CN117198517B - 基于机器学习的运动反应性评估和预测模型的建模方法 - Google Patents
基于机器学习的运动反应性评估和预测模型的建模方法 Download PDFInfo
- Publication number
- CN117198517B CN117198517B CN202310761612.1A CN202310761612A CN117198517B CN 117198517 B CN117198517 B CN 117198517B CN 202310761612 A CN202310761612 A CN 202310761612A CN 117198517 B CN117198517 B CN 117198517B
- Authority
- CN
- China
- Prior art keywords
- node
- adopting
- user
- machine learning
- motion
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000033001 locomotion Effects 0.000 title claims abstract description 37
- 230000009257 reactivity Effects 0.000 title claims abstract description 25
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 32
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 32
- 239000001301 oxygen Substances 0.000 claims abstract description 32
- 238000013138 pruning Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000003066 decision tree Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 108090000623 proteins and genes Proteins 0.000 claims description 8
- 230000003442 weekly effect Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 4
- 230000037081 physical activity Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 238000002922 simulated annealing Methods 0.000 claims description 3
- 108700028369 Alleles Proteins 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000004043 responsiveness Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 230000005484 gravity Effects 0.000 abstract description 2
- 230000002612 cardiopulmonary effect Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000002207 metabolite Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000276 sedentary effect Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于机器学习的运动反应性评估和预测模型的建模方法，其中评估模型的建模方法为：采集用户信息并进行归一化处理；采用最佳增益生长模式/深度优先生长模式，生成根节点和子节点；采用预剪枝/后剪枝方法对子节点进行优化；输出用户是否有最大摄氧量反应；预测模型的建模方法为：收集用户信息并进行归一化处理；设置BP神经网络的层数和节点数，并对数据进行训练；采用搜索策略进行去深度和优化节点；采用交叉分类损失函数进行模型迭代；对模型节点阈值进行再次优化；输出用户最大摄氧量反应比例。本发明建立的评估、预测模型可以辅助医生能尽早发现用户运动异质性问题，实现运动干预重心前移，提高干预效果。
Description
技术领域
本发明涉及人工智能及运动健康技术领域，尤其涉及基于机器学习的运动反应性评估和预测模型的建模方法。
背景技术
研究显示，最大摄氧量VO2max是高血压和心血管疾病患病风险的重要预测因子。有氧运动被视为一种强有力的管理计划组成部分，而最大摄氧量可以被作为运动反应指标，用于评估有氧运动训练对改善心肺健康和全身健康的效果。但经过运动后，不同个体在适应程度上存在很大的差异(VO2max：-4.7％至47.8％)，甚至有部分个体存在恶化效果。运动训练后的个体反应是个性化运动医学感兴趣的主题。
预测最大摄氧量反应性有望提前识别出对有氧运动训练有顽固反应的个体。2021年，Castro等调查了年轻且久坐的男性血清和骨骼肌代谢物的变化是否与8周有氧运动后的心肺反应相关，并利用多元逐步线性回归分析代谢物的反应性权重。2022年，Bonafiglia等利用基线体质指数、运动持续时间、运动强度，并基于贝叶斯框架估计所有三种结果(最大摄氧量、腰围和体重)预期超过最小临床重要差异的健康成人参与者的比例。Shah等人试图开发一种基于血液指标的心肺健康生物标志物，并使用Lasso(最小绝对收缩和选择算子)回归技术建立了血液多代谢物评分来预测青年人最大摄氧量。
然而上述研究大多使用的是传统的统计学方法来建模，例如线性回归分析方法不能拟合非线性数据，逻辑回归分析在特征空间很大时，回归性能不是很好，且容易欠拟合，并且模型训练数据未利用到基因数据。
发明内容
基于背景技术存在的技术问题，本发明提出了基于机器学习的运动反应性评估和预测模型的建模方法，其中决策树模型可用于运动反应性的二分类评估，易于理解和解释，实现可视化分析并提取出规则；神经网络模型可用于运动反应性的预测，对于大量输入参数的模型具有很好的实用性，且预测的准确度高。
本发明提出的基于机器学习的运动反应性评估模型的建模方法，方法步骤如下：
S11：采集用户的基线特征和SNP位点信息，并进行归一化处理；
S12：采用最佳增益生长模式/深度优先生长模式，生成根节点和子节点；
S13：采用预剪枝/后剪枝方法对子节点进行优化，去掉部分子节点；
S14：输出用户是否有最大摄氧量反应。
优选地，S11中归一化处理的方法为Z-Score方法，计算方法为x＝(x-μ)/δ，x表示基线特征和SNP位点信息的数值，μ为均值，δ为标准差。
优选地，S12中最佳增益生长模式的流程为遍历所有特征，基于信息增益方法，获得增益最大的分类特征，作为根节点，采用递归方式寻找每个分支下的增益最大特征，直至无法分裂；深度优先生长模式的流程为遍历所有特征，若当前节点存在未搜索的子节点，则当前节点跳转到子节点进行分类决策；若当前节点为叶节点，则跳转到上一层节点，直到根节点不存在未搜索过的子节点为止。
优选地，S13中预剪枝的计算流程为当树到达一定深度的时候，停止树的生长，当达到当前结点的样本数量小于某个阈值的时候，停止树的生长，计算每次分裂对测试集的准确度提升，当小于某个阈值的时候，不再继续扩展；后剪枝的计算流程为先让决策树算法直接生成一颗完全生长的决策树，然后从最底层向上计算是否剪枝，剪枝时将子树删除，用一个叶子结点替代，该节点的类别同样按照多数投票的原则判断。
本发明提出的基于机器学习的运动反应性预测模型的建模方法，方法步骤如下：
S21：在运动反应性评估模型评估为有最大摄氧量反应的真阳性和假阴性的人群中，收集用户的基线特征、SNP位点信息和运动特征，并进行归一化处理；
S22：设置BP神经网络的层数和节点数，并对数据进行训练；
S23：采用搜索策略进行去深度和优化节点；
S24：初设节点阈值，采用交叉分类损失函数进行模型迭代，至交叉损失函数值最小；
S25：采用模拟退火策略对上述模型节点阈值进行再次优化；
S26：输出用户最大摄氧量反应比例。
优选地，S21中归一化的方法为Z-Score方法，计算方法为x＝(x-μ)/δ，x表示基线特征、SNP位点信息和运动特征的数值，μ为均值，δ为标准差。
优选地，S21中SNP位点信息包括rs884736、rs10921078、rs7531957、rs2003298、rs4952535、rs4973706、rs11715829、rs2030398、rs2272040、rs2053896、rs6552828、rs2176830、rs2523849、rs2523848、rs2428514、rs2517518、rs2523840、rs2517506、rs10499043、rs10452621、rs3814991、rs12538806、rs13235325、rs1535628、rs959066、rs12115454、rs2198009、rs10500872、rs353625、rs4938561、rs7933007、rs12580476、rs12896790、rs8018889、rs1956197、rs824205、rs7256163、rs6090314、rs738353、rs3791783、rs11681628、rs7570532、rs344816、rs10410448、rs432979、rs1133190、rs7260359、rs7260463、rs4884、rs10800201、rs4657537、rs978979、rs111934125、rs13696、rs1901187、rs4295、rs275652、rs10494973、rs5370、rs3757354、rs6950857、rs4994、rs1815739、rs2074238、rs3803357、rs1694658。
优选地，S23中搜索策略包括随机搜索和进化搜索，采用搜索策略进行去深度和优化节点的方法步骤如下：
S231：确定预设网络的最小和最大层数以及节点数的范围；
S232：从最小层数和最小节点数开始，对每一种可能的网络结构进行评估，逐层增加节点数，直到达到每层的最大节点数，然后逐步增加层数，直到达到最大层数；
S233：对于每个网络结构，使用评估方法来评估其性能；
S234：在搜索过程中，记录每个网络结构的性能指标，并找到具有最佳性能的网络结构；
S235：返回具有最佳性能的网络结构作为最优的BP神经网络结构。
优选地，S24中初设的每个节点阈值＝0，S22中初设的BP神经网络的层数为3，节点数为10。
优选地，S24中交叉分类损失函数为
式中：N表示训练样本的数量，M表示分类结果的个数，yic表示分类结果的真实值，Pic表示预测为该分类结果的概率。
本发明的有益技术效果：
本发明提供了一种基于机器学习的运动反应性评估、预测的建模方法，该方法在潜在位点基因的基础上，分别利用决策树框架和神经网络方法构建运动反应性评估模型和预测模型，实现运动效果的自动准确评估，为解释运动反应有无及反应程度大小提供技术支持，实现干预重心前移。
附图说明
图1为本发明提出的基于机器学习的运动反应性评估模型的建模方法的流程图；
图2为本发明提出的基于机器学习的运动反应性预测模型的建模方法的流程图。
具体实施方式
下面结合具体实施例对本发明作进一步解说。
实施例1
参照图1，本发明提出的基于机器学习的运动反应性评估模型的建模方法，方法步骤如下：
S11：采集用户的基线特征和SNP位点信息，并进行归一化处理
用户的基线特征包括年龄、性别、体重、身高、基线最大摄氧量和基线体力活动水平；
用户的SNP位点信息包括66个SNP位点基因的最小等位基因频率，66个SNP位点基因为：rs884736、rs10921078、rs7531957、rs2003298、rs4952535、rs4973706、rs11715829、rs2030398、rs2272040、rs2053896、rs6552828、rs2176830、rs2523849、rs2523848、rs2428514、rs2517518、rs2523840、rs2517506、rs10499043、rs10452621、rs3814991、rs12538806、rs13235325、rs1535628、rs959066、rs12115454、rs2198009、rs10500872、rs353625、rs4938561、rs7933007、rs12580476、rs12896790、rs8018889、rs1956197、rs824205、rs7256163、rs6090314、rs738353、rs3791783、rs11681628、rs7570532、rs344816、rs10410448、rs432979、rs1133190、rs7260359、rs7260463、rs4884、rs10800201、rs4657537、rs978979、rs111934125、rs13696、rs1901187、rs4295、rs275652、rs10494973、rs5370、rs3757354、rs6950857、rs4994、rs1815739、rs2074238、rs3803357、rs1694658。
归一化处理的方法为Z-Score方法，计算方法为x＝(x-μ)/δ，式中x表示基线特征和SNP位点信息的数值，μ为均值，δ为标准差；
以归一化后的用户基线特征和SNP位点信息为模型输入，以最大摄氧量反应有无作为模型输出，采用决策树模型对数据进行训练。
S12：采用最佳增益生长模式/深度优先生长模式，生成根节点和子节点
最佳增益生长模式的流程为遍历所有特征，基于信息增益方法，获得增益最大的分类特征，作为根节点，采用递归方式寻找每个分支下的增益最大特征，直至无法分裂；深度优先生长模式的流程为遍历所有特征，若当前节点存在未搜索的子节点，则当前节点跳转到子节点进行分类决策；若当前节点为叶节点，则跳转到上一层节点，直到根节点不存在未搜索过的子节点为止。
S13：采用预剪枝/后剪枝方法对子节点进行优化，去掉部分子节点
一个完整生长的决策树会导致过拟合，完全生长的决策树所对应的每个叶节点中只会包含一个样本，易导致决策树模型过拟合，评估效果差，为了提高模型泛化能力，需要对决策树进行剪枝。具体地，预剪枝的计算流程为：在创建进行到某一个节点处，先计算当前节点的准确率P1，然后再按照该节点的属性进行分类，在计算分类后的准确率P2，比较P1和P2，如果P1较大则该节点不需要进一步的分枝，否则如果P2较大则该节点需要进行分枝操作；后剪枝的计算流程为：在完整的决策树的基础上，从该决策树的叶子节点的父节点开始，分别计算该父节点不分枝的准确率P1和分枝后的准确率P2，继续和预剪枝的一样的操作，决定是否进行剪枝操作，然后向上寻找，逐个判断。
S14：输出用户是否有最大摄氧量反应
考虑到生物变异和测量误差，选择Δ＝4.7％被用作识别应答发生率的阈值，其中Δ<4.7％被定义为最大摄氧量无反应，Δ≥4.7％被定义为最大摄氧量有反应。
最大摄氧量的计算方法为：在电动跑步机上使用GXT极量测试方案，以确定最大摄氧量VO2max[1]。在完成第一次运动测试20分钟后，受试者要求再进行一次运动测试，以确定最大摄氧量VO2max[2]。如果计算出的两个VO2max值在±3.0％以内，则可以确认为真正的VO2max。计算(VO2max[1]+VO2max[2])/2，并将此值作为受试者VO2max来识别运动有反应者和无反应者者。如果参与者的VO2max值相差3.0％，则要求他们在24-72小时内重复VO2max[1]和VO2max[2]检测，直到差异小于±3.0％，以确认达到真正的VO2max。
实施例2
参照图2，本发明提出的基于机器学习的运动反应性预测模型的建模方法，方法步骤如下：
S21：在实施例1中的运动反应性评估模型评估为有最大摄氧量反应的真阳性和假阴性的人群中，收集用户的基线特征、SNP位点信息和运动特征，并进行归一化处理
用户的基线特征包括年龄、性别、体重、身高、基线最大摄氧量和基线体力活动水平。
用户的SNP位点信息包括66个SNP位点基因，66个SNP位点基因为：rs884736、rs10921078、rs7531957、rs2003298、rs4952535、rs4973706、rs11715829、rs2030398、rs2272040、rs2053896、rs6552828、rs2176830、rs2523849、rs2523848、rs2428514、rs2517518、rs2523840、rs2517506、rs10499043、rs10452621、rs3814991、rs12538806、rs13235325、rs1535628、rs959066、rs12115454、rs2198009、rs10500872、rs353625、rs4938561、rs7933007、rs12580476、rs12896790、rs8018889、rs1956197、rs824205、rs7256163、rs6090314、rs738353、rs3791783、rs11681628、rs7570532、rs344816、rs10410448、rs432979、rs1133190、rs7260359、rs7260463、rs4884、rs10800201、rs4657537、rs978979、rs111934125、rs13696、rs1901187、rs4295、rs275652、rs10494973、rs5370、rs3757354、rs6950857、rs4994、rs1815739、rs2074238、rs3803357、rs1694658。
用户运动特征，采用可穿戴运动监测设备进行实时数据采集，首先获得每天的运动能耗(kcal)、每天的运动时间(min)和每天中等强度运动时间(min)，然后汇总统计形成每周运动能耗、每周运动天数、每周运动时间、每周中等强度运动时间。对于本实施例一般设置干预周期为12周，因此能够形成12个运动特征数据记为第1周的运动特征，第2周的运动特征，...，第12周的运动特征。
归一化的方法为Z-Score方法，计算方法为x＝(x-μ)/δ，x表示基线特征、SNP位点信息和运动特征的数值，μ为均值，δ为标准差。
S22：设置BP神经网络的层数为3和节点数为10，并对数据进行训练；
S23：采用不同的搜索策略进行去深度和优化节点，该搜索策略包括随机搜索和进化搜索；具体步骤如下：
1)首先，确定预设网络的最小和最大层数以及节点数的范围；
2)从最小层数和最小节点数开始，对每一种可能的网络结构进行评估，逐层增加节点数，直到达到每层的最大节点数，然后逐步增加层数，直到达到最大层数；
3)对于每个网络结构，使用交叉验证或其他评估方法来评估其性能，可以使用如准确率、均方误差等来评估网络的表现，在本实施例中使用交叉损失函数来评估衡量；
4)在搜索过程中，记录每个网络结构的性能指标，并找到具有最佳性能的网络结构(最佳的层数和节点数组合)；
5)返回具有最佳性能的网络结构作为最优的BP神经网络结构。
S24：初设节点阈值为0，采用交叉分类损失函数进行模型迭代，至交叉损失函数值最小；交叉分类损失函数为：
式中：N表示训练样本的数量，M表示分类结果的个数，yic表示分类结果的真实值，Pic表示预测为该分类结果的概率。
S25：采用模拟退火策略对上述模型节点阈值进行再次优化；具体步骤如下：
1)在上述节点阈值的基础上，给出一定范围随机选择初始值；
2)将节点阈值与网络性能指标(如准确率、均方误差等)相关联，可以使用如准确率、均方误差等来评估网络的表现，在本实施例中使用交叉损失函数来衡量表现；
3)设定初始温度和终止温度，初始温度通常较高，终止温度较低；
4)迭代优化：在每个迭代步骤中，进行以下操作：
a)随机选择一个节点的阈值，并随机生成一个新的阈值作为候选解；
b)计算目标函数对于当前解和候选解的差异(即目标函数值的变化)；
c)如果目标函数值变化为负，则接受候选解作为新解；
d)如果目标函数值变化为正，则根据一定的概率(根据Metropolis准则)接受候选解作为新解；
e)重复步骤a-d，直到达到终止温度；
5)返回具有最佳性能的节点阈值作为优化后的BP神经网络模型。
S26：输出用户最大摄氧量反应比例。
最大摄氧量反应比例，其计算方法为最大摄氧量反应比例Δ＝100*(干预后的最大摄氧量-基线期的最大摄氧量)/基线期的最大摄氧量，如基线期的最大摄氧量为30ml/(kg*min)，12周的干预结束后，最大摄氧量变化为36ml/(kg*min)，则Δ＝100％*(36-30)/30＝20％。
Claims (7)
1.基于机器学习的运动反应性评估模型的建模方法，其特征在于，方法步骤如下：
S11：采集用户的基线特征和SNP位点信息，并进行归一化处理；
S12：采用最佳增益生长模式或深度优先生长模式，生成根节点和子节点；
S13：采用预剪枝和后剪枝方法对子节点进行优化，去掉部分子节点；
S14：输出用户是否有最大摄氧量反应；
用户的基线特征包括年龄、性别、体重、身高、基线最大摄氧量和基线体力活动水平；
用户的SNP位点信息包括66个SNP位点基因的最小等位基因频率，66个SNP位点基因为：rs884736、rs10921078、rs7531957、rs2003298、rs4952535、rs4973706、rs11715829、rs2030398、rs2272040、rs2053896、rs6552828、rs2176830、rs2523849、rs2523848、rs2428514、rs2517518、rs2523840、rs2517506、rs10499043、rs10452621、rs3814991、rs12538806、rs13235325、rs1535628、rs959066、rs12115454、rs2198009、rs10500872、rs353625、rs4938561、rs7933007、rs12580476、rs12896790、rs8018889、rs1956197、rs824205、rs7256163、rs6090314、rs738353、rs3791783、rs11681628、rs7570532、rs344816、rs10410448、rs432979、rs1133190、rs7260359、rs7260463、rs4884、rs10800201、rs4657537、rs978979、rs111934125、rs13696、rs1901187、rs4295、rs275652、rs10494973、rs5370、rs3757354、rs6950857、rs4994、rs1815739、rs2074238、rs3803357、rs1694658；
S13中预剪枝的计算流程为当树到达一定深度的时候，停止树的生长，当达到当前节点的样本数量小于某个阈值的时候，停止树的生长，计算每次分裂对测试集的准确度提升，当小于某个阈值的时候，不再继续扩展；后剪枝的计算流程为先让决策树算法直接生成一颗完全生长的决策树，然后从最底层向上计算是否剪枝，剪枝时将子树删除，用一个叶子节点替代，该节点的类别同样按照多数投票的原则判断。
2.根据权利要求1所述的基于机器学习的运动反应性评估模型的建模方法，其特征在于，S11中归一化处理的方法为Z-Score方法，计算方法为，x表示基线特征和SNP位点信息的数值，μ为均值，/>为标准差。
3.根据权利要求1所述的基于机器学习的运动反应性评估模型的建模方法，其特征在于，S12中最佳增益生长模式的流程为遍历所有特征，基于信息增益方法，获得增益最大的分类特征，作为根节点，采用递归方式寻找每个分支下的增益最大特征，直至无法分裂；深度优先生长模式的流程为遍历所有特征，若当前节点存在未搜索的子节点，则当前节点跳转到子节点进行分类决策；若当前节点为叶节点，则跳转到上一层节点，直到根节点不存在未搜索过的子节点为止。
4.基于机器学习的运动反应性预测模型的建模方法，其特征在于，方法步骤如下：
S21：在运动反应性评估模型评估为有最大摄氧量反应的真阳性和假阴性的人群中，收集用户的基线特征、SNP位点信息和运动特征，并进行归一化处理；
S22：设置BP神经网络的层数和节点数，并对数据进行训练；
S23：采用搜索策略进行去深度和优化节点；
S24：初设节点阈值，采用交叉分类损失函数进行模型迭代，至交叉损失函数值最小；
S25：采用模拟退火策略对上述模型节点阈值进行再次优化；
S26：输出用户最大摄氧量反应比例；
用户的基线特征包括年龄、性别、体重、身高、基线最大摄氧量和基线体力活动水平；
S21中SNP位点信息中的位点基因包括rs884736、rs10921078、rs7531957、rs2003298、rs4952535、rs4973706、rs11715829、rs2030398、rs2272040、rs2053896、rs6552828、rs2176830、rs2523849、rs2523848、rs2428514、rs2517518、rs2523840、rs2517506、rs10499043、rs10452621、rs3814991、rs12538806、rs13235325、rs1535628、rs959066、rs12115454、rs2198009、rs10500872、rs353625、rs4938561、rs7933007、rs12580476、rs12896790、rs8018889、rs1956197、rs824205、rs7256163、rs6090314、rs738353、rs3791783、rs11681628、rs7570532、rs344816、rs10410448、rs432979、rs1133190、rs7260359、rs7260463、rs4884、rs10800201、rs4657537、rs978979、rs111934125、rs13696、rs1901187、rs4295、rs275652、rs10494973、rs5370、rs3757354、rs6950857、rs4994、rs1815739、rs2074238、rs3803357、rs1694658；
用户的运动特征，采用可穿戴运动监测设备进行实时数据采集，首先获得每天的运动能耗、每天的运动时间和每天中等强度运动时间，然后汇总统计形成每周运动能耗、每周运动天数、每周运动时间、每周中等强度运动时间；
S23中搜索策略包括随机搜索和进化搜索，采用搜索策略进行去深度和优化节点的方法步骤如下：
S231：确定预设网络的最小和最大层数以及节点数的范围；
S232：从最小层数和最小节点数开始，对每一种可能的网络结构进行评估，逐层增加节点数，直到达到每层的最大节点数，然后逐步增加层数，直到达到最大层数；
S233：对于每个网络结构，使用评估方法来评估其性能；
S234：在搜索过程中，记录每个网络结构的性能指标，并找到具有最佳性能的网络结构；
S235：返回具有最佳性能的网络结构作为最优的BP神经网络结构。
5.根据权利要求4所述的基于机器学习的运动反应性预测模型的建模方法，其特征在于，S21中归一化的方法为Z-Score方法，计算方法为，x表示基线特征、SNP位点信息和运动特征的数值，μ为均值，/>为标准差。
6.根据权利要求4所述的基于机器学习的运动反应性预测模型的建模方法，其特征在于，S24中初设的每个节点阈值=0，S22中初设的BP神经网络的层数为3，节点数为10。
7.根据权利要求4所述的基于机器学习的运动反应性预测模型的建模方法，其特征在于，S24中交叉分类损失函数为
，
式中：N表示训练样本的数量，M表示分类结果的个数，表示分类结果的真实值，/>表示预测为该分类结果的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310761612.1A CN117198517B (zh) | 2023-06-27 | 2023-06-27 | 基于机器学习的运动反应性评估和预测模型的建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310761612.1A CN117198517B (zh) | 2023-06-27 | 2023-06-27 | 基于机器学习的运动反应性评估和预测模型的建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117198517A CN117198517A (zh) | 2023-12-08 |
| CN117198517B true CN117198517B (zh) | 2024-04-30 |
Family
ID=89004131
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310761612.1A Active CN117198517B (zh) | 2023-06-27 | 2023-06-27 | 基于机器学习的运动反应性评估和预测模型的建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117198517B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117649153B (zh) * | 2024-01-29 | 2024-04-16 | 南京典格通信科技有限公司 | 基于信息集成的移动通信网络用户体验质量预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295805A (zh) * | 2016-08-16 | 2017-01-04 | 王伟 | 基于bp神经网络的人体最大摄氧量评价方法及其应用 |
| CN109961186A (zh) * | 2019-03-22 | 2019-07-02 | 大唐环境产业集团股份有限公司 | 基于决策树和bp神经网络的脱硫系统运行参数预测方法 |
| CN111445978A (zh) * | 2020-03-26 | 2020-07-24 | 北京动亮健康科技有限公司 | 运动方案反应性预测模型及建模方法、电子设备 |
| CN112863681A (zh) * | 2021-03-12 | 2021-05-28 | 山西大学 | 一种多参数筛选预测最大摄氧量的方法 |
| CN112951413A (zh) * | 2021-03-22 | 2021-06-11 | 江苏大学 | 一种基于决策树和改进smote算法的哮喘病诊断系统 |
| CN116134152A (zh) * | 2020-05-27 | 2023-05-16 | 基因技术有限公司 | 评估对冠状病毒感染产生严重反应的风险的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200372400A1 (en) * | 2019-05-22 | 2020-11-26 | The Regents Of The University Of California | Tree alternating optimization for learning classification trees |
-
2023
- 2023-06-27 CN CN202310761612.1A patent/CN117198517B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295805A (zh) * | 2016-08-16 | 2017-01-04 | 王伟 | 基于bp神经网络的人体最大摄氧量评价方法及其应用 |
| CN109961186A (zh) * | 2019-03-22 | 2019-07-02 | 大唐环境产业集团股份有限公司 | 基于决策树和bp神经网络的脱硫系统运行参数预测方法 |
| CN111445978A (zh) * | 2020-03-26 | 2020-07-24 | 北京动亮健康科技有限公司 | 运动方案反应性预测模型及建模方法、电子设备 |
| CN116134152A (zh) * | 2020-05-27 | 2023-05-16 | 基因技术有限公司 | 评估对冠状病毒感染产生严重反应的风险的方法 |
| CN112863681A (zh) * | 2021-03-12 | 2021-05-28 | 山西大学 | 一种多参数筛选预测最大摄氧量的方法 |
| CN112951413A (zh) * | 2021-03-22 | 2021-06-11 | 江苏大学 | 一种基于决策树和改进smote算法的哮喘病诊断系统 |
Non-Patent Citations (7)
| Title |
|---|
| Development of Novel Maximal Oxygen Uptake Prediction Models for Turkish College Students Using Machine Learning and Exercise Data;Akay MF，Çetin E，Yarım İ，et al;《In 2017 9th International Conference on Computational Intelligence and Communication Networks》;20170916;全文 * |
| Recent advances in machine learning for maximal oxygen uptake (VO2 max) prediction: A review;Ashfaq A，Cronin N and Müller P;《Informatics in Medicine Unlocked》;20220121;全文 * |
| Wang X，Fan Y，Ding M，et al.Artificial Neural Network-Based Model for Evaluating Maximum Oxygen Uptake from the Incremental Squatting Test in Young People.《Journal of Men's Health》.2022,全文. * |
| 基于BP神经网络的最大摄氧量预测方法研究;郭辉，刘韵婷，孔振兴等;《实验室科学》;20201031;全文 * |
| 基于决策树生成及剪枝的数据集优化及其应用;李国和，王峰，郑阳等;《计算机工程与设计》;20180131;全文 * |
| 基于决策树的在线学习行为分析;王士霞;;河南科技学院学报(自然科学版);20151031(第05期);全文 * |
| 自行车运动员训练负荷预测模型研究及应用;李泽槟;《中国优秀硕士学位论文全文数据库 社会科学II辑》;20190715;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117198517A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020181805A1 (zh) | 糖尿病的预测方法及装置、存储介质、计算机设备 | |
| CN108351862A (zh) | 利用人工智能和用户输入来确定发育进展的方法和装置 | |
| JP2018537754A5 (zh) | ||
| CN117198517B (zh) | 基于机器学习的运动反应性评估和预测模型的建模方法 | |
| CN113517066B (zh) | 基于候选基因甲基化测序和深度学习的抑郁症评估方法及系统 | |
| Theerthagiri | Predictive analysis of cardiovascular disease using gradient boosting based learning and recursive feature elimination technique | |
| CN110046757B (zh) | 基于LightGBM算法的门诊量预测系统及预测方法 | |
| CN109920551A (zh) | 基于机器学习的自闭症儿童社会行为表现特征分析系统 | |
| CN113674864B (zh) | 一种恶性肿瘤合并静脉血栓栓塞症风险预测方法 | |
| CN114512239A (zh) | 基于迁移学习的脑卒中风险预测方法及系统 | |
| CN116224112A (zh) | 一种基于XGBoost模型的电池阻抗谱频率重要性分析方法 | |
| Adi et al. | Stroke risk prediction model using machine learning | |
| CN109145685A (zh) | 基于集成学习的果蔬高光谱品质检测方法 | |
| CN117172977A (zh) | 一种针对学员训练的训练建议生成方法及系统 | |
| CN117274657A (zh) | 基于课程知识蒸馏的耐噪声木薯叶病害分类方法及系统 | |
| Ribeiro et al. | A new random forest method for longitudinal data classification using a lexicographic bi-objective approach | |
| CN115565676A (zh) | 一种基于影像组学的阿尔兹海默症风险预测平台 | |
| CN115206539A (zh) | 一种基于围术期患者风险事件数据的多标签集成分类方法 | |
| CN114974581A (zh) | 高血糖危象长期死亡风险预测与评估方法 | |
| CN115050437B (zh) | 基于算法和区块链的生物大数据分析、疾病精准识别分类预测系统 | |
| Haghighi et al. | Improving machine learning accuracy in diagnosing diseases using feature selection based on the fruit-fly algorithm | |
| CN109345274A (zh) | 基于bp神经网络评分预测误差的近邻用户选择方法 | |
| Liew et al. | Hierarchical parallel genetic optimization fuzzy ARTMAP ensemble | |
| Sivaramakrishnan et al. | Multi-Linear Regression Technique for Predicting the Liver Disease | |
| TWI650664B (zh) | 建立蛋白質功能缺失評估模型的方法以及利用上述模型的風險評估方法與系統 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |