来源：期刊VIP网 时间：
作者：何梓豪;赵广高;付近梅;苏利强;王荣辉;
单位：南昌大学体育学院;北京体育大学运动人体科学学院;江西省体育科学医疗中心;江西师范大学体育学院;
摘要：目的：采用随机森林、支持向量机、k-近邻算法、决策树与高斯朴素贝叶斯5种机器学习算法构建覆盖全面、分类精细与准确率高的学龄前儿童身体活动（PA）类型识别模型，为PA的精准评估及运动干预提供多维度、多样化的方法参考。方法：招募31名4～6岁儿童，在其右侧髂嵴处佩戴ActiGraph GT3X-BT加速度计，连续3 d在幼儿园日常活动，同步采集视频。通过ELAN软件对视频进行标注，识别坐姿不动、坐姿活动、站姿不动、站姿活动、爬行、步行、跑步和跳跃共8类PA类型，并通过时间戳匹配加速度数据。数据按5 s、10 s、15 s窗口分割，提取22项时频特征。经数据增强与SMOTE处理后，构建5种机器学习模型。采用网格搜索法优化参数，并通过五折交叉验证评估模型的准确率、F1分数及混淆矩阵表现。结果：随机森林、决策树、支持向量机、k-近邻算法与高斯朴素贝叶斯的总体F1分数最高分别为93.3%、85.5%、82.5%、68.2%与67.0%。其中，随机森林模型在10 s 10%的重叠窗口时性能最佳，8类PA类型准确率均超过80%，且优于其余4种分类模型。随机森林模型准确率依次为站姿不动（99%）、步行（99%）、跑步（93%）、跳跃（90%）、坐姿活动（90%）、站姿活动（88%）、坐姿不动（88%）、爬行（87%）。结论：基于自由生活环境数据训练的随机森林分类模型能有效预测学龄前儿童的PA类型，为幼儿园体育课程设计、家庭体育健康干预方案以及相关体育政策的制定提供科学依据。
关键词：身体活动;;随机森林;;机器学习;;学龄前儿童;;加速度计
基金资助：国家社会科学基金项目“基于数据挖掘的我国幼儿体质健康促进实证研究”（项目编号：21BTY088）
