摘要
由于医疗卫生资源、经济和专业知识等方面的制约，许多人群对心肺耐力评估的需求无法得到满足。另外，由于主观因素的影响，不同的专家对同一个人的心肺耐力评估的结果也有所不同。基于此，本研究对以心肺运动实验（CardiopulmonaryExerciseTesting，CPET）为场景下的心肺耐力评估体系进行了分析，构建基于遗传算法（GeneticAlgorithm，GA）优化的极致梯度提升（eXtremeGradientBoosting，XGBOOST）模型，实现对人体心肺耐力的评估，给医院和教练提供可靠的指导。 从心血管功能、气体交换功能和代谢功能初步构建基于CPET的心肺耐力评估指标体系，通过相关性分析和主成分分析法对心肺耐力评估指标体系进行降维。建立基于连续的有序加权平均算子和熵权法的综合赋权模型，避免评价的绝对主观性和绝对客观性。将秩和比法引入逼近理想解排序法综合评价模型中，弥补逼近理想解排序法不能分类的缺点。最后设计心肺运动实验，采集运动时的生理数据，并对数据进行处理。根据实验数据，一方面对评估指标体系进行优化，确定最终的生理特征参数，另一方面，通过综合评估模型，确定受试者的心肺耐力等级。 将生理参数作为输入，受试者心肺耐力等级作为学习标签，对比支持向量机、随机森林和XGBOOST三种模型对心肺耐力等级分类的结果，XGBOOST的正确率和Macro-F1Score均取得了不错的效果。使用SHAP（ShapleyAdditiveexPlanations，SHAP）模型可解释器对XGBOOST模型进行解释，其结果与前人临床研究结论基本一致。然后采用遗传算法对XGBOOST模型的超参数进行优化，提高了识别的性能。最后，将GA-XGBOOST模型对受试者心肺耐力评估的结果与其他常用的心肺耐力评估方法对比，验证了CPET场景下建立的GA-XGBOOST模型具有一定的有效性。 设计并开发心肺耐力评估系统，基于该系统，设计心肺耐力实验以及运动处方，实现GA-XGBOOST模型对受试者的评估，并结合专家诊断建议验证运动处方对心肺耐力提升的效果。
NETL