基于身体健康的BMI预测,具有注意力增强特征提取的深度混合学习框架
Ming Mo1, Wanhong Luo2, Qiao Hu3
1Changsha Aeronautical Vocational and Technical College, Changsha, Hunan, China.
Frontiers in public health
|September 18, 2025
概括
这项研究引入了一种机器学习模型,用于使用中国大学生健身数据预测身体质量指数 (BMI),达到94.5%的准确率. 心肺耐力和上肢力量是BMI预测的关键因素.
科学领域:
- 运动科学 运动科学 运动科学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 在大学健康监测中,传统的体重指数 (BMI) 评估是有限的.
- 现有的方法无法捕捉身体健康和身体构成之间的动态关系.
- 需要一个新的预测框架来准确评估学生群体的BMI.
研究的目的:
- 开发和验证一种机器学习框架,用于使用纵向健身数据预测身体质量指数 (BMI).
- 确定影响BMI的关键身体健康指标.
- 建立一个统一的解决方案,以适应健身的信息来预测大学生中的BMI.
主要方法:
- 一种混合CNN1D-Attention-LightGBM模型是使用6698名中国大学男学生 (2018-2022) 的健身记录来开发的.
- 该模型包含时间模式识别,多核卷积运算和动态注意力加权.
- 使用10倍交叉验证与支持矢量机 (SVM) 和XGBoost基准来评估性能.
主要成果:
- 开发的模型实现了94.5%的准确性和0.93的F1得分,显著优于XGBoost (90.1%).
- 心肺耐力 (3000米跑步) 和上肢力量 (拉力) 被确定为主要的BMI决定因素.
- 该框架成功地将学生分为四个BMI类别,包括正常体重和肥胖.
结论:
- 这项研究提出了第一个统一的解决方案,用于健身知情的BMI预测.
- 该框架展示了机器学习在大学健康监测中的潜力.
- 未来的研究应该扩大样本采集到多种人群,并纳入额外的健康因素.
