基于机器学习的运动反应性评估和预测模型的建模方法技术

本发明专利技术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

【技术实现步骤摘要】
基于机器学习的运动反应性评估和预测模型的建模方法


[0001]本专利技术涉及人工智能及运动健康
，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
。

技术介绍

[0002]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
。
[0003]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
。
[0004]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
。

技术实现思路

[0005]基于
技术介绍
存在的技术问题，本专利技术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
。
[0006]本专利技术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：
[0007]S11
：采集用户的基线特征和
SNP
位点信息，并进行归一化处理；
[0008]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；
[0009]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；
[0010]S14
：输出用户是否有最大摄氧量反应
。
[0011]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
。
[0012]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
。
[0013]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
。
[0014]本专利技术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：
[0015]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；
[0016]S22
：设置
BP
神经网络的层数和节点数，并对数据进行训练；
[0017]S23
：采用搜索策略进行去深度和优化节点；
[0018]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；
[0019]S25
：采用模拟退火策略对上述模型节点阈值进行再次优化；
[0020]S26
：输出用户最大摄氧量反应比例
。
[0021]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
。
[0022]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、rs757本文档来自技高网...

【技术保护点】

【技术特征摘要】
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
/
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
。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
＝
(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
。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.
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，
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
。5.
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
。6.
根据权利要求5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
＝
(x
‑
μ
)/
δ
，
x
表示...

【专利技术属性】
技术研发人员：张永亮，梅涛，张牧坤，李璐，邓晨，
申请(专利权)人：安徽省立医院中国科学技术大学附属第一医院，
类型：发明
国别省市：