Алгоритм на базе ИИ для анализа физической активности и показателей здоровья у детей и подростков

Почему важно отслеживать фитнес детей с помощью умных инструментов

Родители и учителя давно полагаются на ежегодные школьные тесты по физкультуре, чтобы оценить, насколько дети здоровы и активны. Однако эти тесты часто лежат в папках, а оценки могут искажаться из‑за поспешных вычислений или непоследовательного выставления баллов. В этой работе рассматривается, как искусственный интеллект может превратить рутинные измерения — например, время спринта или количество прыжков через скакалку — в мощную и надежную систему, которая не только ставит более справедливые оценки, но и прогнозирует, как будет меняться физическая форма ребенка со временем.

От простых оценок к полноценным рассказам о здоровье

Исследователи начали с большого массива реальных данных: более 13 000 записей о физическом состоянии учеников начальной школы, собранных за пять лет — с 2018 по 2022 годы. В каждой записи были базовые антропометрические данные, такие как рост, вес и индекс массы тела, а также результаты тестов — 50-метровый бег, тест «наклон вперёд сидя» на гибкость, прыжки через скакалку за одну минуту, скручивания (пресс) и лёгочная ёмкость. Традиционно учителя использовали эти результаты для выставления общих оценок вроде «неудовлетворительно» или «отлично», но процесс был медленным, подверженным ошибкам и лишь частично использовал информацию, скрытую в числах. Цель команды заключалась в очистке, стандартизации и переосмыслении этих данных, чтобы они могли поддерживать более обоснованные решения.

Обучение компьютеров ставить оценки справедливо

Чтобы улучшить процесс выставления оценок, авторы построили компьютерную модель на основе нейронной сети обратного распространения ошибки (BP). Вместо того чтобы полагаться на вручную прописанные правила, эта модель учится по примерам: она изучает множество тестовых результатов учеников вместе с итоговыми оценками, выставленными учителями, и постепенно обнаруживает закономерности, связывающие их. Перед обучением команда удаляла некорректные записи, масштабировала показатели к общему диапазону и использовала метод главных компонент для уменьшения дублирования между тесно связанными измерениями, такими как рост, вес и лёгочная ёмкость. После обучения BP‑сеть могла по новым измерениям учащегося мгновенно присвоить один из четырёх уровней — «неудовлетворительно», «удовлетворительно», «хорошо» или «отлично» — с точностью примерно 98%, превосходя более традиционный метод опорных векторов с заметным отрывом.

Смотрим в будущее: прогнозирование будущих результатов

Выставление текущих оценок полезно, но учителям также важно понимать, как фитнес ребёнка будет развиваться в течение нескольких школьных лет. Для этого исследователи разработали вторую модель, объединяющую две методы глубокого обучения. Сверточная сеть (CNN) сначала изучает, как между собой связаны разные тестовые показатели в определённый момент времени, а сеть с длительной краткосрочной памятью (LSTM) анализирует, как изменяются оценки каждого ученика из года в год. Дополнительный слой «внимания» помогает системе фокусироваться на самых информативных моментах в истории ребёнка. Обученная на данных 2018–2021 годов и протестированная на 2022 год, эта комбинированная модель CNN‑LSTM предсказала будущие результаты учащихся точнее, чем отдельные CNN или LSTM, достигнув более 90% точности и хорошего баланса между выявлением проблем и минимизацией ложных срабатываний.

Как превратить прогнозы в улучшенные уроки физкультуры

Имея такие прогнозы, учителям не нужно гадать, кто из учеников может испытывать трудности в следующем году или какие навыки отстают. Если модель предсказывает снижение выносливости, персонал может запланировать дополнительные пробежки или аэробные игры для этого ученика. Если наблюдаются проблемы с гибкостью или силой корпуса, можно скорректировать комплексы растяжки или упражнения на пресс. Система не заменяет учителей, а выступает как инструмент поддержки принятия решений: она выявляет тренды, которые могли бы быть незамеченными в переполненных классах и среди большого количества бумажных форм.

Что это значит для семей и школ

Проще говоря, это исследование показывает, что повседневные тесты по физкультуре могут быть гораздо больше, чем ежегодные цифры в отчётах. Позволяя ИИ проанализировать годы результатов, школы могут выставлять оценки справедливее, своевременно выявлять проблемы и адаптировать программы упражнений под потребности каждого ребёнка. Модели исследования демонстрируют, что компьютеры надёжно распознают закономерности в физическом развитии детей и способны прогнозировать его направление. Для родителей и педагогов это означает лучшие шансы поддерживать детей активными, здоровыми и уверенными в себе — используя уже собираемые данные, но гораздо более интеллектуально.

Цитирование: Lv, M., Wang, J., Yang, Y. et al. An AI-based algorithm for analyzing physical activity and health-related fitness in youth. Sci Rep 16, 5105 (2026). https://doi.org/10.1038/s41598-026-35514-5

Ключевые слова: фитнес для детей, школьное физическое воспитание, искусственный интеллект, мониторинг здоровья, прогнозирование результатов