發(fā)布時間：2021-06-07 02:10

　　應用機器學習模型對青少年運動員在新冠肺炎疫情流行期間的應對能力狀況進行快速識別和預測。利用"問卷星"在線調查平臺對來自煙臺市6家體育運動學校1 699名7～17歲青少年運動員開展問卷調查,收集疫情防護知識與行為信息并計算應對能力得分,利用動態(tài)聚類分析將應對能力分為高、低兩個響應級別,并建立隨機森林模型度量各類應對能力影響因素的重要性;以各類影響因素為輸入特征,建立BP神經網(wǎng)絡、支持向量機和多元自適應回歸樣條3種機器學習模型對響應級別進行分類預測,并與Logistic回歸模型進行預測準度和分類性能的比較。結果顯示:參與調查的青少年運動員對疫情防護知識知曉程度不夠全面,將近1/2的運動員無法克服緊張和恐慌心理,約3/4的運動員無法完成訓練計劃;疫情應對能力影響因素重要性排序結果顯示,年齡、訓練項目和居住地區(qū)位居前3位;機器學習模型預測結果顯示,與Logistic回歸相比,基于徑向基核函數(shù)的支持向量機模型平均準確率（80.32%）最高,提升7.15%,多元自適應回歸樣條加法模型的靈敏度（0.86）最高,提升12.24%,5-3-2-1雙隱含層結構BP神經網(wǎng)絡模型的特異度（0.83）最高,提升... 

【文章來源】：體育學刊. 2020,27(03)北大核心CSSCI

【文章頁數(shù)】：6 頁

【部分圖文】：

基于MDG分析的應對能力各類影響因素重要性排序

【參考文獻】：
期刊論文
[1]新型冠狀病毒肺炎流行期間居家兒童青少年抑郁情緒調查及影響因素分析[J]. 王悅,楊媛媛,李少聞,雷曉梅,楊玉鳳.  中國兒童保健雜志. 2020(03)
[2]基于機器學習的新型冠狀病毒（COVID-19）疫情分析及預測[J]. 王志心,劉治,劉兆軍.  生物醫(yī)學工程研究. 2020(01)
[3]機器學習算法在醫(yī)療領域中的應用[J]. 蘭欣,衛(wèi)榮,蔡宏偉,郭佑民,侯夢薇,邢磊,那天,陸亮.  醫(yī)療衛(wèi)生裝備. 2019(03)
[4]機器學習算法在預測男男性行為人群中HIV感染的應用[J]. 郭長滿,郭敏,劉媛媛,李長平,崔壯,馬駿,.  中國衛(wèi)生統(tǒng)計. 2019(01)
[5]基于機器學習統(tǒng)計思想實現(xiàn)多重線性回歸分析[J]. 谷恒明,胡良平.  四川精神衛(wèi)生. 2018(01)
[6]桂林市大學生H7N9禽流感知識及影響因素分析[J]. 梁秋瑜,盧雪婷,徐世杰,孟繁文,王芳,符雄駒,譚盛葵.  中國學校衛(wèi)生. 2014(09)
[7]農村居民突發(fā)公共衛(wèi)生事件應對能力調查分析[J]. 程慶林,胡連鑫,李杰,徐勇.  中國衛(wèi)生事業(yè)管理. 2010(08)
[8]基于BP神經網(wǎng)絡的足球運動員選材研究[J]. 彭利民,周毅.  廣州體育學院學報. 2010(01)
[9]SARS流行期少年兒童學習適應的調查[J]. 陸小英,方格.  中國行為醫(yī)學科學. 2005(09)
[10]從SARS談對青少年應激能力的培養(yǎng)[J]. 馮維,葛纓.  中國教育學刊. 2003(09)

博士論文
[1]面向智能決策問題的機器學習方法研究[D]. 陳慧靈.吉林大學 2012

碩士論文
[1]機器學習算法在醫(yī)療數(shù)據(jù)分析中的應用[D]. 葉雷.華中師范大學 2017



本文編號：3215631