胖不胖：看人工神經網絡怎么“稱”

　　肥胖是世界衛生組織確定的十大慢性疾病之一，而中國的肥胖現狀更為嚴峻。世界衛生組織的最新報告顯示，在我國現有近9000萬肥胖者，這一數字已超越美國居世界首位。肥胖常與心血管、高血脂、糖尿病等疾病相伴，更增加了對人體健康的威脅。然而，怎樣才算肥胖，如何對肥胖進行更確切的評估呢？2016年第3期《前沿科學》刊載了清華大學體育與健康科學研究中心主任張冰教授等的論文“基于BP神經網絡的體脂百分比評估模型研究”，對這一問題進行了詳細解讀。

　　 張冰告訴記者，通常人體體重可劃分為兩部分，脂肪組織的重量和去脂肪重量。人體成分是指人體中的脂肪重量和去脂體重占體重的比例，而用來評價一個人的身體成分最重要的指數就是體脂百分比或稱脂肪率，即脂肪重量占人體體重的百分比。

　　 近幾十年隨著科學技術的發展，用來進行人體成分評測的方法和技術越來越豐富。據張冰介紹，評估人體成分的直接方法是通過尸體解剖進行分析，其他的評價方法都是間接的。由于尸體的研究數量有限，所以許多身體成分的評價技術可以被稱為雙重間接測試，也就是通過另一個間接測試方法、誤差以及隨后的測量數據進行估測。如此間接的結果，大多數是用來對人體成分進行估測或預測。而估測的方法也從簡單易行的方法到非常復雜昂貴的實驗室測試等，也可以按照測試人員的技能和儀器設備兩個參數進行分類。比較復雜的測試方法有實驗室的水下稱重法、雙能X射線測試法、總體電導率或阻抗、核磁共振成像等，而比較簡單的方法有皮褶測試法、圍度測試法、生物電阻抗等。其中水下稱重密度測試方法歷來被認為是人體成分測量的金標準，其主要通過水下人體重量與人體密度密切相關的原理來進行估測的。以上檢測測量設備對環境、成本等要求較高，所以通過人體測量學的方法對青少年和成人的身體成分進行評測顯得尤為重要。

　　 “人體測量方法可以用來評估身體形態及身體成分的比例，具體方法包括身高、體重、身材比例、圍度、皮褶厚度、骨骼圍度和長度等。”張冰說。通過篩查，選定了研究樣本量在1000人以上的三個國外經典體脂百分比預測方程作為比較對象。本次測試在實驗室采用韓國Inbody3.0測試儀器，主要以大學生及大學附近的社區居民為主要對象。總計測試了1000人，其中男女各500人，年齡在20歲至76歲之間，體質指數（BMI）在16.2—42.7 kg/m2之間。進一步線性相關分析發現，三個公式同Inbody3.0儀器測試均呈現出顯著的相關關系。相比原公式推導時的驗證的相關系數，本次實驗數據均達到或超過了原實驗的相關系數，可以看出三個經典方程對于估測體脂百分比均有較好的效度。采用1000人的Inbody3.0儀器檢測數據，輸入指標為年齡、性別、身高、體重和BMI指標，利用BP人工神經網絡進行建模實現更加精確的評估。

　　 張冰說，人腦可以看作是一個高度復雜的、非線性的和并行的信息處理系統。神經元是人腦神經系統的最基本結構單元，當一個神經元被激活后，一個信號在該神經元的軸突傳遞，最終經過該神經元的軸突末梢將信號傳遞給其他神經元或神經。通過刺激傳遞，人腦能完成許多高效計算機也難以完成的感知識別任務。

　　 什么是人工神經網絡呢？張冰說：“隨著神經生物學、生理學的發展，人們試圖通過模仿人腦的一些基本的信息處理方法建立模型，這種模仿大腦的功能稱為人工神經網絡。”如果從自適應機器的視角對神經網絡進行分析，可以將神經網絡看作是有簡單處理單元構成的大規模并行分布式處理器，其天然地具備存儲經驗知識和使之可用的特性。神經網絡同人腦主要有兩個方面比較相似，一是通過學習從外界環境中獲取知識，二是互聯神經元的連接強度及突觸權值用于存儲所獲得的知識。張冰認為，盡管不是所有問題都適合采用神經網絡來解決，但神經網絡對于許多問題還是非常好的解決方法之一。相較于傳統程序算法，神經網絡可以實現相同功能而用更少的代碼。神經網絡對于求解一些難以用固定模式解決的問題比較適合，如模式識別、分組分類、預測和數據挖掘等。單層感知器只能解決線性可分的問題，而實際應用過程中大量的問題都屬于線性不可分問題，而采用多層人工神經網絡可以實現復雜的預測及分類任務。

　　 目前人工神經網絡至少已經有幾十種模型，例如BP神經網絡、RBF神經網絡、ART神經網絡等。其中應用最多、范圍最廣的應屬BP算法，其采用非循環多級網絡的訓練算法，雖收斂速度較慢，但因其具有廣泛的適用性，使得它自從被提出后很快就成為應用最為廣泛的多層網絡訓練算法。可以說BP算法的出現，彌補了多層人工神經網絡沒有算法的缺點。

　　 張冰指出，采用BP人工神經網絡經過數萬次的反復分析、訓練，計算，確定了輸入指標為年齡、性別、身高和BMI2，采用最大錯誤率為萬分之一，學習率0.02，記憶率0.7，訓練次數2萬次得出結果符合預期要求，將經典回歸方程的偏倚程度縮小了0.9，評估準確性在其基礎上提高了7.6%。總體上來看，通過BP人工神經網絡模型估算方法比前面的三個估測方程更加理想，可以更確切的進行體脂百分比的評估。