CN107845428A - 应用于人体成分秤的人体成分算法模型构建方法 - Google Patents
应用于人体成分秤的人体成分算法模型构建方法 Download PDFInfo
- Publication number
- CN107845428A CN107845428A CN201711341403.2A CN201711341403A CN107845428A CN 107845428 A CN107845428 A CN 107845428A CN 201711341403 A CN201711341403 A CN 201711341403A CN 107845428 A CN107845428 A CN 107845428A
- Authority
- CN
- China
- Prior art keywords
- human body
- body component
- algorithm model
- database
- model construction
- 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
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出一种应用于人体成分秤的人体成分算法模型构建方法，将采集到的人群数据建立人群数据库，并划分为训练库和测试库；运用多元线性回归分析及分类判别方法，使用训练库和测试库的数据，对不同人体成分输出参数建立不同输入参数组合的算法模型；采集新的人群数据作为验证库，验证建立的算法模型。本发明用于快速测量出人体成分，并能根据人体成分测量结果初步给出该测试者身体健康属性。
Description
技术领域
本发明属于医疗器械技术领域和生物医学工程领域，具体涉及应用于人体成分秤的人体成分算法模型。
背景技术
目前尚无一种既简单又精确的测定人体成分的理想方法，国内外常用的测量人体成分的间接方法有：水下称重法，皮褶厚度法，生物电阻抗法，双能X射线吸收法，核磁共振法，CT法等。其中，生物电阻抗法为公认的实现费用较低、精确度高、可易于实现的测量方法。
基于生物电阻抗技术的体成分测量方法是一种间接推算的过程，其准确性依赖于人体的成分模型。目前，常见的人体成分模型有20多种，典型的有二元件模型、三元件模型和四元件模型等。
二元件模型——将人体简化为脂肪物质和非脂肪物质(FFM)；
三元件模型——将人体简化为瘦肉物质、脂肪物质、水；
四元件模型——将非脂肪物质分为水分、蛋白质和无机盐，加上脂肪物质构成，由于四元件模型能够更准确地描述人体的成分构成，相比二元件、三元件模型得到了广泛应用。但四元件人体成分仍存在一定局限性，且输出参数不能准确表述人体情况。
发明内容
有鉴于此，本发明构建一种应用于人体成分秤的人体成分算法模型，用于快速测量出人体成分，并能根据人体成分测量结果初步给出该测试者身体健康属性。
为达到上述目的，本发明的技术方案是这样实现的：
一种应用于人体成分秤的人体成分算法模型构建方法，包括：
一、将采集到的人群数据建立人群数据库，并划分为训练库和测试库；
二、运用多元线性回归分析及分类判别方法，使用训练库和测试库的数据，对不同人体成分输出参数建立不同输入参数组合的算法模型；
三、采集新的人群数据作为验证库，验证建立的算法模型。
进一步的，步骤一中，将采集到的人群数据按照非运动员男、非运动员女、运动员男、运动员女的标准划分为4类人群数据库。
优选的，步骤二所述输入参数包括身高、体重、年龄、人体阻抗、身体质量指数；步骤二所述人体成分输出参数包括水分、卡路里、肌肉、骨骼、体脂、内脏脂肪等级、测量结果属性。
更进一步的，所述输出参数中，水分、卡路里、肌肉、体脂、骨骼、内脏脂肪等级采用线性回归方式进行模型构建，测量结果属性采用分析判别方法进行模型构建。
更进一步的，步骤一中，以与人体总水量相关性最低的年龄参数进行数据划分，将人群数据库划分为训练库和测试库。
相对于现有技术，本发明所述的应用于人体成分秤的人体成分算法模型构建方法具有以下的有益效果：
1.将人群分为4类，对4类人群的不同人体成分输出参数建立不同输入参数组合的算法模型，使得模型更加优化，效果更好，模型结果更加接近真实数据，与实际值相关系数接近1(R2≈0.98)。
2.应用线性回归分析和分类判别方法建模，更加简单易实现，有利于缩短程序计算时间。
3.对不同输入参数进行多模型训练、测试，最终确定不同人体成分输出的最优模型，。
4.经验证，本算法模型可有效得出各人体成分数据，并能够实际应用于人体成分秤的人体成分算法部分。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合实施例来详细说明本发明。
应用于人体成分秤的人体成分算法模型，针对4类人群数据库，运用多元线性回归分析及分类判别方法，分别对不同人体成分输出参数建立不同输入参数组合的算法模型。包括以下步骤：
1.分为训练库和测试库方式
由于人体水分为输出参数各特征值基础，应用Pearson相关性分析，以与人体水分相关性最低的年龄(Age)划分4类人群数据库，为训练库和测试库。模型训练：按Age取每个数据库2/3数据量作为训练库数据。模型测试：取每类剩余1/3数据量作为测试库数据。划分结果见表1。相关性分析见表2：
表1
| 数据库 | 数据库I | 数据库II | 数据库III | 数据库IV |
| 人群 | 非运动员男 | 非运动员女 | 运动员男 | 运动员女 |
| 训练库 | 10611 | 23733 | 18090 | 6831 |
| 测试库 | 5302 | 11876 | 9060 | 3414 |
表2
2.人体成分输出参数模型构建2.1水分(Water)
数据库I、III、IV以BMI指数(Body Mass Index，身体质量指数，体重公斤数除以身高米数的平方)分为4个范围，以Height、Weight、Age、IMP、BMI作为输入参数，构建Water模型。具体见表3：
表3
| BMI | 数据库I | 数据库III | 数据库IV |
| a | <17.673 | <19 | <18.5 |
| b | [17.673,24) | [19,23.011) | [18.5,24) |
| c | [24,28) | [23.011,29) | [24,40) |
| d | ≥28 | ≥29 | ≥40 |
数据库II以BMI指数分为5个范围，以Height、Weight、Age、IMP、BMI作为输入参数，构建Water模型。具体见表4：
表4
| BMI | 数据库II |
| a | <16.857 |
| b | [16.857,18.5) |
| c | [18.5,24) |
| d | [24,28) |
| e | ≥28 |
2.2卡路里(DCI)
数据库I、II以BMI指数分为5个范围，以Height、Weight、Age、IMP、BMI作为输入参数，构建DCI模型。具体见表5：
表5
| BMI | 数据库I | 数据库II |
| a | <17.673 | <16.857 |
| b | [17.673,24) | [16.857,24) |
| c | [24,30) | [24,26.94) |
| d | [30,36) | [26.94,36) |
| e | ≥36 | ≥36 |
数据库III、IV以BMI指数分为4个范围，以Height、Weight、Age、IMP、BMI作为输入参数，构建DCI模型。具体见表6：
表6
| BMI | 数据库III | 数据库IV |
| a | <19 | <18.5 |
| b | [19,23.011) | [18.5,24) |
| c | [23.011,29) | [24,40) |
| d | ≥29 | ≥40 |
2.3肌肉(Muscle)
数据库I以BMI指数分为5个范围，以Water、Height、Weight、Age、IMP、BMI作为输入参数，构建Muscle模型。具体见表7：
表7
| BMI | 数据库I |
| a | <17.673 |
| b | [17.673，24) |
| c | [24，30) |
| d | [30，36) |
| e | >36 |
数据库II、III、IV以BMI指数分为4个范围，以Water、Height、Weight、Age、IMP、BMI构建Muscle模型。具体见表8：
表8
| BMI | 数据库II | 数据库III | 数据库IV |
| a | <13.517 | <19 | <18.5 |
| b | [13.517，24) | [19，23.011) | [18.5，24) |
| c | [24，36) | [23.011，29) | [24，40) |
| d | >36 | >29 | >40 |
2.4骨骼(Bones)
数据库I、III以BMI指数分为4个范围，以Water、Height、Weight、Age、IMP、BMI构建Bones模型。具体见表9：
表9
| BMI | 数据库I | 数据库III |
| a | <17.673 | <19 |
| b | [17.673,24) | [19,23.011) |
| c | [24,28) | [23.011,29) |
| d | ≥28 | ≥29 |
数据库II、IV以Water、Height、Weight、Age、IMP、BMI构建Bones模型。
2.5体脂(Fat)
数据库I、II、III、IV以BMI指数分为4个范围，以Water、Height、Weight、Age、IMP、BMI构建Fat模型。具体见表10：
表10
| BMI | 数据库I | 数据库II | 数据库III | 数据库IV |
| a | <17.673 | <16.857 | <19 | <18.5 |
| b | [17.673,24) | [16.857,24) | [19,23.011) | [18.5,24) |
| c | [24,28) | [24,28) | [23.011,29) | [24,40) |
| d | ≥28 | ≥28 | ≥29 | ≥40 |
2.6内脏脂肪等级(VFR)
数据库I、II、III、IV以Water、Bones、Muscle、Fat、Height、Weight、Age、IMP、BMI构建VFR模型。
2.7测量结果属性
以数据库I进行测量结果属性模型构建，通过数据库II、III、IV进行训练模型测试。
通过上述方法，对4类人群，构建的应用于人体成分秤的人体成分算法模型，具体模型如下：
1.水分(Water)
1.1数据库I_非运动员男
1.2数据库II_非运动员女
1.3数据库III_运动员男
1.4数据库IV_运动员女
2.卡路里(DCI)
2.1数据库I_非运动员男
2.2数据库II_非运动员女
2.3数据库III_运动员男
2.4数据库IV_运动员女
3.肌肉(Muscle)
3.1数据库I_非运动员男
3.2数据库II_非运动员女
3.3数据库III_运动员男
3.4数据库IV_运动员女
4.骨骼(Bones)
4.1数据库I_非运动员男
4.2数据库II_非运动员女
| 模型 |
| y＝0.853+0.007*Ht+(-0.004)*Age+0.009*Wt+(-0.001)*IMP+0.002*Water+0.003*BMI |
4.3数据库III_运动员男
4.4数据库IV_运动员女
| 模型 |
| y＝0.161+0.01*Ht+(-0.003)*Age+0.005*Wt+(-0.001)*IMP+0.004*Water+0.012*BMI |
5.体脂(Fat)
5.1数据库I_非运动员男
5.2数据库II_非运动员女
5.3数据库III_运动员男
5.4数据库IV_运动员女
6.内脏脂肪等级(VFR)
6.1数据库I_非运动员男
| 模型 |
| y＝-44.396+0.149*Ht+0.141*Age+0.057*Wt+0.002*IMP+0.13*Water+(-0.1)*Muscle+(-3.995)*Bones+0.128*Fat+0.866*BMI |
6.2数据库II_非运动员女
| 模型 |
| y＝-36.286+0.088*Ht+0.117*Age+0.034*Wt+0.006*IMP+0.146*Water+(-0.121)*Muscle+(-0.639)*Bones+0.014*Fat+0.631*BMI |
6.3数据库III_运动员男
6.4数据库IV_运动员女
| 模型 |
| y＝-41.031+0.123*Ht+0.114*Age+0.039*Wt+0.006*IMP+0.161*Water+(-0.177)*Muscle+(-0.494)*Bones+0.013*Fat+0.655*BMI |
7.测量结果属性
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种应用于人体成分秤的人体成分算法模型构建方法，其特征在于，包括：
一、将采集到的人群数据建立人群数据库，并划分为训练库和测试库；
二、运用多元线性回归分析及分类判别方法，使用训练库和测试库的数据，对不同人体成分输出参数建立不同输入参数组合的算法模型；
三、采集新的人群数据作为验证库，验证建立的算法模型。
2.根据权利要求1所述的一种应用于人体成分秤的人体成分算法模型构建方法，其特征在于，步骤一中，将采集到的人群数据按照非运动员男、非运动员女、运动员男、运动员女的标准划分为4类人群数据库。
3.根据权利要求2所述的一种应用于人体成分秤的人体成分算法模型构建方法，其特征在于，步骤二所述输入参数包括身高、体重、年龄、人体阻抗、身体质量指数；步骤二所述人体成分输出参数包括水分、卡路里、肌肉、骨骼、体脂、内脏脂肪等级、测量结果属性。
4.根据权利要求3所述的一种应用于人体成分秤的人体成分算法模型构建方法，其特征在于，所述输出参数中，水分、卡路里、肌肉、体脂、骨骼、内脏脂肪等级采用线性回归方式进行模型构建，测量结果属性采用分析判别方法进行模型构建。
5.根据权利要求3所述的一种应用于人体成分秤的人体成分算法模型构建方法，其特征在于，步骤一中，以与人体总水量相关性最低的年龄参数进行数据划分，将人群数据库划分为训练库和测试库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711341403.2A CN107845428A (zh) | 2017-12-14 | 2017-12-14 | 应用于人体成分秤的人体成分算法模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711341403.2A CN107845428A (zh) | 2017-12-14 | 2017-12-14 | 应用于人体成分秤的人体成分算法模型构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107845428A true CN107845428A (zh) | 2018-03-27 |
Family
ID=61663863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711341403.2A Pending CN107845428A (zh) | 2017-12-14 | 2017-12-14 | 应用于人体成分秤的人体成分算法模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107845428A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023124911A1 (zh) * | 2021-12-27 | 2023-07-06 | 轻动科技(深圳)有限公司 | 一种人体体成分和内脏脂肪含量预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101002676A (zh) * | 2007-01-25 | 2007-07-25 | 联通控股有限公司 | 一种频谱测量人体电阻的人体成份分析仪及测量方法 |
| CN106295205A (zh) * | 2016-08-16 | 2017-01-04 | 王伟 | 基于bp神经网络的体脂百分比测量方法及其应用 |
| CN107041585A (zh) * | 2017-03-07 | 2017-08-15 | 上海优裁信息技术有限公司 | 人体尺寸的测量方法 |
| CN107153764A (zh) * | 2017-05-08 | 2017-09-12 | 杭州变啦网络科技有限公司 | 一种智能人体成分秤的数据修正方法 |
-
2017
- 2017-12-14 CN CN201711341403.2A patent/CN107845428A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101002676A (zh) * | 2007-01-25 | 2007-07-25 | 联通控股有限公司 | 一种频谱测量人体电阻的人体成份分析仪及测量方法 |
| CN106295205A (zh) * | 2016-08-16 | 2017-01-04 | 王伟 | 基于bp神经网络的体脂百分比测量方法及其应用 |
| CN107041585A (zh) * | 2017-03-07 | 2017-08-15 | 上海优裁信息技术有限公司 | 人体尺寸的测量方法 |
| CN107153764A (zh) * | 2017-05-08 | 2017-09-12 | 杭州变啦网络科技有限公司 | 一种智能人体成分秤的数据修正方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023124911A1 (zh) * | 2021-12-27 | 2023-07-06 | 轻动科技(深圳)有限公司 | 一种人体体成分和内脏脂肪含量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Martín-Rodríguez et al. | Reliability and measurement error of tensiomyography to assess mechanical muscle function: A systematic review | |
| Störchle et al. | Standardized ultrasound measurement of subcutaneous fat patterning: high reliability and accuracy in groups ranging from lean to obese | |
| Bartolomei et al. | A comparison between male and female athletes in relative strength and power performances | |
| Coltman et al. | Breast volume is affected by body mass index but not age | |
| TWI393579B (zh) | The state of the muscle movement state analysis system, methods and computer program products | |
| Duquet et al. | Somatotyping | |
| Ackland et al. | Current status of body composition assessment in sport: review and position statement on behalf of the ad hoc research working group on body composition health and performance, under the auspices of the IOC Medical Commission | |
| Ong et al. | Reliability and validity of the Edinburgh Visual Gait Score for cerebral palsy when used by inexperienced observers | |
| US11602304B2 (en) | System and method for determining a subject's muscle fuel level, muscle fuel rating, and muscle energy status | |
| CN106295205A (zh) | 基于bp神经网络的体脂百分比测量方法及其应用 | |
| CN111887847A (zh) | 基于人体成分仪的内脏脂肪测量方法、装置、计算机设备和存储介质 | |
| Adigozali et al. | Ultrasonography for the assessment of the upper trapezius properties in healthy females: a reliability study | |
| Thompson et al. | Changes in body fat, estimated from skinfold measurements of college basketball and hockey players during a season | |
| Ribeiro et al. | A‐mode ultrasound reliability in fat and muscle thickness measurement | |
| Lemos et al. | Analysis of the body composition of Paralympic athletes: Comparison of two methods | |
| US20180049695A1 (en) | Body Fat Index | |
| Listiandi et al. | Healthy fitness zone: identification of body fat percentage, body mass index and aerobic capacity for students | |
| Elsey et al. | Comparison of the three-site and seven-site measurements in female collegiate athletes using BodyMetrix™ | |
| Hindle et al. | A systematic review of the biomechanical research methods used in strongman studies | |
| CN107845428A (zh) | 应用于人体成分秤的人体成分算法模型构建方法 | |
| Ko et al. | The Construction of Sports Talent Identification Models. | |
| Heymsfield et al. | The making of a classic: the 1974 Durnin–Womersley body composition paper | |
| Ezeukwu et al. | Comparison of body fat percentages in Nigerian obese females using field methods | |
| Mišigoj-Duraković et al. | Morphological and functional characteristics of the student population at the University of Zagreb | |
| Moreno et al. | Skeletal muscle mass in competitive physique‐based athletes (bodybuilding, 212 bodybuilding, bikini, and physique divisions): A case series |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180327 |
|
| RJ01 | Rejection of invention patent application after publication |