基于机器学习的运动反应性评估和预测模型的建模方法

本发明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。

背景技术：

1、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。

2、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。

3、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

1、基于背景技术存在的技术问题，本发明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。

2、本发明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：

3、s11：采集用户的基线特征和snp位点信息，并进行归一化处理；

4、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；

5、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；

6、s14：输出用户是否有最大摄氧量反应。

7、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。

8、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。

9、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。

10、本发明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：

11、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；

12、s22：设置bp神经网络的层数和节点数，并对数据进行训练；

13、s23：采用搜索策略进行去深度和优化节点；

14、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；

15、s25：采用模拟退火策略对上述模型节点阈值进行再次优化；

16、s26：输出用户最大摄氧量反应比例。

17、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。

18、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、rs7570532、rs344816、rs10410448、rs432979、rs1133190、rs7260359、rs7260463、rs4884、rs10800201、rs4657537、rs978979、rs111934125、rs13696、rs1901187、rs4295、rs275652、rs10494973、rs5370、rs3757354、rs6950857、rs4994、rs1815739、rs2074238、rs3803357、rs1694658。

19、优选地，s23中搜索策略包括随机搜索和进化搜索，采用搜索策略进行去深度和优化节点的方法步骤如下：

20、s231：确定预设网络的最小和最大层数以及节点数的范围；

21、s232：从最小层数和最小节点数开始，对每一种可能的网络结构进行评估，逐层增加节点数，直到达到每层的最大节点数，然后逐步增加层数，直到达到最大层数；

22、s233：对于每个网络结构，使用评估方法来评估其性能；

23、s234：在搜索过程中，记录每个网络结构的性能指标，并找到具有最佳性能的网络结构；

24、s235：返回具有最佳性能的网络结构作为最优的bp神经网络结构。

25、优选地，s24中初设的每个节点阈值＝0，s22中初设的bp神经网络的层数为3，节点数为10。

26、优选地，s24中交叉分类损失函数为

27、

28、式中：n表示训练样本的数量，m表示分类结果的个数，yic表示分类结果的真实值，pic表示预测为该分类结果的概率。

29、本发明的有益技术效果：

30、本发明提供了一种基于机器学习的运动反应性评估、预测的建模方法，该方法在潜在位点基因的基础上，分别利用决策树框架和神经网络方法构建运动反应性评估模型和预测模型，实现运动效果的自动准确评估，为解释运动反应有无及反应程度大小提供技术支持，实现干预重心前移。