CN106295805A - 基于bp神经网络的人体最大摄氧量评价方法及其应用 - Google Patents

基于bp神经网络的人体最大摄氧量评价方法及其应用 Download PDF

Info

Publication number
CN106295805A
CN106295805A CN201610674193.8A CN201610674193A CN106295805A CN 106295805 A CN106295805 A CN 106295805A CN 201610674193 A CN201610674193 A CN 201610674193A CN 106295805 A CN106295805 A CN 106295805A
Authority
CN
China
Prior art keywords
oxygen uptake
maximal oxygen
data
heart rate
body weight
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610674193.8A
Other languages
English (en)
Inventor
王伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201610674193.8A priority Critical patent/CN106295805A/zh
Publication of CN106295805A publication Critical patent/CN106295805A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供一种基于BP神经网络的人体最大摄氧量评价方法,包括以下步骤:采集受试者数据,所述的数据包括体重、年龄、性别、1600米跑时间及跑后即刻心率;同时获取受试者性别信息;将性别、年龄、1600米跑时间及跑后即刻心率数据做标准化转换后作为参数,输入最大摄氧量BP神经网络,测算得出受试者的最大摄氧量;所述的最大摄氧量BP神经网络设有输入层、输出层和1个隐藏层;所述的输入层设有5个输入神经元、所述的隐藏层设有11个神经元,所述的输出层设有1个神经元。本发明的方法既可以快速获得准确的最大摄氧量结果,又不需要昂贵的设备投入,适用于大样本量的人群心肺功能分析。

Description

基于BP神经网络的人体最大摄氧量评价方法及其应用
技术领域
本发明涉及人体体质检测技术领域,具体涉及一种人体心肺功能评估方法,更具体地涉及一种人体最大摄氧量的评价方法,及其在人体心肺功能评估中的应用。
背景技术
心肺健康是体质健康的重要组成部分,同大肌肉群、动力性、中等至大强度的长时间运动能力相关。通常认为如果心肺功能过低发生过早死亡的风险就越高,尤其是心血管疾病方面,同时心肺健康水平提高可以降低许多疾病的患病风险及死亡率。关于心肺功能评价的最好指标为最大摄氧量,ACSM的运动测试与运动处方指南中认为最大摄氧量是心肺适能的测量指标,由最大心排出量(L/min)和最大静脉氧差(ml O2/L)决定,其与心脏的功能密切相关。也可以认为心肺耐力代表着人体心血管系统和呼吸系统摄入、运动和吸收利用氧气,进行新陈代谢并产生能量的能力。
关于最大摄氧量的测试方法也比较多,包括直接测试法及间接测试法。通常直接测试法是采用开放式肺活量测试仪,将测试者用鼻塞阻塞鼻孔,通过其口进行呼吸并测量呼出空气O2和CO2及肺的通气量,并打印出详细的测试结果。直接测试法对仪器、场地、工作人员等要求较高,一般主要用于医疗或实验室研究采用。同时,可以采用次极量负荷的运动测试来进行最大摄氧量的间接测试,具体包括电动跑台测试、机械负荷功率自行车测试、台阶测试和场地测试。
具有代表性的台阶测试方法研究获得的回归方程包括:
美国运动医学会(ACSM)建立了如下方程进行计算:
VO2max=0.2×F+1.33×1.8×H×F+3.5
其中F(登阶频率)为每分钟完成上下台阶一个循环的次数,H(台阶高度)单位为米,计算结果单位为ml/Kg/min。
中国国民体质健康监测中采用如下公式进行计算:
Step Index=[T/(Hr1+Hr2+Hr3)×2]×100
其中T(运动持续时间)单位为秒;Hr1、Hr2和Hr3分别为运动后1‐1.5分钟的心率、2‐2.5分钟的心率和3‐3.5分钟的心率三次脉搏数;计算出的台阶指数后根据不同年龄人群的评分标准对其心肺耐力进行评价。
运动跑台的次大强度测试也是采用比较多的最大摄氧量估测方法。因为次大强度测试通常将运动后的心率作为重要评价指标,但有些时候心率并不一定与最大摄氧量保持线性关系,也可能受其他因素的影响,因此也有学者通过建立回归方程的来预测最大摄氧量。例如有学者通过在运动跑台以2‐4.5mph的速度,最大心率在50%‐70%范围,采用4分钟的热身,然后速度相同,坡度增加5%进行测试,并在测试结束后测试即刻心率,通过这些指标建立了回归方程如下:
VO2max=15.1+21.8×S‐0.327×Hr‐0.236×S×Hr+0.00504×Hr×Age+5.98×Sex
其中,S(速度)为英里/小时(mph);Sex(性别)男为0,女为1;Hr(心率)为测试结束后的即刻心率,单位次/分钟;VO2max单位为ml/Kg/min。该方程的测试样本为139人,其中67男,72女,通过117人建立回归方程,利用22人进行验证,其相关系数r为0.86,SEE为4.85ml/Kg/min。
此外,功率自行车也常用来进行次大强度的心肺耐力估测,美国运动医学会(ACSM)提出了一个通过户外自行车骑行进行最大摄氧量估测的方程,具体如下:
VO2max=‐4.5+0.17×RS+0.052×WS+0.022×W
其中RS(骑行速度)和WS(风速)单位为千米/小时(Km/h),体重为千克(Kg),VO2单位为L/min。该方程由美国佛罗里达大学体育运动科学系的McCole等人通过对92名测试者采用相同的自行车,相同的胎压、控制速度(32‐40Km/h)进行测试后建立回归方程,经验证其相关系数r值为0.84,但其没有进行SEE估算。
基于以上诸多研究成果,本发明旨在提出一种人体最大摄氧量评价的方法,可以通过简单的指标测试就获得准确的评价结果。
发明内容
本发明的目的在于:提供一种人体最大摄氧量的评价方法,既可以快速获得准确的结果,又不需要昂贵的设备投入和复杂的测试过程。
本发明的上述目的通过以下技术方案实现:
提供一种基于BP神经网络的人体最大摄氧量评价方法,包括:
1)采集受试者数据,所述的数据包括体重、年龄、性别、1600米跑时间及跑后即刻心率;
2)将步骤1)采集的体重、年龄、性别、1600米跑时间及跑后即刻心率数据作为参数,使用最大摄氧量BP神经网络,测算得出受试者的最大摄氧量;所述的最大摄氧量BP神经网络设有输入层、输出层和1个隐藏层;所述的输入层设有5个输入神经元、所述的隐藏层设有11个神经元,所述的输出层设有1个神经元;所述的最大摄氧量BP神经网络的建立采用不小于30人的样本数据、以不高于千分之一的最大误差、不高于0.02的学习率和不低于0.7的记忆率进行不少于20000次训练,采用80~90%样本训练和10~20%样本验证的方式;本步骤具体包括:
2.1)先将步骤1)获取的数据和信息进行标准化预处理:将步骤1)获取的体重、年龄、1600米跑时间及跑后即刻心率数据xi用下式(I)转换成大于等于0且小于等于1的数据将步骤1)获取的性别信息中的男性定义为0,女性定义为1;
x i ‾ = x i - x min x max - x min - - - ( I )
式(I)中,所述的xmin和xmax分别是所述最大摄氧量BP神经网络训练数据中相应参数的最小值和最大值;
2.2)将步骤2.1)转换处理得到的大于等于0且小于等于1的与性别、年龄、体重、1600米跑时间及跑后即刻心率对应的5个数据输入最大摄氧量BP神经网络的输入层的所述5个输入神经元,经所述隐藏层的处理后,由所述输出层神经元获得受试者最大摄氧量结果。
本发明优选的方法中,为了进一步提高测量评价的准确性,步骤1)所述的数据中进一步包括身高;相应地,步骤2)所述的最大摄氧量BP神经网络输入层设有6个输入神经元、所述的隐藏层设有13个神经元,所述的输出层设有1个神经元。
本发明所述的方法中,步骤1)所述的受试者身高、体重、年龄数据可以通过现有技术的多种方法测算得到,例如,身高可以使用身高标尺测量;体重可以使用体重秤测量得到;年龄可以通过出生日期推算或骨龄检测方法得到。
本发明优选的方法中,步骤1)所述的1600米跑要求保持个体最大速度的匀速完成;所述的跑后即刻心率是1600米跑结束后即刻采用Polar表采集得到的心率(次/分)。
本发明优选的方法中,步骤2)所述的最大摄氧量BP神经网络建立所用的样本,其输出数据(最大摄氧量)均以实验室直接测量方法由相同设备测量得到;或者使用以下式(II)计算得到:
最大摄氧量(VCO2Max)=100.5+8.344×性别-0.1636×体重-1.438×慢跑时间-0.1928×心率(II)
其中体重单位为千克(Kg),慢跑时间单位为分钟(min),心率单位为次/分钟。
本发明优选的方法中,步骤2)所述的最大摄氧量BP神经网络建立,所述的学习率优选0.02。
本发明优选的方法中,步骤2)所述的最大摄氧量BP神经网络建立,所述的记忆率优选0.7。
本发明优选的方法中,步骤2)所述的最大摄氧量BP神经网络建立,所述的训练次数为20000~25000次,最优选24000次。
本发明最优选的方案,包括以下步骤:
1)使用身高、体重计测量受试者身高、体重;同时获取受试者性别和年龄信息;在相同场地内测试受试者最大速度地匀速完成1600米跑的时间,及跑后即刻心率;
2)将性别、身高、年龄、体重、1600米跑的时间及跑后即刻心率数据作为参数,输入最大摄氧量BP神经网络,测算得出受试者的最大摄氧量;所述的最大摄氧量BP神经网络设有输入层、输出层和1个隐藏层;所述的输入层设有6个输入神经元、所述的隐藏层设有13个神经元,所述的输出层设有1个神经元;所述的最大摄氧量BP神经网络的建立采用:不小于40人的样本数据、以万分之一的最大误差、0.02的学习率和0.7的记忆率进行24000次训练,采用80%的样本训练和20%的样本验证的方式;
所述的不小于40人的样本数据中,作为输出数据的最大摄氧量通过以下式II计算得到:最大摄氧量(VCO2Max)=100.5+8.344×性别-0.1636×体重-1.438×慢跑时间-0.1928×心率(II)
其中体重单位为千克(Kg),慢跑时间单位为分钟(min),心率单位为次/分钟;
本步骤具体包括:
2.1)先将步骤1)获取的数据和信息进行标准化预处理:将步骤1)获取的身高、体重、年龄、1600米跑时间及跑后即刻心率数据xi用下式(I)转换成大于等于0且小于等于1的数据将步骤1)获取的性别信息中的男性定义为0,女性定义为1;
x i ‾ = x i - x min x max - x min - - - ( I )
式(I)中,所述的xmin和xmax分别是所述最大摄氧量BP神经网络训练数据中相应参数的最小值和最大值;
2.2)将步骤2.1)转换处理得到的大于等于0且小于等于1的与性别、身高、体重、年龄、1600米跑时间及跑后即刻心率相对应的6个数据输入最大摄氧量BP神经网络的输入层的所述6个输入神经元,经所述隐藏层的处理后,由所述输出层神经元获得受试者最大摄氧量结果。
本发明提供的基于BP神经网络的人体最大摄氧量评价方法可以作为分析和评价心肺功能的可靠依据。
本发明还提供所述的人体最大摄氧量评价方法在心肺功能分析中的应用,包括:根据本发明所述方法获得最大摄氧量结果后,按照常规方法和不同需求对应的标准评价个体心肺功能状况。评价结果不仅可以使个体增进自身了解,更有意义的是可以进一步用于预警健康风险或指导体育健身。
与现有技术的心肺功能分析方法相比,本发明的方法具有以下几方面的有益效果:
1.参数的测量简单易行
本发明的方法中,需要测量的参数仅包括受试者的身高、体重、年龄、1600米跑时间及即刻心率这几个不需要特殊工具就能很容易获得的指标,而无需通过跑台、功率自行车、台阶、运动心肺仪等复杂的测试仪器,更无需进行接近个体极限的大强度运动测试过程。本发明将得原本非常复杂的测量过程变得简单易行,这一简化过程是经过大量研究、统计、筛选和验证来完成的,最终得到了非常简单的参数组成,这对于大样本量的群体检测来说意义重大,具有非常高的实用价值。
2.测量结果的精准度高
本发明的人体最大摄氧量评价方法基于科学、合理地构建方法得到的BP神经网络,该网络建立在大量研究、统计、筛选和验证的基础上,充分利用了研究中发现的人体最大摄氧量与人体测量学指标之间的相关性规律,同时利用最优化的构建和训练方案建立的BP神经网络模型进行测算,由简单的起始参数就可以快速获得准确的测量结果,而且结果的准确性还会随着受试样本量的增加而不断提高。
附图说明
图1是实施例1所使建立的BP神经网络ANN1的结构示意图。
图2是实施例3的基于ANN2的方法测量的结果与实验室运动心肺仪测试结果的Bland-Altman散点图。
具体实施方式
下面以列举实施例的方式对本发明的技术方案进一步做出具体的阐述,但本发明不限于以下所列举的实施例。
实施例1.最大摄氧量BP神经网络模型的建立
选择40名受试者,其中男女各20人,年龄20-36之间,测试所有受试者年龄、体重,在相同田径场地内测试所有受试者最大速度地匀速完成1600米跑的时间,跑后即刻使用Polar表测试每分钟心率;然后将采集得到的受试者年龄、体重、1600米跑时间、跑后即刻心率这4种数据都按式(I)进行标准化,得到大于等于0、小于等于1的数据;
x i ‾ = x i - x min x m a x - x min - - - ( I )
获取的性别信息中的男性定义为0,女性定义为1。
同时在实验室采用德国h/p/cosmos跑台、美国APE的MaxII运动心肺测试仪对40名受试者的最大摄氧量进行直接测试。
采用NeurophStudio工具创建三层结构的人工神经网络,包括输入层、隐藏层和输出层;输入层设置5个神经元,分别用于上述标准化后的5种参数的输入;隐藏层设置11个神经元,按照常规方法设置权值;输出层设置1个神经元,用于上述受试者最大摄氧量结果的输出。
人工神经网络结构设置好后,使用上述40人中的32人(其中男女各16人)的样本数据以0.02的学习率和0.7的记忆率进行20000次训练,保证万分之一的最大误差,然后利用剩余8人(男女各4人)的样本数据进行验证,即可得到理想的最大摄氧量BP神经网络,记作ANN1,结构如图1所示。
实施例2.最大摄氧量BP神经网络模型的建立
选择100名受试者,其中男女各50人,年龄25-35之间,测试所有受试者体重、身高,在相同田径场地内测试所有受试者最大速度地匀速完成1600米跑的时间,跑后即刻使用Polar表测试每分钟心率;然后将采集得到的受试者年龄、体重、身高、1600米跑时间、跑后即刻心率这5种数据都按式(I)进行标准化,得到大于等于0、小于等于1的数据。
x i ‾ = x i - x min x max - x min - - - ( I )
最大摄氧量(VCO2Max)=100.5+8.344×性别-0.1636×体重-1.438×慢跑时间-0.1928×心率 (II)
其中体重单位为千克(Kg),慢跑时间单位为分钟(min),心率单位为次/分钟;
获取的性别信息中的男性定义为0,女性定义为1。
采用NeurophStudio工具创建三层结构的人工神经网络,包括输入层、隐藏层和输出层;输入层设置6个神经元,分别用于上述标准化后的6种参数的输入;隐藏层设置13个神经元,按照常规方法设置权值;输出层设置1个神经元,用于上述受试者最大摄氧量结果的输出。
人工神经网络结构设置好后,使用上述100人中的70人(其中男女各35人)的样本数据以0.02的学习率和0.7的记忆率进行24000次训练,保证万分之一的最大误差,然后利用剩余30人(男女各15人)的样本数据进行验证,即可得到理想的最大摄氧量BP神经网络,记作ANN2。
实施例3.基于BP神经网络模型的人体最大摄氧量评价
一种基于BP神经网络的人体最大摄氧量评价方法,具体步骤如下:
1)使用身高尺、体重计测量来自清华大学的学生及附近社区居民共200人的身高、体重,同时获取受试者性别和年龄信息;在相同场地内测试受试者最大速度地匀速完成1600米跑的时间,跑后即刻使用Polar表测定每分钟心率;
2)将性别、身高、年龄、体重、1600米跑的时间及跑后即刻心率数据作为参数,使用实施例1建立的BP神经网络模型ANN2测算得出受试者的最大摄氧量;
2.1)将步骤1)获取的数据和信息进行标准化预处理:将步骤1)获取的身高、年龄、体重、1600米跑的时间及跑后即刻心率数据xi用下式(I)转换成大于等于0且小于等于1的数据将步骤1)获取的性别信息中的男性定义为0,女性定义为1;
x i ‾ = x i - x min x max - x min - - - ( I )
式(I)中,所述的xmin和xmax分别是ANN2训练数据中相应参数的最小值和最大值;
2.2)将步骤2.1)转换处理得到的大于等于0且小于等于1的与性别、身高、年龄、体重、1600米跑的时间及跑后即刻心率相对应的6个数据输入ANN2的输入层的所述6个输入神经元,经所述隐藏层的处理后,由所述输出层神经元获得受试者最大摄氧量结果。
为了验证本实施例所述方法获得的最大摄氧量结果的准确性,采用直接测量方法(如在实验室采用德国h/p/cosmos跑台、美国APE的MaxII运动心肺测试仪)测试上述200位受试者的最大摄氧量,将得到的结果与本实施例所得结果相比,他们的均值非常接近,具体结果见下表1。
表1.直接仪器测试和本发明方法的最大摄氧量测算结果比较
通过对两组数据进行相关分析可以发现,见表2,相关系数r值达到了0.925,比比现有技术中的估测方程同实验室测试的相关系数都高,同时对实验室测试和ANN2结果进行了独立T检验,结果显示,t值为0.06,P>0.05,两组数据没有显著性差异。结合前面方程统计数据。由此可以初步判断,本发明的基于BP神经网络的人体最大摄氧量评价方法准确性方面达到了很好的效果,能够有效的对最大摄氧量进行估测。
表2.BIA和本发明基于BP神经网络(ANN2)方法的相关分析
为了进一步分析本发明实施例3方法的结果的有效性和一致性,将实验室测试的最大摄氧量和人工神经网络进行Bland-Altman散点图分析,如图2所示,其差值在95%置信区间以外的散点数比例为5.0%,偏倚程度为-8.3~8.4,相比Jog回归方程(式II)的-12.5~14.1,本发明的人工神经网络模型将回归方程的偏倚程度缩小了9.9,准确性在其基础上提高了37.2%。
实施例4.基于BP神经网络模型的人体最大摄氧量评价及心肺功能分析
采用与实施例3基本相同的方法测量1000名受试者的最大摄氧量,不同之处在于基于实施例2建立的BP神经网络ANN1进行测算,最终可迅速获得每位受试者的准确的最大摄氧量结果。
将所述最大摄氧量结果作为基础进行个体心肺功能分析或评价,可以为未来运动健身起到指导作用,还可以对心血管疾病风险的评估提供依据。

Claims (10)

1.一种基于BP神经网络的人体最大摄氧量评价方法,其特征在于,包括以下步骤:
1)采集受试者数据,所述的数据包括体重、年龄、性别、1600米跑时间及跑后即刻心率;
2)将步骤1)采集的体重、年龄、性别、1600米跑时间及跑后即刻心率数据作为参数,使用最大摄氧量BP神经网络测算得出受试者的最大摄氧量;所述的最大摄氧量BP神经网络设有输入层、输出层和1个隐藏层;所述的输入层设有5个输入神经元、所述的隐藏层设有11个神经元,所述的输出层设有1个神经元;所述的最大摄氧量BP神经网络的建立采用不小于30人的样本数据、以不高于千分之一的最大误差、不高于0.02的学习率和不低于0.7的记忆率进行不少于20000次训练,采用80~90%样本训练和10~20%样本验证的方式;本步骤具体包括:
2.1)先将步骤1)获取的数据和信息进行标准化预处理:将步骤1)获取的体重、年龄、1600米跑时间及跑后即刻心率数据xi用下式(I)转换成大于等于0且小于等于1的数据将步骤1)获取的性别信息中的男性定义为0,女性定义为1;
x i ‾ = x i - x min x max - x min - - - ( I )
式(I)中,所述的xmin和xmax分别是所述最大摄氧量BP神经网络训练数据中相应参数的最小值和最大值;
2.2)将步骤2.1)转换处理得到的大于等于0且小于等于1的与性别、年龄、体重、1600米跑时间及跑后即刻心率对应的5个数据输入最大摄氧量BP神经网络的输入层的所述5个输入神经元,经所述隐藏层的处理后,由所述输出层神经元获得受试者最大摄氧量结果。
2.权利要求1所述的方法,其特征在于:步骤1)所述的数据进一步包括身高;相应地,步骤2)所述的最大摄氧量BP神经网络输入层设有6个输入神经元、所述的隐藏层设有13个神经元,所述的输出层设有1个神经元。
3.权利要求1所述的方法,其特征在于:步骤2)所述的最大摄氧量BP神经网络建立所用的样本,其输出数据(最大摄氧量)均以实验室直接测量方法由相同设备测量得到。
4.权利要求1所述的方法,其特征在于:步骤2)所述的最大摄氧量BP神经网络建立所用的样本,其输出数据(最大摄氧量)均使用以下式(II)计算得到:
最大摄氧量(VCO2Max)=100.5+8.344×性别-0.1636×体重-1.438×慢跑时间-0.1928×心率 (II)
其中体重单位为千克(Kg),慢跑时间单位为分钟(min),心率单位为次/分钟。
5.权利要求1所述的方法,其特征在于:步骤2)所述的最大摄氧量BP神经网络建立,所述的学习率为0.02。
6.权利要求1所述的方法,其特征在于:步骤2)所述的最大摄氧量BP神经网络建立,所述的记忆率为0.7。
7.权利要求1所述的方法,其特征在于:步骤2)所述的最大摄氧量BP神经网络建立,所述的训练次数为20000~25000次。
8.权利要求1所述的方法,其特征在于:步骤2)所述的最大摄氧量BP神经网络建立,所述的训练次数为24000次。
9.权利要求2所述的方法,其特征在于,包括以下步骤:
1)使用身高、体重计测量受试者身高、体重;同时获取受试者性别和年龄信息;在相同场地内测试受试者最大速度地匀速完成1600米跑的时间,及跑后即刻心率;
2)将性别、身高、年龄、体重、1600米跑的时间及跑后即刻心率数据作为参数,输入最大摄氧量BP神经网络,测算得出受试者的最大摄氧量;所述的最大摄氧量BP神经网络设有输入层、输出层和1个隐藏层;所述的输入层设有6个输入神经元、所述的隐藏层设有13个神经元,所述的输出层设有1个神经元;所述的最大摄氧量BP神经网络的建立采用:不小于40人的样本数据、以万分之一的最大误差、0.02的学习率和0.7的记忆率进行24000次训练,采用80%的样本训练和20%的样本验证的方式;
所述的不小于40人的样本数据中,作为输出数据的最大摄氧量通过以下式II计算得到:
最大摄氧量(VCO2Max)=100.5+8.344×性别-0.1636×体重-1.438×慢跑时间-0.1928×心率 (II)
其中体重单位为千克(Kg),慢跑时间单位为分钟(min),心率单位为次/分钟;
本步骤具体包括:
2.1)先将步骤1)获取的数据和信息进行标准化预处理:将步骤1)获取的身高、体重、年龄、1600米跑时间及跑后即刻心率数据xi用下式(I)转换成大于等于0且小于等于1的数据将步骤1)获取的性别信息中的男性定义为0,女性定义为1;
x i ‾ = x i - x min x max - x min - - - ( I )
式(I)中,所述的xmin和xmax分别是所述最大摄氧量BP神经网络训练数据中相应参数的最小值和最大值;
2.2)将步骤2.1)转换处理得到的大于等于0且小于等于1的与性别、身高、体重、年龄、1600米跑时间及跑后即刻心率相对应的6个数据输入最大摄氧量BP神经网络的输入层的所述6个输入神经元,经所述隐藏层的处理后,由所述输出层神经元获得受试者最大摄氧量结果。
10.权利要求1所述的人体最大摄氧量评价方法在心肺功能分析中的应用,包括:根据所述方法获得最大摄氧量结果后,按照常规方法和不同需求对应的标准评价个体心肺功能状况。
CN201610674193.8A 2016-08-16 2016-08-16 基于bp神经网络的人体最大摄氧量评价方法及其应用 Pending CN106295805A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610674193.8A CN106295805A (zh) 2016-08-16 2016-08-16 基于bp神经网络的人体最大摄氧量评价方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610674193.8A CN106295805A (zh) 2016-08-16 2016-08-16 基于bp神经网络的人体最大摄氧量评价方法及其应用

Publications (1)

Publication Number Publication Date
CN106295805A true CN106295805A (zh) 2017-01-04

Family

ID=57678071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610674193.8A Pending CN106295805A (zh) 2016-08-16 2016-08-16 基于bp神经网络的人体最大摄氧量评价方法及其应用

Country Status (1)

Country Link
CN (1) CN106295805A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107595273A (zh) * 2017-09-12 2018-01-19 广东远峰电子科技股份有限公司 一种心率估算方法和装置
CN108186020A (zh) * 2017-12-28 2018-06-22 长沙蓝室科技开发有限公司 基于用户摄氧量的自适应送风方法及智能电动口罩
CN109350065A (zh) * 2018-09-13 2019-02-19 山东师范大学 一种基于递增蹲起运动的大学生心肺耐力间接评测方法
CN110322947A (zh) * 2019-06-14 2019-10-11 电子科技大学 一种基于深度学习的高血压老年人运动处方推荐方法
CN111260186A (zh) * 2020-01-08 2020-06-09 缤刻普达(北京)科技有限责任公司 一种运动能力评估方法、系统和体脂秤、移动终端
CN111599471A (zh) * 2020-05-13 2020-08-28 广东高驰运动科技有限公司 动态获取最大摄氧量的方法及电子设备
CN112138361A (zh) * 2020-10-14 2020-12-29 中国科学院合肥物质科学研究院 一种基于摄氧量计算的心肺耐力测量方法及系统
CN114504777A (zh) * 2022-04-19 2022-05-17 西南石油大学 基于神经网络和模糊综合评价的锻炼强度计算系统和方法
CN117198517A (zh) * 2023-06-27 2023-12-08 安徽省立医院(中国科学技术大学附属第一医院) 基于机器学习的运动反应性评估和预测模型的建模方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1997033512A1 (en) * 1996-03-12 1997-09-18 Polar Electro Oy Method and apparatus for measuring exertion endurance
CN104081158A (zh) * 2011-11-18 2014-10-01 通腾北美有限公司 用于创建供在产生跨越电子地图的路线中使用的成本数据的方法及设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1997033512A1 (en) * 1996-03-12 1997-09-18 Polar Electro Oy Method and apparatus for measuring exertion endurance
CN104081158A (zh) * 2011-11-18 2014-10-01 通腾北美有限公司 用于创建供在产生跨越电子地图的路线中使用的成本数据的方法及设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孙忠伟等: "国外1英里跑最大摄氧量估测方程比较研究", 《体育科学研究》 *
孙忠伟等: "基于BP人工神经网络的大学生最大摄氧量估测模型的构建", 《北京体育大学学报》 *
陈锐等: "普通大学生最大摄氧量间接测试法的比较研究", 《北京体育大学学报》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107595273A (zh) * 2017-09-12 2018-01-19 广东远峰电子科技股份有限公司 一种心率估算方法和装置
CN108186020A (zh) * 2017-12-28 2018-06-22 长沙蓝室科技开发有限公司 基于用户摄氧量的自适应送风方法及智能电动口罩
CN109350065A (zh) * 2018-09-13 2019-02-19 山东师范大学 一种基于递增蹲起运动的大学生心肺耐力间接评测方法
CN109350065B (zh) * 2018-09-13 2021-05-04 山东师范大学 一种基于递增蹲起运动的大学生心肺耐力间接评测方法
CN110322947A (zh) * 2019-06-14 2019-10-11 电子科技大学 一种基于深度学习的高血压老年人运动处方推荐方法
CN111260186B (zh) * 2020-01-08 2023-09-26 有品国际科技(深圳)有限责任公司 一种运动能力评估方法、系统和体脂秤、移动终端
CN111260186A (zh) * 2020-01-08 2020-06-09 缤刻普达(北京)科技有限责任公司 一种运动能力评估方法、系统和体脂秤、移动终端
CN111599471A (zh) * 2020-05-13 2020-08-28 广东高驰运动科技有限公司 动态获取最大摄氧量的方法及电子设备
CN112138361A (zh) * 2020-10-14 2020-12-29 中国科学院合肥物质科学研究院 一种基于摄氧量计算的心肺耐力测量方法及系统
CN114504777B (zh) * 2022-04-19 2022-07-15 西南石油大学 基于神经网络和模糊综合评价的锻炼强度计算系统和方法
CN114504777A (zh) * 2022-04-19 2022-05-17 西南石油大学 基于神经网络和模糊综合评价的锻炼强度计算系统和方法
CN117198517A (zh) * 2023-06-27 2023-12-08 安徽省立医院(中国科学技术大学附属第一医院) 基于机器学习的运动反应性评估和预测模型的建模方法
CN117198517B (zh) * 2023-06-27 2024-04-30 安徽省立医院(中国科学技术大学附属第一医院) 基于机器学习的运动反应性评估和预测模型的建模方法

Similar Documents

Publication Publication Date Title
CN106295805A (zh) 基于bp神经网络的人体最大摄氧量评价方法及其应用
CN105963956B (zh) 全人群智能健身系统
CN108079554B (zh) 一种运动测试型身体素质指标评价方法及系统
CN107803013A (zh) 智能运动健康数据采集系统
CN106730766A (zh) 一种基于心率数据的成人运动负荷的评价方法
CN106295205A (zh) 基于bp神经网络的体脂百分比测量方法及其应用
CN109875544B (zh) 用于运动员精准选材的心脏机能评定方法
CN110353692B (zh) 基于生物信号的体能、疲劳、恢复能力的评测系统及方法
CN106446530A (zh) 一种基于人体运动热生理的仿真风险评估方法及其系统
CN106999104A (zh) 心肺健康评估
CN106037703A (zh) 一种基于智能化健身车的心肺耐力间接测试方法
CN107997755A (zh) 心肺测试方法及系统
CN207401111U (zh) 智能运动健康数据采集系统
Stone et al. Comparative validity assessment of five activity monitors: does being a child matter?
CN107951474A (zh) 基于心率和血压的实时监测的运动心肺测试方法及系统
CN109350069A (zh) 一种通过负荷心率推算青少年日常活动摄氧量和运动强度的方法
CN116453656B (zh) 一种心理健康评估预警系统及方法
CN107802274A (zh) 基于生理指标的疲劳度检测方法及系统
CN109350065B (zh) 一种基于递增蹲起运动的大学生心肺耐力间接评测方法
Dalleck et al. DEVELOPMENT OF A SUBMAXIMAL TEST TO PREDICT ELLIPTICAL CROSS-TRAINER JOURNAL/jscr/04.03/00124278-200605000-00008/OV0312_1/v/2021-02-09T093526Z/r/image-pngO2MAX
CN106821362A (zh) 一种基于心率数据以及运动时间的中小学生体育锻炼运动负荷的评价方法
CN106339754A (zh) 遗传算法改进的神经网络建模用于人体成分分析的方法
CN114886433A (zh) 一种具备环境适应能力的运动负荷评估方法
RU2754651C1 (ru) Способ оценки уровня фитнес-здоровья
Hoffmann et al. Predicting elite triathlon performance: A comparison of multiple regressions and artificial neural networks

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170104