2013 年至 2025 年基于机器学习利用体能指标预测中国南方大学生体质指数分类

《BMC Public Health》：Predicting Body mass index classification from physical fitness indicators using machine learning in South Chinese college students from 2013 to 2025

　　

摘要

大学生群体中身体活动不足和日益增加的肥胖现象是主要的公共卫生关注点。尽管体能与体重指数（BMI）密切相关，但多种体能成分的综合预测价值尚不清楚。目的：本研究调查了体能与 BMI 之间的关联，并使用机器学习（ML）评估了体能指标对 BMI 分类的预测性能。方法：共纳入中国深圳大学 83,664 名大一新生（43,734 名男性和 39,930 名女性）（2013–2025 年）。体能评估包括肺活量、立定跳远、坐位体前屈、50 米跑、长跑（女性 800 米，男性 1,000 米）以及引体向上（男性）或仰卧起坐（女性）。开发了四种监督机器学习算法（逻辑回归、决策树、随机森林和 XGBoost）并进行比较以预测 BMI。XGBoost 取得了最高的预测性能，随后用于评估特征重要性，包括按性别分层分析。结果：模型显示出良好的预测准确性（男性 75%，女性 83%），表明体能与 BMI 之间存在强关联。引体向上是男性最重要的预测因子，而肺活量和长跑在两性中都显示出较高的预测重要性。结论：体能与 BMI 密切相关，机器学习模型可以利用常规体能数据有效预测 BMI。这些发现支持将体能评估作为筛查和促进年轻人体重管理的实用工具。