《Scientific Reports》：An AI-based algorithm for analyzing physical activity and health-related fitness in youth
编辑推荐：
本研究针对传统学生体质健康测试管理中主观影响大、人工计算复杂、数据利用不充分等问题，开发了基于BP神经网络的自动综合等级分类方法（准确率达98.448%）和结合CNN特征提取与LSTM时间序列分析的体能测试成绩预测模型。该AI算法为中小学生体质健康评估提供了自动化、高精度的新方法，对优化体育教学方案具有重要实践意义。
随着国家对全民健身的重视程度不断提高，中小学生作为未来社会的主力军，其健康状况和身体素质直接关系到国家与社会的健康发展。体质测试作为学校检验学生体能素质的重要途径之一，其成绩与体能素质密切相关。然而，传统的体质测试管理存在主观影响大、人工计算复杂、数据难以充分利用等问题，这些问题严重制约了体质测试效果的发挥。
传统体质测试过程面临诸多挑战：检测和分析阶段需要投入大量时间和人力；主观影响和人工记录错误（如数据丢失、误记和评分差异）威胁测试结果的可靠性；体测数据分析引入结果变异性，缺乏统一的评价标准导致综合得分计算标准不一致；现有管理方案主要关注基本数据保存和简单分析，缺乏对信息的深度挖掘。
在这项发表于《Scientific Reports》的研究中，Lv Mei、Wang Jing等研究人员开发了一种基于人工智能的算法，用于分析青少年的体力活动和健康相关体适能。该研究基于2018-2022年五年的小学体质测试数据，应用机器学习和深度学习方法进行深度分析和数据挖掘。
研究团队主要采用了两种关键技术方法：基于BP（Back Propagation）神经网络的综合等级分类方法，实现了自动综合等级分类，分类性能达到98.448%；基于CNN（Convolutional Neural Network）-LSTM（Long Short-Term Memory）神经网络的成绩预测模型，结合CNN特征矩阵和LSTM连续时间序列信息，为各项体测项目提供更准确的成绩预测。研究使用了13，706个样本数据，包括学生个人基本信息和项目体测数据。
研究结果
BP等级分类模型表现优异
BP神经网络模型在体质测试结果综合等级分类任务中表现出色。在训练数据中准确率高达98.448%，在测试数据中保持稳定，达到97.128%。模型的精确率和召回率分别为97.671%和98.427%，F1分数为0.9805，显著优于SVM（Support Vector Machine）模型（准确率86.921%）。这表明BP神经网络能够充分挖掘数据中的复杂关系，实现自动化和客观化的评价过程。
CNN-LSTM预测模型效果显著
CNN-LSTM模型在体测成绩预测任务中表现最佳，准确率、精确率和召回率分别达到92.840%、89.122%和90.270%，F1分数为0.8969。该模型通过多层特征提取和时间序列建模，有效整合了空间和时间信息，为个体体测成绩预测提供了高精度的预测能力。相比之下，单独的CNN模型和LSTM模型表现稍逊，验证了结合空间特征提取与时间依赖建模的有效性。
模型具有较强的实用价值
通过对比40个测试样本的真实值与预测值，CNN-LSTM模型的预测值紧密跟随实际得分，偏差极小。接收者操作特征（ROC）曲线分析显示，CNN-LSTM模型的AUC（Area Under the Curve）值达到0.97，优于其他对比模型，进一步证明了模型在预测学生体能测试结果方面的优越性能。
研究结论与意义
该研究通过引入创新的机器学习和深度学习方法，特别是在体质评估中相对未被充分探索的LSTM网络，为中小学生体质健康评估提供了更加精细和准确的分析。建立的综合评价指标体系，结合定量分析和层次分析法（AHP）确定权重，代表了评估学生体质健康各个方面的系统和数据驱动方法。
研究的实际意义在于，基于预测模型的结果可以直接为个性化教学干预提供信息。通过分析不同体测项目的预测表现轨迹，教师可以识别可能存在体能下降风险或在某些健康维度发展不均衡的学生，从而调整训练计划的强度或持续时间，确保教育干预措施具有适应性、精确性，并能响应每个学生的需求。
该研究为体测数据分析和个体健康状况评估提供了有益的经验结果，为体育与人工智能的深度融合提供了方法支持。随着技术的不断进步，将这些方法纳入更广泛的健康评估和干预措施，可以显著促进制定更加个性化和有效的策略，从而促进学生的身体健康发展。
