关键词： 野生型胶质母细胞瘤   弥散张量成像   影像组学特征   预后价值   风险分层   机器学习  

摘要： 背景:　　胶质母细胞瘤(Glioblastoma,GBM)是胶质瘤中发病率最高、恶性程度最高且预后最差的一种分型。其标准多模式治疗包括最大安全切除术以及术后规律放疗联合替莫唑胺化疗。尽管进行了标准治疗，患者中位生存期也仅有12-15个月。世界卫生组织(World Health Organization,WHO)于2021年发布了第5版中枢神经系统(Central Nervous System,CNS)肿瘤分类办法，其中异柠檬酸脱氢酶(Isocitrate Dehydrogenase,IDH)野生型且病理检验提示肿瘤组织存在坏死或微血管增生，或具有表皮生长因子受体基因扩增、7号染色体扩增/10号染色体缺失(+7/-10)、端粒酶逆转录酶(Telomerase Reverse Transcriptase,TERT)启动子区突变这三个分子变异之一的成人弥漫性胶质瘤被定义为“胶质母细胞瘤，IDH野生型”。与2016年的WHO CNS肿瘤分类办法相比，IDH突变型的胶质瘤被排除在GBM之外，显著降低了 GBM的异质性。然而，目前的临床工作发现IDH野生型GBM患者的治疗反应及预后情况仍存在较大差异。这表明IDH野生型GBM背后可能存在不同亚型。因此，对IDH野生型GBM患者进行风险分层，探索各个亚型背后的特征性生物学通路将有助于改善疾病管理，指导个体化治疗。近年来，影像组学与机器学习技术的飞速发展大大降低了提取与分析高通量数据的难度。因此，大量的影像组学研究得以展开，众多研究结果表明医学影像可部分地反映肿瘤的病理生理特征。在胶质瘤磁共振成像(Magnetic Resonance Imaging,MRI)相关的影像组学研究中发现，影像组学特征比临床病理特征显示出了更高的预后价值。作为MRI中的结构成像序列，弥散张量成像(Diffusion Tensor Imaging,DTI)通过收集并分析脑中水分子扩散方向的信息来展示脑白质纤维束的微观结构，它能够清晰地反映胶质瘤对脑白质纤维束的侵犯与浸润，帮助人们了解胶质瘤对脑组织微观结构的影响。然而,由于缺乏对DTI序列相关指标的含义与临床意义的了解，使DTI序列的临床应用受到极大的限制。　　目的：　　从DTI图像中提取并筛选出具有高预后价值的影像组学特征，构建并验证预测IDH野生型GBM患者预后的影像组学模型，对患者进行风险分层，寻找可能的肿瘤亚型。探索这些高预后价值的影像组学特征背后的生物学基础，从而对IDH野生型GBM患者进行早期精准干预，以改善患者的预后。　　方法：　　本研究团队搜集了从2013年1月到2022年1月之间，于郑州大学第一附属医院神经外科进行手术治疗并经过组织病理确认的脑胶质瘤患者的临床及影像资料信息，经过入组筛选后共纳入258名IDH野生型GBM患者。将入组患者按照约1∶1的比例随机分入训练集(N=134)与验证集(N=124)。将同时具有术前DTI图像与术后肿瘤标本转录组测序(RNA Sequencing,RNA-Seq)数据的患者纳入影像基因组学分析集(N=53)。从入组患者的术前DTI图像中提取轴向弥散率(Axial Diffusivity,AD)、各项异性分数(Fractional Anisotropy,FA)、径向弥散率(Radial Diffusivity,RD)和平均弥散率(Mean Diffusivity,MD)参数图，并分别从中提取影像组学特征。依次通过组内相关系数(Intraclass Correlation Coefficient,ICC)分析、单变量预后分析、套索算法(least absolute shrinkage and selection operator,LASSO)联合Cox回归分析的特征筛选办法，使用最终筛选出的最具预后价值的影像组学特征构建预后模型，并算出每位患者的影像组学风险得分(Radscore)。然后，使用多种指标与方法，从多维度来综合评价影像组学预后模型的预测能力。此外，我们使用加权基因共表达网络分析(Weighted Gene Co-expression Network Analysis,WGCNA)结合基因集富集分析（Gene Set Enrichment Analysis,GSEA）方法，在影像基因组学分析集中寻找影像组学特征背后的关键生物学通路。　　结果：　　从AD、FA、MD和RD参数图中提取影像组学特征共计4788个，进行特征筛选后共得到14个预后价值较高的影像组学特征构建预后模型，其中以体素强度特征与纹理特征对预后模型的贡献最大，而形状特征则未入选。经统计分析，分入训练集与验证集的患者之间的临床信息无显著差异[性别(P=0.376）、年龄（P=0.638）、术前卡氏评分（Karnofsky Performance S

关键词： 脊柱骨折   机器学习   死亡率   重症监护病房   预测模型  

摘要： 目的:关于重症监护病房中脊柱骨折患者的严重性评价标准极少,直至目前,除了我们的成果外,尚未有其他人在预测脊柱骨折患者的院内死亡方面做出相关研究。因此,我们当前研究的目的旨在利用患者入院24小时内的各项临床指标评估患者的严重性,做出患者院内死亡风险概率的预测,从而尽早的识别高危患者,指导临床实践。方法:我们的患者来源于两个大型的重症医学数据库,分别是MIMIC-III(Medical Information Mart for Intensive Care version III)数据库和e RI(e ICU Research Institute Database)数据库。我们通过疾病诊断代码来识别诊断为脊柱骨折的患者,并删除重复的入院记录。本研究采集了患者人口学特征、实验室检查、共患病和各项评分系统这四大方面的数据。通过对比死亡组和存活组之间各项指标的统计学差异,以及正则化方法进行降维,最后通过临床经验筛选出有意义的临床特征进行建模。我们使用MIMIC-III数据库作为训练集(内部验证集),使用e RI数据库作为验证集(外部验证集),我们开发并验证了六种流行的机器学习算法,分别是:k邻近算法,随机森林,极限梯度提升,逻辑回归和神经网络。根据模型的内部和外部验证结果,我们进行了数据可视化,并筛选出最佳的模型。考虑到医疗行业的特殊性,我们还进行了模型可解释性分析。结果:最后一共1512名患者纳入本研究中,其中MIMIC数据集纳入1190名患者,117名患者发生院内死亡,死亡率9.83%;e RI数据集中纳入322名患者,25名患者死亡,死亡率7.76%。经过上述方法的筛选,最后我们一共纳入20个临床变量进入模型训练中。模型验证的结果表明,综合来看,无论是内部验证还是外部验证,随机森林算法的表现较为稳定且优秀,其内部验证和外部验证的AUC值分别是0.77和0.73。在可解释性分析中,该模型最重要的三个变量是:体温、平均动脉压和年龄,其他的可解释性分析也证明该模型的判断方式与我们以往的医疗知识一致。结论:我们的研究成功的开发并验证了多个机器学习模型用于预测重症监护病房中脊柱骨折患者的院内死亡,其中随机森林模型的表现最好,模型的可解释性分析也符合医学认知,同时外部验证也证实我们当前的模型具有强大的迁移和泛化能力。综上所述,我们的模型可以早期精确的识别高危患者,提前采取积极有效的有望降低入院患者的死亡率;同时我们的研究也存在一些局限性,特别是本研究是一项回顾性研究,之后需要更多的前瞻性研究对我们的结果进行验证。

关键词： 深度神经网络   专家特征   心电图   注意力机制   多模态  

摘要： 心脏疾病因其高致死率而成为人类生命的一大威胁,对其诊断和预防显得尤为重要。心电图(Electrocardiogram,ECG)是一种广泛使用的、可靠的无创心血管疾病诊断方法。现有的通过心电图进行疾病诊断的方法耗费医生大量的精力和时间且依赖医生积累的经验判断,心电图信号的自动特征提取以辅助分析心脏疾病已成为热门研究课题。近年来,随着深度学习方法在医疗领域的表现越发突出,基于深度学习的心脏疾病辅助诊断方法越来越多,利用其对心脏疾病快速进行自动化辅助诊断,可以有效地优化诊治流程,提升诊断效率,为医师节约诊断时间。卷积神经网络有很强的特征提取能力但对时间信息不敏感,循环神经网络对时序信息有很强的分析能力但对于较长信息效果并不好。如何结合卷积神经网络的特征提取能力以及循环神经网络的时序信息分析能力并通过心电图对心脏疾病做出精准的诊断是我们非常关心的问题。缺血性心脏病(Ischemic Heart Disease,IHD)是心脏疾病中最常见的一种,对患病者早期医疗数据进行深度挖掘以预测缺血性心脏病的发生和发展情况,可以更有效地对缺血性心脏病进行预防。心电图能够反映心脏功能状态,因此是研究缺血性心脏病的理想数据来源。然而,易于获取的静息心电图通常不能有效检测心肌缺血,往往需要通过负荷诱导才能检测。运动心电图数据能够有效地诱发心肌缺血,利用其能够更好地对缺血性心脏病进行分析。但因为运动心电图数据噪声大、数据收集困难、对随访者医疗信息难以长期追踪等问题,目前通过机器学习方法使用运动心电图对缺血性心脏病进行长期预测仍是缺乏研究的问题。对于如何通过心电图对心脏疾病精准地进行诊断、通过心电图数据对缺血性心脏病进行长期预测这两个问题,本文分别提出了基于深度学习的心脏疾病诊断模型和基于多模态数据的缺血性心脏病预测模型。本文的创新工作主要有以下几点:·针对如何融合卷积网络与循环网络方法优点的问题,本文提出了提取切片心电图数据局部切片特征的网络模块,并使用双向长短期记忆网络捕获切片特征的上下文信息得到全局特征。此外还使用了注意力机制对模型内的特征融合机制进行了优化以减小特征量,这样可以更好地挖掘关键信息,提升模型的诊断性能。在两个公开数据集上的表现证明了我们模型的性能。·针对通过机器学习方法使用运动心电图对缺血性心脏病进行长期预测研究缺乏的问题,我们通过结合基于英国生物数据库运动心电图测试的随访心电图数据与随访者随访后12年期间在全英国医院的住院记录信息建立了缺血性心脏病长期预测标签,并将数据以研究成果的方式返回至英国生物数据库中。·针对通过心电图对缺血性心脏病长期预测特诊提取困难的问题,我们提出了基于卷积神经网络的深度心肌缺血特征提取器用于提取患者的心肌缺血信息,并提出了结合运动负荷数据及基础生理指标的专家特征,最后我们的预测模型在基于上述自建的标签数据集上对缺血性心脏病进行长期预测,其结果表现较其他对比方法得到了有效的提高。我们所提出的专家特征也能为未来缺血性心脏病的预测研究提供有价值的信息。

关键词： 心脏病预测   集成学习   超参数优化   长短时记忆网络   卷积神经网络  

摘要： 近年来,心脏病的致死率越来越高,并且心脏病患者的年龄也呈现递减趋势,部分中青年人群也有较高的患病风险。当心脏出现问题,无法将血液供给到人体其它部位时,便会引发心脏病。因此,如何对心脏病进行有效的预测,做到早发现早治疗,成为当前医学领域的热门问题。值得庆幸的是,随着人工智能的成熟,研究者们开始将数据挖掘技术应用于疾病研究领域,为心脏病的预测提供了新途径。本文基于数据挖掘中的分类技术,应用相应的算法构建心脏病预测模型来进行探究,并对研究结果进行对比分析。论文主要研究内容如下:(1)基于增强逻辑回归算法的冠心病风险预测研究随着机器学习逐渐应用到心脏病预测领域中,但预测的准确率与精确率仍有待提高。因此,为了提升心脏病预测的准确性,本文提出了基于增强逻辑回归算法的冠心病患病风险预测模型,基于Ada Boost算法,将逻辑回归算法作为弱学习器进行多次迭代训练,从而完成预测模型MEB-LR(Medical Ensemble learning-Logistic Regression)的构建,将常见的单一模型与增强前后的模型进行对比验证。采用各项评价指标进行评估,结果表明,本文模型具有更高预测精度。(2)基于不完整数据的IHB-Light GBM模型心脏病预测研究由于心脏病数据往往出现不完整情况,并且目前多数超参数优化算法存在寻优效率较差的问题。为此,本文提出基于不完整数据的IHB-Light GBM(Improved Hyperband-Light Gradient Boosting Machine)心脏病预测模型。首先,在Hyperband算法超参数采样的基础上引入了权重值以提高算法的参数寻优能力;其次,使用K近邻算法对不完整数据进行缺失值插补;最后,对Light GBM采用改进后的IHB优化算法进行全局参数寻优,建立IHB-Light GBM心脏病预测模型。结果表明,IHB算法的参数寻优效果优于其它常见的优化算法并且本文模型在各项评价指标也上明显高于随机森林等算法,可以获得更快的预测速度和更高的预测精度。(3)基于CNN-LSTM的心率失常多分类算法研究针对机器学习提取图像特征过程复杂且提取能力有限,并且心电图信号存在噪声干扰等问题。本文利用小波变换对心电图信号进行降噪处理,并将处理后的心电数据采用GAN网络进行数据增强,之后提出了卷积神经网络(Convolutional neural network,CNN)与长短时记忆网络(Long Short Term Memory,LSTM)相结合的心律失常多分类模型,并采用M IT-BIH心电数据集进行实验仿真。实验结果表明,与其它方法相比,本文模型在心律失常分类中有着明显的优势,为相关医疗实验提供了有用价值。

关键词： 铝锂合金   机器学习   纳米压痕   力学行为  

摘要： 铝锂合金相比传统铝合金具有更高的比强度、抗疲劳性能,被认为是理想的航空航天轻量化结构材料。铝锂合金优异的综合力学性能来源于微观组织特征的精细调控,探明铝锂合金的构性关系对力学性能优化至关重要。然而,铝锂合金微观组织特征与力学性能关联规律复杂,实验表征与模拟计算等研究方法难以比较各微观组织特征影响强弱关系,极大地增加了该问题的研究难度。近年来,以机器学习驱动的材料性能研究日趋成熟,为该问题的研究提供了新思路:通过收集大量的铝锂合金构性关系数据,使用机器学习方法分析构性关系数据集,预测合金力学性能并给出微观组织特征的重要性排序,进而指导数学物理模型的构建。由此,本课题围绕铝锂合金微观组织特征对微区力学性能影响规律与机制这一科学问题展开,以AA2099铝锂合金为研究对象,结合纳米压痕（nano-indentation）、扫描电镜（SEM）、电子背散射衍射（EBSD）、透射电镜（TEM）等表征测试手段,高效地建立了铝锂合金微观组织特征—硬度数据集;结合机器学习数据挖掘与实验机制分析,揭示了微观组织特征参数与AA2099铝锂合金微区力学性能关联机制。本文主要发现及结论如下:（1）删除低关联性参数有助于提升机器学习模型的预测能力。ST样品中,最近晶界距离(D)和晶粒最短轴(D)与硬度呈负相关,ND加载施密特因子(SF)与硬度呈正相关。对比了线性回归（LR）、决策树（DT）、随机森林（RF）、BP神经网络（BP）四种模型的预测效果,其中随机森林算法拥有更高的预测精度,能够利用半定量地给出微观组织特征的重要性排序。在所有样品中,D、D、SF均为重要微观组织特征。（2）Berkovich压头的纳米压痕硬度测试可视作ND方向的单轴压缩变形,基体一般会开动施密特因子最大的两个滑移系来协调塑性变形。靠近晶界的压痕点硬度明显升高,且高角晶界相较于低角晶界作用更为显著。T相惯习关系能够增强晶体取向对硬度的影响程度,压痕点硬度与{111}滑移面与表面最小夹角正弦值(sin)呈明显的负相关趋势。实验表征分析结论与机器学习的预测结果吻合度良好。该现象表明机器学习预测结果即便在微观组织结构-硬度相关系数未达到预期情况下（R＜0.9）,仍能准确地对微观组织特征重要性进行半定量排序。（3）析出强化是T8态铝锂合金的主要强化机制,应变硬化为该状态样品的次要强化机制。采用简单叠加的屈服强度模型中,晶界对屈服强度的贡献有限,忽略晶界强化仍可根据强化模型得到较为准确的预测值。而采用简单叠加强化效果的方式并不适用于纳米压痕硬度预测模型,晶界强化对硬度有显著的影响,需考虑晶界强化与固溶强化、应变强化、析出强化的耦合作用。基于机器学习重要性排序结果,添加晶界强化系数k对简单叠加模型进行修正;最后总结了宏观力学性能与微观力学性能的关联规律,发现纳米压痕硬度与拉伸屈服强度总体上呈良好的线性分布。

关键词： 焊枪姿态   横焊   图像处理   机器学习   LSTM  

摘要： 焊接运用在工业生产的众多领域,自动化焊接已经成为焊接行业的发展趋势,目前的自动化焊接仍然只能进行流水线作业和简单焊接任务,其智能化水平较低,焊接机器人只能实现在特定环境下对熔池进行控制。工业生产正在向高精度、智能化、高效化发展,焊接机器人难以满足逐渐提高的工业要求,而且由于焊工的缺乏和焊接环境的恶劣,迫使焊接机器人从事生产的领域增多,但是其焊接质量达不到要求,无法替代人工进行焊接作业。焊接机器人智能化水平严重制约自动化焊接领域的发展。熔池的控制是保证焊接质量的关键所在,由于焊接过程中熔池的实时状态是不确定的,受众多因素影响难以建立数学模型分析流动过程。研究焊工在横焊过程中对熔池的控制,焊工通过观察实时熔池状态,获取熔池信息,依据焊接经验调整焊枪姿态实现对熔池的控制。为了充分探索和利用焊工基于经验的行为机制,即观察熔池并解析熔池信息实时调节焊接参数,本文采用机器学习的方法解析焊工实时横焊焊接过程并建立了人类焊工智能焊接的模型,分析焊工如何利用经验对横焊熔池进行控制,并从以下几个方面对焊工对横焊熔池控制的操作行为进行了研究。(1)寻找高级焊工进行横焊实验,搭建手动焊接过程图像采集平台,通过视觉传感器采集熔池图像并作为原始数据集,此过程是解析横焊焊工操作行为的基础。(2)为了研究横焊下焊工的操作行为,找出如何根据熔池的变化焊枪发生改变的,需要提取焊工操作的特征。为此搭建焊工横焊过程图像采集平台,对采集的熔池图像进行处理,提取熔池的特征和焊枪的特征。原始图像受到弧光干扰和噪声的影响较大,对图像进行预处理,采用中值滤波滤除椒盐噪声并提取感兴趣(ROI)区域,再进行图像增强突出熔池轮廓,使用边缘检测算子提取熔池边缘。焊枪受弧光干扰较严重,需要分别提取熔池的轮廓和焊枪的轮廓,最后得到了熔池的中心点和焊枪的中心点,即焊枪的位置和熔池的位置。(3)由于焊枪的位置改变是根据上一时刻熔池的位置而发生变化的,两者之间有着时序关系。运用机器学习的长短期记忆网络(LSTM)强大的序列学习能力,搭建一个基于长短期记忆网络的焊工智能焊接模型。该模型以横焊熔池图像提取的熔池位置信息为模型的输入,焊枪位置信息为模型的输出,通过焊工智能焊接模型研究焊工的焊枪位置随熔池位置的变化关系,解析焊工的操作行为并对焊枪的轨迹进行预测。由于搭建的LSTM模型是多输入对输出,网络较为复杂,设计了灰狼优化算法(GWO)对网络进行优化,提高模型的准确率。(4)对GWO进行了改进,搭建了一个IGWO-LSTM的焊工智能焊接模型,改进后的模型性能优于GWO-LSTM模型,同时比较了反向传播神经网络(BP)和门控循环神经网络(GRU)在测试集的误差,IGWO-LSTM模型在测试集的均方根误差(RMSE)是最低的,平均相对百分误差(MAPE)平均绝对误差(MAE)都是最低的,其拟合效果最佳。IGWO-LSTM模型能够解析焊工横焊过程焊枪位置随熔池位置的变化并预测焊枪轨迹,初步实现焊接智能化,并为智能化焊接奠定了基础。

关键词： 股票分类   Boruta算法   Copula熵   机器学习   交互作用  

摘要： 股票市场是股票发行和交易的场所,良好的股票可以帮助公司吸引投资者投资以此来获取资金运作,同时投资者也可以通过投资良好的股票获得投资收益。因此良好的股票深受投资者青睐。本文针对ST股票类别非平衡和特征众多的特点,对数据进行SMOTEENN重采样的预处理与特征选择操作,之后通过六个经典的机器学习模型进行ST股票分类预测。主要研究内容与结果如下所示:(1)针对数据集问题,本文主要从数据层面入手,通过已有的数据接口,选择较为全面的139个特征,分别包括了财务指标和技术面因子,合理概括了投资者选择股票投资的依据。(2)针对特征选择的问题,本文主要从特征选择角度出发,使用Boruta算法与Copula熵方法进行结合,前者可以刻画目标变量与特征变量之间的关系,后者刻画了变量之间的非线性关系。通过对比单纯使用Boruta算法,结果发现Boruta-Copula熵的特征选择在六个机器学习模型中的测试集的表现较为出色,证明了本文特征选择算法的具有一定的有效性。(3)针对模型选择与解释的问题。本文在经典的逻辑回归建模来预测ST股票分类的基础上,使用XGBoost、ADABoost、Light GBM、Catboost、MLP五大模型对经过非平衡处理和特征选择后的数据进行建模预测,并且同时应用Optuna框架进行调优和交叉验证避免过拟合的结果。综合召回率、准确率、运行时间等指标的评估,最终选择XGBoost模型作为本次建模的最终模型。之后应用SHAP理论进行模型的解释与分析,探究特征变量之间的交互作用,并使用加入交互作用的变量进行再次建模,实验表明,加入交互作用的变量能够更加准确合理的提高ST股票分类的精度,验证了模型的有效性。

关键词： 机器学习   社区体育   生活圈  

摘要： 社区是人日常生活必备的环境空间,其包含饮食起居、基本社交、基本活动范围。随着我国经济水平提高和城市化进程的加快,社区内涵转变的同时生活圈的概念融入之中。身体是生活工作的本钱,人民群众对体育运动的关注程度越来越高,体育运动自然而然地成为了日常生活、社区和生活圈中的一部分。大数据人工智能的袭来为社区生活圈的重塑带来新的转化口,而以人为本的社区体育生活圈等领域,有机会搭上袭来的浪潮实现弯道的超越。多方成熟理论的融合下,原本摸着石头过河的大众体育或许能创出一片新天地。国务院各部门出台《“健康中国2030”规划纲要》、《全民健身计划(2021-2025年)》、《2022年群众体育工作要点》、《关于深入推进智慧社区建设的意见》等政策文件,提出将建设社区体育生活圈作为助力“健康中国2030”实现的措施,社区生活圈可以将群众高效地凝聚在特定的区域或时间空间内,因此“全民健身计划”和“2022年群众体育工作要点”提出开展社区体育生活圈的建设,明确了社区体育生活圈在全民健身和群众体育中的重要性;智慧城市与智慧社区建设初具成效,在深入推进智慧社区建设的过程中将目光移向智慧社区体育生活圈的建设,引入大数据、物联网和人工智能展开建设。以生活圈理论和机器学习方法为指导,采用文献研究法、实地考察法、定性研究法、类比研究法、个案研究法和机器学习法,以“南宁市南湖街道凤翔社区”为研究对象。先将社区体育生活圈三大主体智能化作为应用框架的目标;其次确定应用框架以便捷性、个性化作为定位。其次应用框架内容包含社区体育生活圈议题、智能硬件终端、全民健身数据库、机器学习方法分析、社区体育生活圈模型开发和应用程序开发六项。应用框架的六项内容相当于六项组件,组件各自具有功能,组件间相互作用联系,最终实现基本的功能;在应用框架的基本功能上可根据社区自身需求加入独特功能,构建专属的应用框架,但六项组件并不发生改变。最后,构建基于机器学习社区体育生活圈的应用框架是由政府机构、民间体育商家和社区群众各组件组成,确定各组件间相互关系和自身功能;应用框架实现社区体育生活圈是基于机器学习算法,而在应用框架其他组件保障机器学习算法发挥功能的基础上,需要出台相应政策和采取辅助措施,保证目标群众的合法权益和安全。因此本文结论如下:(1)政府机构管理下的自然资源场地和非盈利公共资源设施,现已建成种类丰富的公共体育资源网络。主要服务对象为退休人群,因此更适合政府机构重点关注和投入。体育商家承担多项功能,但需要考虑选址对经营的影响。不受政府机构统筹,因此可建成运动健身网络,但其不健全与完善。赛事活动种类丰富且大众,而主办方为政府机构重在参与,切磋技艺,加强联系;由赞助商资助的赛事活动,吸引力强,观赏程度刺激,赛事奖金丰厚。困境在于政府机构和体育商家管理时,出于自身条件和收益的考量,二者关联和开展的机会并不多。以至于社区体育生活圈达不到核心主旨。赛事活动也受到影响,缺乏创新和吸引力。(2)当阐述基于机器学习方法的社区体育生活圈时,需聚焦物质内容、服务内容和运动交流三大主要议题。通过加强应用框架的现实与数据联系,避免应用框架构建时只考虑数据化而脱离现实的情况;在构建应用框架时,应用框架间相互联系,为横向相互学习提供样本。政府机构主导运行模式的项目建设,开展第三方科技公司的招标;科技公司负责应用框架的开发和运维,向社区居民、体育商家和非盈利公共体育设施提供服务;而体育商家需向科技公司支付少量的运维费用,为政府提供税收和就业;社区居民则向职业队输送体育人才。(3)通过调研,了解南宁市凤翔社区的社区体育生活圈分为日常体育生活圈、休闲体育生活圈和假期体育生活圈,三个圈层内非盈利公共体育设施、各项目体育商家和体育服务基本齐全。南宁凤翔社区的社区体育生活圈存在的问题:体育商家各自为战;体育资源信息缺乏整合与管理;体育资源调配对社区居民体育爱好把握精确度低;社区体育生活圈观念难以深入人心。凤翔社区的社区体育生活圈案例分析运用基于机器学习方法社区体育生活圈应用框架解决存在问题,构建的应用框架包含数据收集、数据预处理、数据分析、模型开发和应用程序开发的五个步骤。应用框架案例是需要优化的,通过智慧城市、智慧社区、智慧政务多重合力造就应用框架的出现和后期的完善;政策出台有益应用框架,激励应用框架的普及和完善,并对大数据使用落实监管,增加大众安全感;快速发展的体育产业加入应用框架,促进应用框架加速学习和完善;应用框架坚持以人为本,人为核心,让人追求更丰富的运动体验;应用框架涉及多个学科,多学科人才的加入是保持应用框架活力的关键。