CN112884225A - 体测成绩预测方法、装置、电子设备和存储介质 - Google Patents
体测成绩预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112884225A CN112884225A CN202110199435.3A CN202110199435A CN112884225A CN 112884225 A CN112884225 A CN 112884225A CN 202110199435 A CN202110199435 A CN 202110199435A CN 112884225 A CN112884225 A CN 112884225A
- Authority
- CN
- China
- Prior art keywords
- sample
- body test
- test result
- prediction
- result
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 43
- 210000004072 lung Anatomy 0.000 claims abstract description 10
- 238000000053 physical method Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 71
- 230000006870 function Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000001727 in vivo Methods 0.000 claims description 3
- 230000036314 physical performance Effects 0.000 claims 2
- 230000036541 health Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000037396 body weight Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000013125 spirometry Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种体测成绩预测方法、装置、电子设备和存储介质,其中方法包括:确定待预测对象的性别、身高、体重、肺活量和50米短跑成绩;将所述性别、身高、体重、肺活量和50米短跑成绩输入至体测成绩预测模型中,得到所述体测成绩预测模型输出的所述待预测对象的体测成绩;其中,所述体测成绩预测模型是基于样本预测对象的样本性别、样本身高、样本体重、样本肺活量和样本50米短跑成绩,以及所述样本预测对象的样本体测成绩训练得到的。本发明实现了体测成绩的自动预测,提供了高效的体育测试长跑成绩预测方法,且使用方式简便,减少了人工参与,预测结果更准确。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种体测成绩预测方法、装置、电子设备和存储介质。
背景技术
近年来,大学生身体机能水平增幅不明显,肺活量、肺活量和体重指数在学生中都出现了明显负增长的态势。如果平时疏于锻炼,突然过量运动会造成严重的心肺功能损伤,甚至伤及生命。因此根据大学生各项身体指标准确的预测大学生体测长跑800/1000米成绩,能够为大学生提供明确的锻炼目标,指导学生增强体质健康。市面上的健康评测方法和软件众多,能够简便、快捷的评估用户健康与运动情况。
然而,由于学校体育测试成绩与检测项目息息相关,因此目前的体测成绩预测方法存在以下缺陷:体质健康检测的指标繁多,利用每项指标之间的相关性预测体测成绩过程繁琐,并且人工计算并预测体测成绩,需要一定的经验和计算方法,增加了人员负担,且主观性明显,预测准确性不足。
发明内容
本发明提供一种体测成绩预测方法、装置、电子设备和存储介质,用以解决现有技术中成绩预测过程繁琐,且准确性欠佳的缺陷。
本发明提供一种体测成绩预测方法,包括:
确定待预测对象的性别、身高、体重、肺活量和50米短跑成绩;
将所述性别、身高、体重、肺活量和50米短跑成绩输入至体测成绩预测模型中,得到所述体测成绩预测模型输出的所述待预测对象的体测成绩;
其中,所述体测成绩预测模型是基于样本预测对象的样本性别、样本身高、样本体重、样本肺活量和样本50米短跑成绩,以及所述样本预测对象的样本体测成绩训练得到的。
根据本发明提供的一种体测成绩预测方法,所述体测成绩预测模型为一个输入层、一个隐含层和一个输出层构成的三层BP神经网络。
根据本发明提供的一种体测成绩预测方法,所述隐含层的神经元节点个数是基于如下公式确定的:
其中,h为所述隐含层的神经元节点个数,m为所述输入层的神经元节点个数,n为所述输出层的神经元节点个数,a为[1,10]之间的常数;
调整a的数值,基于所述体测成绩预测模型的预测性能,确定所述隐含层的神经元节点个数。
根据本发明提供的一种体测成绩预测方法,所述隐含层的神经元节点的输入为:
其中,j=1,2,…,n,k=5,wij为所述输入层至所述隐含层的连接权重,xi为所述输入层的神经元节点的输出,θj为所述隐含层的神经元节点的阈值,n为隐含层的神经元节点个数。
根据本发明提供的一种体测成绩预测方法,所述隐含层的激活函数为双曲正切Sigmoid函数;
所述隐含层的输出bj为:
根据本发明提供的一种体测成绩预测方法,所述输出层的输入Lt为:
所述输出层的输出Yt为:
其中,vjt为所述隐含层到所述输出层的连接权重,γt为所述输出层的神经元节点的阈值。
根据本发明提供的一种体测成绩预测方法,所述体测成绩预测模型的验证方法包括如下步骤:
采集样本预测对象的样本数据;所述样本数据包括所述样本预测对象的样本性别、样本身高、样本体重、样本肺活量、样本50米短跑成绩和样本体测成绩;
将所述样本数据划分为多个子集数据;
将每个子集数据轮流作为验证集,其余子集数据作为训练集,基于所述训练集对初始模型进行训练,得到多个已训练模型;
基于各个已训练模型的均方误差,确定体测成绩预测模型的交叉验证误差。
本发明还提供一种体测成绩预测装置,包括:
输入数据确定单元,用于确定待预测对象的性别、身高、体重、肺活量和50米短跑成绩;
体测成绩预测单元,用于将所述性别、身高、体重、肺活量和50米短跑成绩输入至体测成绩预测模型中,得到所述体测成绩预测模型输出的所述待预测对象的体测成绩;
其中,所述体测成绩预测模型是基于样本预测对象的样本性别、样本身高、样本体重、样本肺活量和样本50米短跑成绩,以及所述样本预测对象的样本体测成绩训练得到的。
本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述体测成绩预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述体测成绩预测方法的步骤。
本发明提供的体测成绩预测方法、装置、电子设备和存储介质,通过获取待预测对象的性别、身高、体重、肺活量和50米短跑成绩,并将其输入至体测成绩预测模型中,得到体测成绩预测模型输出的待预测对象的体测成绩,实现了体测成绩的自动预测,提供了高效的体育测试长跑成绩预测方法,且使用方式简便,减少了人工参与,预测结果更准确。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的体测成绩预测方法的流程示意图;
图2为本发明提供的体测成绩预测模型训练方法的流程示意图;
图3为本发明提供的体测成绩预测模型的训练效果示意图;
图4为本发明提供的预测结果与实际结果对照和训练误差率示意图;
图5为本发明提供的体测成绩预测装置的结构示意图;
图6为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的体测成绩预测方法的流程示意图,如图1所示,该方法包括:
步骤110,确定待预测对象的性别、身高、体重、肺活量和50米短跑成绩;
步骤120,将性别、身高、体重、肺活量和50米短跑成绩输入至体测成绩预测模型中,得到体测成绩预测模型输出的待预测对象的体测成绩;
其中,体测成绩预测模型是基于样本预测对象的样本性别、样本身高、样本体重、样本肺活量和样本50米短跑成绩,以及样本预测对象的样本体测成绩训练得到的。
具体地,大学生800/1000米的体测成绩通常与学生的性别和身体素质相关,而学生的身体素质可以从该学生的其他测试项目的测试结果推断得到。根据现有的中长跑成绩达标因素报告中得到的结论可知,学生的身体质量指数(Body Mass Index,BMI)、肺活量、50米短跑成绩、立定跳远成绩(男性)、一分钟仰卧起坐成绩(女性)会影响学生的中长跑成绩。其中BMI为体重与身高平方的比值,肺活量是影响长跑成绩最重要的因素之一。因此,可以根据待预测对象的上述数据进行大学生体育测试的乘积预测。此处,为了提高体测成绩预测模型的泛化能力,本发明实施例利用不同性别在体测乘积影响因素的共同之处,选取待预测对象的性别、身高、体重、肺活量和50米短跑成绩,作为体测成绩预测的依据。
将待预测对象的性别、身高、体重、肺活量和50米短跑成绩输入至体测成绩预测模型中进行体测成绩自动预测。训练好的体测成绩预测模型可以挖掘出学生的体测成绩与其性别、身高、体重、肺活量和50米短跑成绩之间隐含的关联性,从而根据该关联性,推导出待预测对象的体测成绩。本发明实施例利用体测成绩预测模型自动预测待预测对象的体测成绩,提供了高效的体育测试长跑成绩预测方法,可以为学生增强体质提供科学的指导。另外,运用该方法进行体测成绩预测,仅需收集待预测对象的性别、身高、体重、肺活量和50米短跑成绩等数据,使用方式简便,减少了人工参与,预测结果更准确。
在执行步骤120之前,还可以预先训练得到体测成绩预测模型,具体可以通过如下方式训练得到体测成绩预测模型:首先,收集大量样本对象的样本性别、样本身高、样本体重、样本肺活量和样本50米短跑成绩,并确定样本对象的样本体测成绩。随即,基于样本对象的样本性别、样本身高、样本体重、样本肺活量和样本50米短跑成绩,以及样本对象的样本体测成绩训练初始模型,从而得到体测成绩预测模型。
本发明实施例提供的方法,通过获取待预测对象的性别、身高、体重、肺活量和50米短跑成绩,并将其输入至体测成绩预测模型中,得到体测成绩预测模型输出的待预测对象的体测成绩,实现了体测成绩的自动预测,提供了高效的体育测试长跑成绩预测方法,且使用方式简便,减少了人工参与,预测结果更准确。
基于上述实施例,体测成绩预测模型为一个输入层、一个隐含层和一个输出层构成的三层BP神经网络。
具体地,本发明实施例中体测成绩预测模型为一个三层BP神经网络,即该模型包括一个输入层、一个隐含层和一个输出层。其中,由于建立体测成绩预测模型时,选择性别、身高、体重、肺活量和50米短跑成绩作为模型的输入,因此可以确定输入层的变量为5个,则输入层的神经元节点个数为5个。为了便于说明,可以将输入层的变量表示为:Xk=(x1,x2,x3,x4,x5)。其中,x1表示性别,x2表示身高,x3表示体重,x4表示肺活量,x5表示50米成绩。体测成绩预测模型的输出层变量为1个,即待预测对象的800/1000米成绩,则输出层的神经元节点个数可以设置为1个。
基于上述任一实施例,隐含层的神经元节点个数是基于如下公式确定的:
其中,h为隐含层的神经元节点个数,m为输入层的神经元节点个数,n为输出层的神经元节点个数,a为[1,10]之间的常数;
调整a的数值,基于体测成绩预测模型的预测性能,确定隐含层的神经元节点个数。
具体地,隐含层的神经元节点个数的多少会直接影响整个模型的性能,因此可以根据经验公式:来确定隐含层的神经元节点个数。其中,h为隐含层的神经元节点个数,m为输入层的神经元节点个数,n为输出层的神经元节点个数,a为[1,10]之间的常数。
由于a可以取[1,10]之间的任意一个常数,因此通过上式计算得到的隐含层神经元节点个数可以在区间[3,12]内。为了确定最合适的隐含层神经元节点个数,可以通过调整a的数值进行逐步试验,基于体测成绩预测模型的预测性能,确定隐含层的神经元节点个数。即,可以先将隐含层神经元节点个数设置为初始值3,然后在这个初始值的基础上逐渐增加直至增加到最大值12,通过对比分析隐含层神经元节点个数的每个取值对应的网络预测性能,选择最好的预测性能对应的神经元节点个数作为隐含层的神经元节点个数,例如可以为6个。
基于上述任一实施例,隐含层的神经元节点的输入为:
其中,j=1,2,…,n,k=5,wij为输入层至隐含层的连接权重,xi为输入层的神经元节点的输出,θj为隐含层的神经元节点的阈值,n为隐含层的神经元节点个数。
具体地,在体测成绩预测模型中,输入层的变量不会直接输入到隐含层的各个神经元节点中,而是需要分别进行数据变换后,再输入到隐含层的各个神经元节点。在本发明实施例中,隐含层的神经元节点的输入可以为:
其中,j=1,2,…,n,k=5,netj为隐含层第j个神经元节点的输入,wij为输入层的第i个神经元节点至隐含层第j个神经元节点的连接权重,xi为输入层第i个神经元节点的输出,θj为隐含层第j个神经元节点的阈值,n为隐含层的神经元节点个数。
基于上述任一实施例,隐含层的激活函数为双曲正切Sigmoid函数;
隐含层的输出bj为:
因此,隐含层的输出可以根据下式计算得到:
其中,j=1,2,…,n,k=5,netj为隐含层第j个神经元节点的输入,wij为输入层的第i个神经元节点至隐含层第j个神经元节点的连接权重,xi为输入层第i个神经元节点的输出,θj为隐含层第j个神经元节点的阈值,n为隐含层的神经元节点个数。
基于上述任一实施例,输出层的输入Lt为:
输出层的输出Yt为:
其中,vjt为隐含层到输出层的连接权重,γt为输出层的神经元节点的阈值。
具体地,输出层包括输入部分和输出部分,其中输入部分用于接收来自上一层网络(即隐含层)各神经元节点的输出并进行加权求和运算,输出部分用于在隐含层神经元节点的输入部分的运算结果大于阈值时,进行结果输出。即,输出层的输入Lt为:
输出层的输出Yt为:
其中,vjt为隐含层第j个神经元节点到输出层第t个(t=1)神经元节点的连接权重,γt为输出层第t个神经元节点的阈值。
基于上述任一实施例,体测成绩预测模型的验证方法包括如下步骤:
采集样本预测对象的样本数据;样本数据包括样本预测对象的样本性别、样本身高、样本体重、样本肺活量、样本50米短跑成绩和样本体测成绩;
将样本数据划分为多个子集数据;
将每个子集数据轮流作为验证集,其余子集数据作为训练集,基于训练集对初始模型进行训练,得到多个已训练模型;
基于各个已训练模型的均方误差,确定体测成绩预测模型的交叉验证误差。
具体地,可以首先获取大学生体质健康测试数据,从中选取样本预测对象的样本数据。其中,样本数据包括样本预测对象的样本性别、样本身高、样本体重、样本肺活量、样本50米短跑成绩和样本体测成绩。
将所有样本数据进行划分,例如可以将样本数据随机平均分为多份,每份样本数据各自组成一个子集数据。随后,可以利用K-Fold交叉验证方法进行交叉验证。即,训练过程中,可以将每个子集数据轮流作为验证集,其余子集数据作为训练集,然后基于训练集对初始模型进行训练,得到多个已训练模型。例如,若将样本数据划分为K个子集数据,则可以训练得到K个已训练模型。对于各个已训练模型,可以基于其对应的验证集,计算其对应的均方误差(Mean Squared Error,MSE),然后基于各个已训练模型的均方误差,确定体测成绩预测模型的交叉验证误差。例如,可以对各个已训练模型的均方误差求平均,得到最后的交叉验证误差。以6次实验为例,每次实验的交叉验证误差如表1所示:
表1
基于上述任一实施例,图2为本发明实施例提供的体测成绩预测模型训练方法的流程示意图,如图2所示,该方法包括:
首先进行系统建模,确定体测成绩预测模型的输入为性别、身高、体重、肺活量和50米短跑成绩,输出为学生的800/1000米成绩;
然后,构建BP神经网络,作为体测成绩预测模型。其中,BP神经网络包含一个输入层、一个隐含层和一个输出层,并确定各层神经元节点的个数以及隐含层的激活函数;
在BP神经网络初始化后,进行BP神经网络训练。其中,预先对大学生体质健康测试数据预处理,将数据集划分为训练集、验证集和测试集。例如,可以采集60组大学生身体健康测试数据,包括性别、身高、体重、肺活量、50米成绩和800/1000米成绩,随机且平均分成6份,将第一份数据作为测试集,其余五份数据中一份作为验证集,另四份作为训练集。然后,使用训练集数据训练网络,用验证集数据计算网络误差,判断网络的拟合程度。训练过程中,将误差在网络中反向传播对网络节点的权重值进行调整。此处,训练参数如表2所示:
表2
当误差大于设定值时重复训练步骤,直至误差小于设定值,即训练结束,训练效果如图3所示。
最后,可以测试数据,利用测试集数据检验体测成绩预测模型最终的预测情况,预测结果与实际结果对照和训练误差率如图4所示。
下面对本发明提供的体测成绩预测装置进行描述,下文描述的体测成绩预测装置与上文描述的体测成绩预测方法可相互对应参照。
图5为本发明实施例提供的体测成绩预测装置的结构示意图,如图5所示,该装置包括:输入数据确定单元510和体测成绩预测单元520。
其中,输入数据确定单元510用于确定待预测对象的性别、身高、体重、肺活量和50米短跑成绩;
体测成绩预测单元520用于将性别、身高、体重、肺活量和50米短跑成绩输入至体测成绩预测模型中,得到体测成绩预测模型输出的待预测对象的体测成绩;
其中,体测成绩预测模型是基于样本预测对象的样本性别、样本身高、样本体重、样本肺活量和样本50米短跑成绩,以及样本预测对象的样本体测成绩训练得到的。
本发明实施例提供的装置,通过获取待预测对象的性别、身高、体重、肺活量和50米短跑成绩,并将其输入至体测成绩预测模型中,得到体测成绩预测模型输出的待预测对象的体测成绩,实现了体测成绩的自动预测,提供了高效的体育测试长跑成绩预测方法,且使用方式简便,减少了人工参与,预测结果更准确。
基于上述任一实施例,体测成绩预测模型为一个输入层、一个隐含层和一个输出层构成的三层BP神经网络。
基于上述任一实施例,隐含层的神经元节点个数是基于如下公式确定的:
其中,h为隐含层的神经元节点个数,m为输入层的神经元节点个数,n为输出层的神经元节点个数,a为[1,10]之间的常数;
调整a的数值,基于体测成绩预测模型的预测性能,确定隐含层的神经元节点个数。
基于上述任一实施例,隐含层的神经元节点的输入为:
其中,j=1,2,…,n,k=5,wij为输入层至隐含层的连接权重,xi为输入层的神经元节点的输出,θj为隐含层的神经元节点的阈值,n为隐含层的神经元节点个数。
基于上述任一实施例,隐含层的激活函数为双曲正切Sigmoid函数;
隐含层的输出bj为:
基于上述任一实施例,输出层的输入Lt为:
输出层的输出Yt为:
其中,vjt为隐含层到输出层的连接权重,γt为输出层的神经元节点的阈值。
基于上述任一实施例,体测成绩预测模型的验证方法包括如下步骤:
采集样本预测对象的样本数据;样本数据包括样本预测对象的样本性别、样本身高、样本体重、样本肺活量、样本50米短跑成绩和样本体测成绩;
将样本数据划分为多个子集数据;
将每个子集数据轮流作为验证集,其余子集数据作为训练集,基于训练集对初始模型进行训练,得到多个已训练模型;
基于各个已训练模型的均方误差,确定体测成绩预测模型的交叉验证误差。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行体测成绩预测方法,该方法包括:确定待预测对象的性别、身高、体重、肺活量和50米短跑成绩;将所述性别、身高、体重、肺活量和50米短跑成绩输入至体测成绩预测模型中,得到所述体测成绩预测模型输出的所述待预测对象的体测成绩;其中,所述体测成绩预测模型是基于样本预测对象的样本性别、样本身高、样本体重、样本肺活量和样本50米短跑成绩,以及所述样本预测对象的样本体测成绩训练得到的。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的体测成绩预测方法,该方法包括:确定待预测对象的性别、身高、体重、肺活量和50米短跑成绩;将所述性别、身高、体重、肺活量和50米短跑成绩输入至体测成绩预测模型中,得到所述体测成绩预测模型输出的所述待预测对象的体测成绩;其中,所述体测成绩预测模型是基于样本预测对象的样本性别、样本身高、样本体重、样本肺活量和样本50米短跑成绩,以及所述样本预测对象的样本体测成绩训练得到的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的体测成绩预测方法,该方法包括:确定待预测对象的性别、身高、体重、肺活量和50米短跑成绩;将所述性别、身高、体重、肺活量和50米短跑成绩输入至体测成绩预测模型中,得到所述体测成绩预测模型输出的所述待预测对象的体测成绩;其中,所述体测成绩预测模型是基于样本预测对象的样本性别、样本身高、样本体重、样本肺活量和样本50米短跑成绩,以及所述样本预测对象的样本体测成绩训练得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种体测成绩预测方法,其特征在于,包括:
确定待预测对象的性别、身高、体重、肺活量和50米短跑成绩;
将所述性别、身高、体重、肺活量和50米短跑成绩输入至体测成绩预测模型中,得到所述体测成绩预测模型输出的所述待预测对象的体测成绩;
其中,所述体测成绩预测模型是基于样本预测对象的样本性别、样本身高、样本体重、样本肺活量和样本50米短跑成绩,以及所述样本预测对象的样本体测成绩训练得到的。
2.根据权利要求1所述的体测成绩预测方法,其特征在于,所述体测成绩预测模型为一个输入层、一个隐含层和一个输出层构成的三层BP神经网络。
7.根据权利要求1至6任一项所述的体测成绩预测方法,其特征在于,所述体测成绩预测模型的验证方法包括如下步骤:
采集样本预测对象的样本数据;所述样本数据包括所述样本预测对象的样本性别、样本身高、样本体重、样本肺活量、样本50米短跑成绩和样本体测成绩;
将所述样本数据划分为多个子集数据;
将每个子集数据轮流作为验证集,其余子集数据作为训练集,基于所述训练集对初始模型进行训练,得到多个已训练模型;
基于各个已训练模型的均方误差,确定体测成绩预测模型的交叉验证误差。
8.一种体测成绩预测装置,其特征在于,包括:
输入数据确定单元,用于确定待预测对象的性别、身高、体重、肺活量和50米短跑成绩;
体测成绩预测单元,用于将所述性别、身高、体重、肺活量和50米短跑成绩输入至体测成绩预测模型中,得到所述体测成绩预测模型输出的所述待预测对象的体测成绩;
其中,所述体测成绩预测模型是基于样本预测对象的样本性别、样本身高、样本体重、样本肺活量和样本50米短跑成绩,以及所述样本预测对象的样本体测成绩训练得到的。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述体测成绩预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述体测成绩预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110199435.3A CN112884225A (zh) | 2021-02-22 | 2021-02-22 | 体测成绩预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110199435.3A CN112884225A (zh) | 2021-02-22 | 2021-02-22 | 体测成绩预测方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112884225A true CN112884225A (zh) | 2021-06-01 |
Family
ID=76053769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110199435.3A Pending CN112884225A (zh) | 2021-02-22 | 2021-02-22 | 体测成绩预测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884225A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116350203A (zh) * | 2023-06-01 | 2023-06-30 | 广州华夏汇海科技有限公司 | 一种体质测试数据处理方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109903832A (zh) * | 2019-02-21 | 2019-06-18 | 安徽工程大学 | 一种体质测试数据采集与检测系统及方法 |
US20200203017A1 (en) * | 2017-06-09 | 2020-06-25 | Alerte Digital Sport Pty Ltd | Systems and methods of prediction of injury risk with a training regime |
-
2021
- 2021-02-22 CN CN202110199435.3A patent/CN112884225A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200203017A1 (en) * | 2017-06-09 | 2020-06-25 | Alerte Digital Sport Pty Ltd | Systems and methods of prediction of injury risk with a training regime |
CN109903832A (zh) * | 2019-02-21 | 2019-06-18 | 安徽工程大学 | 一种体质测试数据采集与检测系统及方法 |
Non-Patent Citations (7)
Title |
---|
余敬等著: "《重要矿产资源可持续供给评价与战略研究》", 31 March 2015, 经济日报出版社, pages: 186 * |
刘宏等: "云南省大学生体质健康与短跑的关系", 《中国学校卫生》, vol. 34, no. 8, pages 955 - 957 * |
湖北省土地学会编: "《建设社会主义新农村土地问题研究》", 31 December 2006, 湖北长江出版集团 湖北科学技术出版社, pages: 408 * |
王锦瑞: "基于BP神经网络的大学生耐力跑能力的预测模型", 《西安文理学院学报:自然科学版》, vol. 16, no. 3, pages 58 - 61 * |
董新亚: "影响我校女生800米跑成绩因素的灰色关联分析", 《山西农业大学学报》, vol. 19, no. 3, pages 286 * |
陈多宏等编著: "《多功能高精度区域空气质量预报系统研发及示范应用》", 31 August 2018, 中山大学出版社, pages: 50 * |
陈方红等: "中长跑运动员的主要选材方法与特点", 《中国科技信息》, no. 5, pages 153 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116350203A (zh) * | 2023-06-01 | 2023-06-30 | 广州华夏汇海科技有限公司 | 一种体质测试数据处理方法及系统 |
CN116350203B (zh) * | 2023-06-01 | 2023-08-18 | 广州华夏汇海科技有限公司 | 一种体质测试数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Hesitant analytic hierarchy process | |
Milosavljevic et al. | The drift diffusion model can account for the accuracy and reaction time of value-based choices under high and low time pressure | |
JP2020509498A5 (zh) | ||
CN111640483B (zh) | 基于akc模型的健身方案推荐方法 | |
US11587665B2 (en) | Methods, systems, and non-transitory computer readable media for estimating maximum heart rate and maximal oxygen uptake from submaximal exercise intensities | |
CN107610009B (zh) | 一种基于神经网络的三位一体招生录取概率预测方法 | |
US20160345841A1 (en) | Method and apparatus for estimating physiological index of user at maximal exercise level based on rating of perceived exertion | |
CN108108814A (zh) | 一种深度神经网络的训练方法 | |
CN101835421B (zh) | 特征量候选生成装置和特征量候选生成方法 | |
CN110477920A (zh) | 基于跑步机坡度和速度的次极量心肺耐力测试方法和装置 | |
CN106999104A (zh) | 心肺健康评估 | |
JP7266548B2 (ja) | 訓練性ストレス情報を用いて体調を推定する装置、プログラム及び方法 | |
CN112884225A (zh) | 体测成绩预测方法、装置、电子设备和存储介质 | |
CN111418024A (zh) | 康复状况评估与管理系统及相关方法 | |
Jukic et al. | Velocity loss is a flawed method for monitoring and prescribing resistance training volume with a free-weight back squat exercise | |
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 | |
CN112786185B (zh) | 血压健康状态获取方法、装置和系统 | |
CN114642424A (zh) | 一种基于体感交互技术的体能评估方法和装置 | |
CN113674116A (zh) | 基于模糊云认知诊断模型的学生分数预测方法及装置 | |
CN106388766A (zh) | 利用心率回复率量测体能状态的方法与装置 | |
CN112067577A (zh) | 基于支持向量机的奶油色素超标鉴别方法、装置及设备 | |
Przednowek et al. | Estimation of VO 2 max based on 20 m shuttle run test using statistical learning methods: An example of male physical education students | |
Kawakami et al. | Statistical Investigation on Relation between Feeling Impression and Feature Parameters of Sound Signal | |
Brown et al. | Detecting repetitions and time features in resistance training using triaxial accelerometry | |
Gao et al. | PI-VEGAN: Physics Informed Variational Embedding Generative Adversarial Networks for Stochastic Differential Equations |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Xiao Min Inventor after: Wang Yingfei Inventor after: Jiang Tingyao Inventor after: Li Zeyu Inventor before: Xiao Min Inventor before: Wang Yingfei Inventor before: Jiang Tingyao Inventor before: Ji Li Inventor before: Zhou Xinyu Inventor before: Li Zeyu |