一种基于人工智能的青少年体育活动与健康相关体能分析算法

为何用智能工具追踪孩子体能很重要

家长和教师长期以来依赖每年一次的学校体能测试来判断儿童的健康和活动水平。然而，这些测试结果常常被束之高阁，成绩也可能因仓促计算或评分不一致而受到影响。本文探讨了人工智能如何将这些常规测量——例如短跑成绩或跳绳次数——转化为一个强大且可靠的系统，不仅能更公平地给出孩子的评分，还能预测其体能随时间的变化趋势。

从简单分数到丰富的健康画像

研究人员首先使用了一大批真实世界的数据：来自2018至2022年五年间的超过13,000份小学生体能记录。每个孩子的记录包括身高、体重、体质指数等基本身体指标，以及50米跑、坐体前屈柔韧性、1分钟跳绳、仰卧起坐和肺活量等测试结果。传统上，教师利用这些结果给出“合格”或“优秀”等总体等级，但这一过程缓慢、易出错，并且未充分挖掘数据中隐藏的信息。研究团队的目标是清理、标准化并重新构思这些数据，使其能支持更智能的决策。

教计算机公平评分

为改进评分过程，作者构建了一个称为反向传播（BP）神经网络的计算模型。该模型不依赖手写规则，而是通过示例学习：它研究大量学生的测试结果及教师给出的最终等级，逐步发现两者之间的关联模式。在训练模型之前，团队剔除了有缺陷的条目，将数值缩放到统一范围，并使用主成分分析这种技术来降低身高、体重和肺活量等高度相关指标之间的冗余。训练完成后，BP网络可以对新的学生测量值即时给出四个等级之一——不及格、及格、良好或优秀——准确率约为98%，明显优于一种更传统的方法——支持向量机。

展望未来：预测未来表现

对本年度测试打分固然有用，但教师也希望了解孩子的体能在几年学年中的发展趋势。为此，研究人员设计了第二个模型，结合了两种深度学习技术。卷积神经网络（CNN）首先学习在某一时间点不同测试项目之间的关系，而长短期记忆网络（LSTM）则观察每个学生成绩随年际的变化。加入的“注意力”层帮助系统聚焦于孩子历史记录中最有信息量的点。在2018至2021年的数据上训练并以2022年数据测试后，这个CNN‑LSTM组合模型比单独使用CNN或LSTM能更准确地预测学生未来的表现，准确率超过90%，在发现问题与避免误报之间取得了良好平衡。

将预测转化为更好的体育课

有了这些预测，教师无需再猜测哪些学生明年可能会困难或哪些技能落后。例如，如果模型预测耐力下降，教职人员可以为该学生安排额外的跑步或有氧游戏；如果柔韧性或核心力量较弱，则可以调整拉伸或仰卧起坐训练。该系统并非取代教师，而是作为决策支持工具：它揭示那些在拥挤的课堂和大量纸质表格中可能会被忽视的趋势。

这对家庭和学校意味着什么

简而言之，这项研究表明，日常体能测试可以远不止年度成绩单上的数字。通过让人工智能梳理多年的结果，学校可以实现更公平的评分、更早地发现问题，并为每个孩子量身定制锻炼计划。研究中的模型展示了计算机能够可靠识别儿童体能发展的模式并预测其走向。对于家长和教育工作者而言，这意味着有更好的机会保持孩子的活跃、健康与自信——使用他们已经收集的信息，但以更智能的方式加以利用。

引用: 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

关键词: 青少年体能, 学校体育, 人工智能, 健康监测, 表现预测