基于PSO-KNN与PSO-SVM算法的大数据公共卫生视角下运动员情绪与动机行为的身体效应评估

本文创新性地结合粒子群优化（PSO）算法与K近邻（KNN）、支持向量机（SVM）构建PSO-KNN和PSO-SVM混合模型，通过基线去除策略显著提升运动员情绪状态（平均识别率56.66%）和紧张水平（53.16%）的生理信号识别精度，为公共卫生领域运动员心理健康监测提供算法支持。

　　

从公共卫生视角探索身体对运动员情绪的影响

在当代社会，运动员的心理情绪问题日益受到关注。公共卫生（PH）作为关注群体健康的技术体系，其核心特征在于重视预防而非个体治疗。研究表明，体育运动通过促进内啡肽分泌能有效改善抑郁、焦虑等负面情绪，但教师教学水平不足或学生体质差异可能导致45-65%群体产生消极训练情绪。

创新算法构建与验证

研究采用粒子群优化（PSO）算法分别与K近邻（KNN）、支持向量机（SVM）结合，形成PSO-KNN和PSO-SVM混合模型。PSO算法模拟鸟群觅食行为，通过速度更新公式V_id^k+1=ωV_id^k+1+c₁r₁(P_id^k-X_id^k)+c₂r₂(P_id^k-X_id^k)实现全局优化，相比遗传算法具有参数少、收敛快的优势。

生理信号识别效能比较

实验选取M俱乐部30名运动员的191组生理样本，包含心率（HR）、皮肤电反应（GSR）等6类信号。关键发现包括：

1. 1.

   基线去除策略使PSO-KNN在情绪状态识别率提升至56.66%，显著高于未去除基线的54.75%

2. 2.

   呼吸率（RR）和血压（BP）成为识别紧张情绪的关键指标，最高识别率达66.66%

3. 3.

   在紧张水平分析中，PSO-KNN算法以53.16%的平均识别率优于PSO-SVM的50.58%

情绪调节的实践启示

研究证实意象训练能快速改善注意力指向，按摩调节可通过经络放松稳定情绪。特别在团队运动中，高水平自我抽象化使30名橄榄球运动员产生更积极的个体情绪，阳性团队参考情绪成为影响表现的关键因素。这些发现为运动员心理训练提供了包括呼吸调节、表达调节等具体干预手段。

未来研究方向

当前研究受限于样本量（仅30名运动员），后续需扩大样本规模以提高数据精度。算法层面可探索PSO与深度学习模型的结合，在保持基线去除优势的同时提升高维特征处理能力。公共卫生视角下的运动员心理健康监测体系构建，将是值得深入探索的领域。