机器学习有助于解码锻炼动机和行为

快速阅读: 据《News-Medical.Net》称，密西西比大学研究团队利用机器学习探讨人们坚持锻炼的因素，发现坐着时间、性别和教育水平是关键预测指标。研究基于问卷数据，虽有一定局限性，但仍为制定长期锻炼方案提供参考。

密西西比大学 2025年4月17日

坚持锻炼计划是很多人遇到的难题。但密西西比大学的一个研究团队正利用机器学习探索是什么让人们坚持锻炼。该团队由博士生李承伯和崔柱弼组成，两人均来自体育教育专业，以及健康、运动科学与娱乐管理系的运动数据分析教授姜民秀。

他们希望通过身体测量数据、人口统计数据和生活方式预测一个人是否符合体力活动指南。他们分析了大约3万份调查数据。为快速处理如此庞大的数据集，他们采用了机器学习，这是一种通过计算机识别模式并基于信息做出预测的方法。

该研究结果发表在《自然》系列期刊《科学报告》上，姜民秀表示：“由于体力活动遵循指南与疾病预防及整体健康模式密切相关，这属于公共卫生问题。”

美国卫生与公共服务部下属的疾病预防与健康促进办公室建议，成年人每周应至少进行150分钟中等强度运动，或75分钟高强度运动，作为健康生活方式的一部分。

研究表明，美国成年人平均每周仅花两小时进行体力活动，仅为疾控中心推荐时间的一半。

美国卫生与公共服务部下属的疾病预防与健康促进办公室建议，成年人每周应至少进行150分钟中等强度运动，或75分钟高强度运动，作为健康生活方式的一部分。

李承伯、崔柱弼和姜民秀使用了国家健康与营养检查调查的公开数据，这项由政府资助的调查覆盖2009年至2018年。

“我们的目标是利用机器学习，根据问卷数据预测人们是否遵循体力活动指南，并找出最佳变量组合以实现精准预测，”该研究的主要作者崔柱弼说。“性别、年龄、种族、教育水平、婚姻状况和收入等人口统计学变量，以及BMI和腰围等人体测量指标均被纳入考量。”

研究人员还剔除了患有某些疾病者的数据以及缺失体力活动数据的响应，以了解包括饮酒、吸烟、就业、睡眠模式和久坐行为在内的生活方式因素对体力活动的影响。

结果显示，在所有表现最佳的预测锻炼习惯的模型中，坐着的时间、性别和教育水平这三个关键因素始终出现，尽管每个模型确定的重要变量各不相同。

崔柱弼指出，这些因素对于理解谁更可能保持活跃且维持社交联系尤为重要，它们可能有助于指导未来的健康建议。

“我原以为性别、BMI、种族或年龄等因素对我们的预测模型很重要，”他说，“但教育水平的重要性让我意外。尽管性别、BMI和年龄等因素更内在地与身体相关，而教育水平是一种外部因素。”

在分析过程中，研究人员剔除了患有某些疾病者的数据以及缺失体力活动数据的响应，这将相关数据精简至11,683名参与者。

研究人员表示，机器学习使他们能够更自由地研究数据。传统方法假设事物呈线性变化，当部分信息过于相似时，其表现欠佳。

机器学习没有这些限制，因此可以更灵活地发现模式。

“我们研究的一个局限性在于使用了主观测量的体力活动数据，参与者需要回忆他们的活动，”崔柱弼说，“人们在使用问卷时往往会高估自己的体力活动，因此更准确、客观的数据能提升研究的可靠性。”

因此，研究人员表示，他们可以在这一领域未来的研究中使用类似的方法，但探索不同的因素，包括膳食补充剂的使用、使用更多机器学习算法或依赖客观数据而非自我报告的信息。

这有助于教练和健身顾问制定人们可长期坚持的锻炼方案。

来源：密西西比大学
期刊引用：
崔柱弼, 李承伯, & 姜民秀. (2025). 使用机器学习预测体力活动指南依从性的建模。《科学报告》，15（1）。https://doi.org/10.1038/s41598-025-90077-1

(以上内容均由Ai生成)