文摘
深入学习是机器学习领域的一个新的方向。它固有的学习法律和代表性的样本数据水平。学习过程中获得的信息中起着重要作用在解释数据,如文本、图像和演讲。健康管理是指的过程识别、评估和有效地干预个人或群体的健康。本文的目的是建立一个基于深度学习体育健康管理模型,培养学生积极参加体育锻炼,从而促进他们的身体健康。本文首先介绍了相关的概念如深度学习和卷积神经网络,然后进行实验探索卷积神经网络和多层感知器的组合。其次,本文设计了一种体育运动干预和健康管理计划进行比较,分析健康管理前后的数据。实验结果表明,整体健康维度的平均值实验结束后已经达到了85.28,平均价值已经达到了一个很高的分数,这表明运动干预可以有效地改善学生的身体健康。与此同时,它可以提高学生的身体状况。
1。介绍
自改革开放以来,中国社会经济水平的迅速提高和现代科学技术的不断发展,生活条件逐渐变得更加方便,导致人们开发缺乏身体活动的一种生活方式。以下是缺乏锻炼的越来越严峻的形势和久坐不动的生活,使促进健康的运动习惯现在的一个热点。公民的健康状况可以反映一个国家的整体质量,并保持和提高每个公民的健康也是一个国家的社会责任。作为一种机器学习方法,近年来不断发展,深度学习具有良好的性能和优秀的图像识别和时间序列预测模型。深度学习可以发现更多的隐藏知识提取过程中深层次的结构特性和具有良好的深层领域数据功能。
学生是国家的未来的重要人力资源建设和发展。目前,学生的整体健康是显示一个下降的趋势。因此,如何改善学生的健康尤为重要。身体健康系统可以帮助学生养成体育锻炼的习惯,培养健康的生活方式,并建立一个对健康正确的前景。互联网应用平台是用于校园生活。一方面,这些应用程序提高校园生活的质量,另一方面,他们有助于健康的学习。基于深度学习体育健康管理模型是为教师和学生提供方便的管理,降低学校运营成本,简化程序。体育健康管理的使用可以帮助教师和大学行政人员更清楚地了解学生的身体健康,促进学生特殊监管区域,满足高校对学生体育健康管理。
本文的创新是(1)以深度学习体育健康管理系统为出发点,研究深度学习在体育健康管理中的应用,旨在建立一个深入学习模型的运动健康管理模式,创新健康管理理论,提供新的研究思路在新时期体育健康管理系统;(2)健康管理尚未形成系统的理论体系在我国,青少年健康问题是更多的热门话题。从体育干预的角度来看,我们与学生为研究对象,研究体育干预的影响对学生体育健康管理。
2。相关工作
近年来,深度学习已经成为一个热点的研究和开发人工智能中机器学习技术。Litjens等人研究的主要概念和总结深度学习相关医学图像分析和总结了超过300在这个领域的贡献。他们研究了深度学习在图像分类、目标检测、分割、登记等工作,进行了一项调查,总结为每个应用程序领域的研究。然而,他们有更少的数据和可信度不足(1]。陈等人介绍了深度学习高光谱数据分类的概念,首次提出了一种新的方法和高光谱数据分类框架基于空间主人的信息。深度学习结合这两个特性来获取分类精度最高。然而,他们的准确率很低(2]。沈等人介绍了深度学习的基本方法。他们在成像检查他们的成功,解剖学和细胞结构检测、组织部门,通过电脑疾病诊断和预后。然而,也有一些偏差在他们的数据3]。何希阿Hoydis介绍和讨论了几种新应用的深度学习在物理层面,对通信系统的设计作为一个端到端重建任务,使用无线电变压器的概念网络的整合专家领域知识为机器学习模型。他们也证明了卷积神经网络应用到原始智商样本用于调制分类。然而,新的应用程序引入缺乏表示(4]。拉维等人回顾重要的深入学习相关的模型和方法已用于许多NLP任务和提供了一个介绍他们的进化。相比,他们也总结和对比各种型号并提供详细了解过去,现在,和未来的NLP的深度学习。然而,他们的模型的选择不够全面,他们的结论是片面的5]。朱等人分析了使用深度学习的挑战对于遥感数据分析,回顾了最近的进展,提供了资源,希望在遥感深度学习似乎很简单。然而,挑战他们的内容分析是相对较短6]。李董和总结的最新发展深度上优于声学模型和调查技术背后的动机和见解和讨论了递归神经网络模型等,U + 0028 RNNs U + 0029和卷积神经网络U + 0028 cnn U + 0029。然而,他们的研究缺乏实际的可行性[7]。他先等人介绍了物联网的深度学习边缘计算环境。他们还设计了一个新颖的卸载策略优化物联网通过边缘深度学习应用程序的性能计算。然而,他们的策略是低的性能8]。
3所示。基于深度学习体育健康管理方法
3.1。深度学习
深度学习的概念来自于人工神经网络的研究。与浅的人工神经网络相比,“深”是一个深度学习的鲜明特征。它可以被理解为深层神经网络及其模型的特征是具有多个隐患层的多层感知器(9]。2016年,谷歌发布了AlphaGo,击败人类玩家。2017年,AlphaGo Zreo,结合深度学习,在100年击败AlphaGo: 0,推波深度学习提高到一个新的水平(10]。
卷积神经网络在1980年代首次提出了福岛(11]。CNN的想法的灵感来源于人类对猫的视觉系统的研究,但由于计算机资源的限制和其他资源有限,只能止步于此。燕LeCun(三大深度学习巨人,提出了标准LeNet-5网络结构使用梯度下降训练,取得了良好的实验结果,使深层神经网络训练成为可能。卷积神经网络的本质是构建多个相互关联的核心卷积核,它可以输出数据特性和拓扑特征。数据通过执行之间的结构隐藏图层合并函数对数据输入终端(12)如图1。
卷积神经网络前馈神经网络,它主要由三个部分。输入层第一部分是整个神经网络的输入。当一个卷积神经网络处理图像时,它通常代表图像的图像单位矩阵。第二部分是卷积层中最重要的部分整个卷积神经网络,每个节点的输入是只有一小部分的神经网络。池的池运行层可以被视为将高分辨率图像转化为低分辨率的图像。我们可以使用卷积层和池层是自动提取图像的一部分。一旦完成功能输出,完全连接水平仍然需要完成分类工作。第三部分完全连接层,充当“分类器,由多层完全连接的神经元通过相邻层。
随着层数继续增加,衍生功能越来越抽象,最后通过合并这些抽象的特性完全连接层和分类问题。反馈是解决Softmax或乙状结肠的激活函数13]。将Softmax分类器的细节是:
我们可以把预测函数分成两个步骤,第一排 ,和这一行乘以 :
计算所有 , 。应用将Softmax函数获取归一化概率:
Softmax回归是一个扩展逻辑回归的基础上,旨在解决多分类问题。Softmax回归是一个监督学习算法,可以结合深度学习方法或无监督(14]。在逻辑回归,训练样本集包含e标记样本: ,在哪里输入功能 。特征向量的维数是 ,和 。假设函数如下:
模型参数将被训练最小化代价函数:
在一个回旋的网络中,卷积过程包括两个参数,第一个参数是输入,第二个参数是内核函数(即卷积内核)。卷积操作的输出装置称为特征映射。把一个二维图像作为输入,二维卷积核 ,然后的卷积和是:
就数学而言,卷积是互动的,因为卷积内核相对于输入了。然而,大多数现有的神经网络库是基于互相关函数,不翻转的核心。这两种方法称为卷积。在本文中,卷积采用这种表达方式。以下是所有卷积操作没有翻转卷积内核。互相关函数表示如下:
由于过度密集造成的参数连接数,传统神经网络更有效的图像处理问题,而卷积网络的稀疏连接和参数共享特征使它在处理图像时(主要的解决方案15]。卷积的过程中,由于卷积的计算原理内核和原始图像,它可以看到卷积的过程,其稀疏连接和共享的数量特性如图2。
稀疏连接是通过卷积核是远小于输入神经元。传统的神经网络使用矩阵乘法连接不同层的神经元,如灰色的完全连接线路图所示2。然而,卷积神经网络检测到小有意义的功能通过一个较小的卷积核,这减少了参数的数量,需要存储,提高了模型的计算效率。
卷积神经网络可以使用BP训练算法,但在培训过程中,卷积中的所有地图上每个特性的神经元层共享同一连接重量,这可能大大减少训练参数的数量。包含样本训练集,损失函数可以表示为:
在测试中,卷积神经网络的预测价值:
卷积的梯度层计算如下:
假设有一个 子样品在每一个回旋的层 ,神经元的敏感性层(灵敏度偏差的变化 ,和偏差是导数)。所有下一层神经元的灵敏度必须添加。这些神经元组成的有效节点相互连接在当前层 ,然后,获得敏感的总和乘以相应灵敏度的重量 层。这种效应是乘以激活函数,提取计算电流的激活输入层 。“体重”抽样减少这一层被定义为(常数),因此我们只需要扩大前一步的结果计算 。应该执行相同的计算在每个地图在回旋的层,然后,结果应该对应于特征映射的气流层:
在这里,代表了upsampling函数。简而言之,upsampling函数是指每个输入像素的水平和垂直位置时报》对应的downsampling水平是用来执行upsampling函数。一个有效的算法计算功能是使用克罗内克积:
通过已知的敏感性特征映射,可以计算梯度值的偏差通过的所有元素 :
最后,反向传播是用来计算重量梯度,除非相同的重量之间共享大量的连接。斜率的和所有相关数据计算重量,和偏差值应该使用以下公式计算:
其中, 坐落在一块的面积 ,相乘得到的是哪一个通过卷积过程。卷积过程是用来计算元素( )在卷积特性映射 。下面的公式是用来计算 在MATLAB。
将采样层上执行将采样输入地图。如果有输入图,必须有输出图形,虽然输出图形可能略小。用公式表达如下公式:
如前所述,激活函数获得的特征映射计算核心的顶级映射后,可以训练和学习16]。输出特性映射可能包括多种卡入站特点:一般来说,应该使用以下公式表达之间的关系地图和激活函数卷积层特点:
的类型,是 - - - - - -图1和总水平。激活函数为代表 , 输入图像的总和,由连接的计算 。处理输出属性映射将添加一个通信;偏差。
深度信念网(DBN)教授提出的,是一个典型的生成模型。这是一个概率的网络图形知识表达和推理模型由多个层的神经元。之间的pretraining DBN模型层使用限制玻耳兹曼机(元)模型(17,18]。RNM是一种特殊形式的马尔可夫随机场(MRF),如图3。
如图,网络包含显式层节点和隐层节点。和神经元的状态变量。因为疟疾是二进制的神经元,神经元的状态的范围是{0,1},,矩阵权重矩阵可见层和隐层之间的时刻。疟疾是一种能源模型,其能量函数定义如下: 在哪里 模型参数和吗和的分区是在可见层和隐藏层神经元,分别。
遏制使用最大似然估计培训,最大化成本函数:
其中, 是一家集训练样本,样本的数量吗 ,和每个 - - - - - -维样本代表 ,和样品是独立且同分布。
自动编码器的应用(AE)最早出现在1980年代。的autoencoder编码器可分为两部分,和 。从数据输入编码器提取特征,译码器负责恢复原始信号的特性。有效地恢复数据,编码器需要保留尽可能多的主要组件的原始信息当提取特征(19]。编码和解码过程可以由以下两个公式来表达:
其中,和编码器和解码器的权重矩阵,分别和和非线性激活函数,一般选为乙状结肠函数。
3.2。体育健康管理
中国政府一贯重视学生的健康。它有无数的会议举行,许多政府发布命令和文件,反复修改后的标准和方法。然而,大学生的身体健康下降了二十多年,和整体趋势尚未得到有效遏制。多年来,我们积极报道大学生体质测试数据按照时间要求,但这只是徒劳的数据,并没有有效的干预结果。政府的政策已经实施了许多年,逐年增加的张力。因此,学生的身体健康并没有显著改善。
“决定中国共产党中央委员会和国务院关于深化教育改革全面推进素质教育”(1999)指出,健康的身体健康是最基本的先决条件年轻人为祖国和人民服务,也是中华民族强大的生命力的表现。近年来,越来越多的中国政府和学校越来越关注的体育健康的年轻人,和年轻人的体育已经成为研究的焦点。
大多数的研究在中国健康管理停留在表面,没有深入分析。只有极少数的人参与学校体育管理。随着年轻人的物理问题,相关的研究内容也在逐年增加,这表明学术界关注健康管理。“中国期刊全文数据库(CNKI)”作为文档检索平台,和关键字“运动健康管理”用于检索。截至2021年12月14日,共有3363个文档检索。文学研究在健康管理的数量迅速增加,2006年,这表明健康管理已开始被公众更加关注。
一个完整的高校体育健康管理系统可以促进体育健康教育在中国的发展和提高学生的身体健康20.]。然而,因为目前在中国没有大学有一个完整的体育健康管理系统,中国的体育健康教育是在教育部门在一个相对较低的地位。在健康管理的实现,个人或群体的健康应该监测,评估,干预形成一个重复循环。管理项目将获得健康信息从各个方面来提高其质量和健康的过程中获得的健康概念。因此,建立和完善高校大学体育健康管理系统不仅可以帮助学校培养学生全面发展,也促进大学体育健康教育的发展管理。它有利于改善中国的体育教学管理状况的健康管理教育界。运动干预高校体育健康管理系统可以提高学生体育锻炼的效率,促进创新和发展高校体育健康教育管理。
根据标准化的特点和结构的健康管理服务,健康管理,作为一种新形式的服务,还包括服务措施和服务流程。这一行动的具体步骤来评估个人的健康,并提供有针对性的和有针对性的健康指导,改善这种情况。它包括三个部分:健康信息、健康和基本风险因素,评估移动电话服务对象和行为干预管理。服务过程中常用卫生管理包括以下五部分:健康管理、体检、健康评估、个人健康管理、咨询、个人健康管理的后续服务,和特殊的健康和疾病管理服务。
4所示。实验设计和结果分析体育健康管理
4.1。卷积神经网络和多层感知器的组合
我们选择GTSRB作为特色图像样本进行这个实验。选择它的原因是它提高了缺陷的原始图像信息的一部分,卷积神经网络只能提供。它可以带来更多的不同的信息因素和提高实验数据的准确性21]。在实验中,我们只使用猪和哈雾功能训练多层感知器,因为一些多层感知器的生产相对较弱的识别,使实验结果更有说服力。多层感知器应该使用下降法训练,结果如图4。
从图可以看出4结果数据的三个多层感知器通过猪功能训练是相似的。结果HOG01、HOG02 HOG03都在4.5和7.2之间,只有哈雾高于10的数据。自哈雾特性是一个高维特性,其培训和其他培训需要使用不同的多层感知器,所以我们将不再使用哈雾实验在未来。
自卷积神经网络和多层感知器计算相同的值,我们决定研究添加统一的数据后的输出卷积神经网络和多层感知器。数据的准确性,共有26个实验进行了。然后,它比较了两个,调整分类器,获得最终的数据,并进行数据分类分析。卷积神经网络初始图像,结合平衡的失真,和有限的直方图处理(22]。对比使用功能训练多层感知器来获取分类实验。不同组合的错误识别率结果如表所示1。
从对比图5,发现最低的误解程度仅为0.92%。这个数据来源于MLP3和卷积神经网络的适应,和它的错误识别率最高为1.01%。其中,分类方法结合MLP1是最稳定的,和三个作品点出率是0.95%。
4.2。卷积神经网络设计实验
我们创建了一个0级深层神经网络和增加的数量特征图像的第一个完全连接的水平。我们改变了核聚变的大小,定义了卷积核的卷积三层 , ,和 ,如表所示2。
比较卷积神经网络在图像细分类的效果,我们使用培训5994张图片和5794图像进行测试。4096 -维特性输出的网络用于分类测试相同的分类器。
从结果表3,我们可以发现卷积神经网络可以从不同的图像预处理数据集的分类精度为53.29%不使用任何以前的图像注释信息。与传统方法相比,改进复杂现象的结果是等价的,展示的巨大潜力卷积神经网络在图像微调。分析后,我们发现,卷积神经网络对传统方法的优点是,可以将输入图像结合网络拓扑。执行功能导出和标准分类同时,和创造在训练和重量可以减少共享。神经网络的结构变得更简单和更具有适应能力。
从数据的数据6和7众所周知,1.37%是最低的错误识别率在这个实验中,彩色图像中的数据。是最高的错误识别率2.73%,出现在灰色图像。可以看出,卷积神经网络的识别效果处理低于彩色图像的灰度图像。通过增加图像的失真程度,获得的出错率也会降低。结合了卷积神经网络的识别系统和多层感知器,我们深卷积神经网络构建只使用收集到的原始图像识别,无论在训练过程中识别的过程。这样一个过程可以提高系统的实时性能。
4.3。健康管理计划的设计分析基于运动干预
共有46名学生获得了健康管理培训,分为23个实验组和23个干预组。在23个学科,22(95年,65%)自身的“有效或基本上有效的健康管理。“一人(4 35%)自身的结果为“健康管理基本上是无效的或无效的,”
在这个实验中,共有18学时进行体育锻炼指导,和时间的物理教学是根据学生的业余时间决定。在18学时,只有一个学生缺席一次由于身体原因,和其他所有的学生缺席,成功地完成了所有课程的体育锻炼指导。可以看出,学生们参与的热情很高,他们也非常珍惜自己的身体,对健康有着强烈的需求。
通过使用正常的经验,得出健康调查总结的所有维度的数据满足正态分布。之前和之后的实验,每个维度的比较健康调查汇总表的实验组是成对使用分析两组数据之间的差异。结果如表所示4。
的健康调查汇总表中的所有维度的值小于0.05,这表明实验组学生在各种维度有显著差异参与健康管理训练营。这也表明,实验在干预的卫生干预措施发挥了作用。
比较健康量表各维度前后的实验中,不难看到,通过锻炼和健康管理训练营的学习,身体各方面的健康水平显著提高。七个维度的健康调查汇总表,每个维度的平均值比实验前实验后有所改善。其中,改善情绪功能最明显,其次是社会功能。整体健康而言,实验后的平均达到85.28,这已经是一个很高的分数。这表明健康管理训练营的团体活动不仅提高学生的身体健康,而且可以提高学生的社会适应性23]。
5。讨论
本文致力于研究和设计建设基于深度学习和体育健康管理模型应用在学院和大学。我们将卷积神经网络和多层感知器结构实现两者之间的最佳适应性。传统的分类和卷积神经网络的分类效果表明细分类的问题图片微调,使它适合图像处理和理解。通过实验用于灰度图像和彩色图像进行分类,我们恢复了原始图像来训练神经网络。随后使用的训练方法不需要非自动的推导过程的特性,提高了系统的实时性能和提高效率。
这种情况下的分析表明,运动干预可以使学生理解和掌握体育锻炼的方法和改善他们的身体状况。,本文介绍了高校体育健康管理模式,从而实现学习的良好组合,医院、体育、心理健康部门和食品相关学科。实现分享学生的健康信息,有助于体育干预的目标实现。
本文以基于深度学习体育健康管理模式为研究对象。首先,通过深度学习的理解和分析,利用卷积神经网络的组合和多层感知器,一个体育健康管理项目的数据分析体育干预。本文得出结论:运动干预可以在体育健康管理起着重要的作用,可以弥补的缺陷管理学院和大学的学生,和更好的服务,提高学生的健康。
6。结论
基于当前的学生健康管理模式的研究,本研究提出了另一种新的管理模式,创新体育健康基于深度学习。研究体育健康管理模型的发展道路应基于促进青少年体育的发展,提供了重要依据政府和学校开展学校体育管理青少年的健康。塑造青少年体育健康模型是基础。现有的体育健康管理模型是本研究的主题,和相关的运动健康管理模式是基于深入研究。通过使用生活方式理论构建青少年体育健康管理的理论框架,它验证的健康年轻人的体育管理模式。近年来的迅速发展,相关研究表明,一方面,国家一定数量的关注健康管理,另一方面,研究的进展也会促进健康管理的发展。我们应该坚信的促进和发展高校体育健康管理系统。它可以帮助学生建立正确的前景对健康和提高他们的健康意识,从而扭转身体健康的总体水平下降的中国学生。
数据可用性
数据共享不适用本文没有生成数据集或在当前的研究分析。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是支持的2018年人文社会科学青年基金项目教育部(项目号:18 yjc890027)。