛煉網(wǎng)絡(luò)服務(wù)平臺架構(gòu)

大學(xué)生體育鍛煉網(wǎng)絡(luò)指導(dǎo)平臺的主要功能是利用構(gòu)建好的BP神經(jīng)網(wǎng)絡(luò)模型對大學(xué)生體質(zhì)類型進(jìn)行準(zhǔn)確的判別，進(jìn)而提供相應(yīng)的體育鍛煉方案。體育鍛煉網(wǎng)絡(luò)指導(dǎo)平臺用戶包括學(xué)生、教師、管理員。學(xué)生用戶權(quán)限：體質(zhì)健康診斷與處方、體育鍛煉問題咨詢、體育鍛煉打卡、鍛煉方法查詢、體育鍛煉監(jiān)控、體育鍛煉計(jì)劃；教師權(quán)限：學(xué)生管理、體育鍛煉指導(dǎo)、學(xué)生鍛煉監(jiān)控；管理員權(quán)限：用戶管理、運(yùn)動處方管理、鍛煉計(jì)劃管理、鍛煉方法管理。

4.2 體育鍛煉網(wǎng)絡(luò)服務(wù)平臺的功能

4.2.1 面向?qū)W生用戶的功能實(shí)現(xiàn)

體質(zhì)健康診斷及運(yùn)動處方。學(xué)生用可點(diǎn)擊體質(zhì)評估鏈接，查看自己各項(xiàng)體質(zhì)測試成績和評估報(bào)告。

在大學(xué)生體質(zhì)健康診斷頁面中，可查看BP神經(jīng)網(wǎng)絡(luò)模型對學(xué)生體質(zhì)類型的評價(jià)結(jié)果。

體育鍛煉計(jì)劃頁面顯示了由BP神經(jīng)網(wǎng)絡(luò)模型智能化開具的運(yùn)動處方，即當(dāng)前學(xué)期的鍛煉任務(wù)，學(xué)生點(diǎn)擊開始鍛煉即可進(jìn)入鍛煉打卡頁面。

體育鍛煉監(jiān)控頁面中顯示學(xué)生的運(yùn)動數(shù)據(jù)，包括每次鍛煉量和強(qiáng)度，并顯示全校的平均成績。

4.2.2 面向指導(dǎo)教師用戶的功能實(shí)現(xiàn)

學(xué)生管理頁面中可查看自己班級的學(xué)生，具有增、刪、查、改的功能，以及查看學(xué)生的體質(zhì)健康診斷報(bào)告功能。

體育鍛煉指導(dǎo)。教師可以就某一體育鍛煉問題進(jìn)行討論，對學(xué)生體育鍛煉過程進(jìn)行指導(dǎo)。

學(xué)生鍛煉監(jiān)控頁面。點(diǎn)擊某學(xué)生的體育鍛煉監(jiān)控按鈕，即可查看某一時(shí)期學(xué)生的鍛煉情況。

4.2.3 面向管理員用戶的功能實(shí)現(xiàn)

用戶管理。管理師生用戶，更改用戶權(quán)限。

鍛煉項(xiàng)目管理。運(yùn)動項(xiàng)目分為三個等級的指標(biāo)，一級指標(biāo)為力量素質(zhì)、耐力素質(zhì)、柔韌素質(zhì)、速度素質(zhì)、身體形態(tài)、身體機(jī)能、靈敏素質(zhì)六項(xiàng)。二級指標(biāo)是對以及指標(biāo)的細(xì)分，如力量素質(zhì)的二級指標(biāo)包括上肢力量、下肢力量、胸部力量等等。三級指標(biāo)是具體的鍛煉方法，如上肢力量的三級指標(biāo)包括：雙杠臂屈伸、啞鈴彎舉等等。

體質(zhì)類型及運(yùn)動處方管理頁面。該頁面是對不同的體質(zhì)類型進(jìn)行管理，包括對名稱的修改，對不同類型的運(yùn)動處方的增刪改操作。

5 結(jié)論

基于K-means聚類分析和BP人工神經(jīng)網(wǎng)絡(luò)技術(shù)，利用大學(xué)生體質(zhì)數(shù)據(jù)建立體質(zhì)分析模型，模型精確度達(dá)到90%以上，能夠較為準(zhǔn)確的判斷大學(xué)生的體質(zhì)類型。

將BP神經(jīng)網(wǎng)絡(luò)模型嵌入大學(xué)生體育鍛煉網(wǎng)絡(luò)指導(dǎo)平臺，實(shí)現(xiàn)了精準(zhǔn)化評價(jià)大學(xué)生體質(zhì)類型，并自動化提供鍛煉計(jì)劃、鍛煉方法的功能，對大學(xué)生養(yǎng)成鍛煉習(xí)慣有積極的促進(jìn)作用。

參考文獻(xiàn)

[1] 國務(wù)院辦公廳.體育強(qiáng)國建設(shè)綱要的通知[EB/OL].（2019）[2024]，https：//www.gov.cn/zhengce/zhengceku/2019-09/02/content_5426485.htm.

[2] 王一民.大學(xué)生課外體育鍛煉習(xí)慣缺失原因與對策研究[J].武漢體育學(xué)院學(xué)報(bào)，2016，8：121-124.

[3] 秦淑芳，劉昌華，黃申奧.基于K-means聚類算法和BP神經(jīng)網(wǎng)絡(luò)的稻米品種鑒別[J].中國糧油學(xué)報(bào).2018，33（2）：128-131.

[4] 羅曉潔，王卉，張崇林.基于人工神經(jīng)網(wǎng)絡(luò)的大學(xué)生體質(zhì)百分比預(yù)測方程的構(gòu)建[J].上海體育學(xué)院學(xué)報(bào)，2019，43（3）：121-126.

[5] Megan Squire.干凈的數(shù)據(jù)：數(shù)據(jù)清洗入門與實(shí)踐[M].北京：人民郵電出版社，2016.

[6] Ricardo Cánovas Lineras.肌肉力量訓(xùn)練彩色圖譜[M].北京：人民郵電出版社，2015.

[7] 弗雷德里克·德拉威爾.肌肉健美訓(xùn)練圖解[M].山東：山東科學(xué)技術(shù)出版社，2013.

[8] Nick Evans.健身解剖指南[M].北京：北京體育大學(xué)出版社，2008：1-2.

[9] 王秋萍.基于K-means聚類和BP神經(jīng)網(wǎng)絡(luò)的電影票房預(yù)測研究[D].武漢理工大學(xué)，2017.

[10] 李萍萍.南京大學(xué)體育保健課教學(xué)的實(shí)驗(yàn)探究[D].南京大學(xué)，2014.

作者簡介：孔斌，1976-，男，碩士，副教授，研究方向：體育教育與訓(xùn)練。