Effect of Physical Fitness on Body Mass Index through Artificial Intelligence in South Chinese College Students from 2013 to 2025

기술 요약: 인공지능을 활용한 남중국 대학생의 신체적 적합성이 체질량 지수(BMI)에 미치는 영향 (2013–2025)

문제 제기
대학생들 사이에서 나타나는 신체 활동 부족과 비만율의 증가는 심각한 공중 보건 과제이며, 특히 학생들의 과체중 및 비만 유병률이 증가하고 있는 중국에서 더욱 그러하다. 신체적 적합성은 이론적으로 체질량 지수(BMI)와 연관되어 있으나, 여러 신체 구성 요소의 결합이 갖는 구체적인 예측 가치는 여전히 불분명하다. 전통적인 통계 방법은 다양한 생리적 변수(예: 근력, 폐 기능, 유연성)와 BMI 사이의 복잡하고 비선형적인 상호작용을 포착하는 데 어려움을 겪는 경우가 많다. 또한, BMI와 활량(vital capacity) 및 유연성과 같은 특정 지표 간의 관계에 관한 기존 문헌의 일관되지 않은 결과는 더 강력한 분석 접근법을 필요로 한다. 본 연구는 인공지능(AI)을 사용하여 신체적 적합성 테스트 결과가 중국 대학생의 BMI에 미치는 영향을 조사하고, 이러한 관계를 정밀하게 규명하는 것을 목적으로 한다.

연구 방법론
본 연구는 2013년부터 2025년 사이에 심천대학교(Shenzhen University)에서 수집된 83,664명의 1학년 학부생(남성 43,734명, 여성 39,930명)으로 구성된 대규모 회고적 데이터셋을 활용하였다. 참가자들은 극단값과 결측치를 제외하는 스크리닝 과정을 거쳤다.

• 데이터 수집: 신체 적합성 평가는 중국 국가 학생 체력 표준을 따랐다. 테스트 항목은 다음과 같다:

  • 폐활량 (Vital Capacity, VC)
  • 제자리멀리뛰기 (Standing Long Jump, SLJ)
  • 앉아 윗몸 앞으로 굽히기 (Sit-and-Reach, SR)
  • 50미터 달리기 (50 m)
  • 장거리 달리기 (남성 1,000m, 여성 800m)
  • 근지구력: 턱걸이(남성) 또는 윗몸 일으키기(여성)
  • BMI는 교육부 가이드라인에 따라 계산 및 분류되었다.

• AI 모델링 접근 방식: 본 연구는 BMI 범주를 예측하기 위해 지도 학습 기반의 머신러닝 프레임워크를 채택하였다. 네 가지 서로 다른 알고리즘이 구현 및 비교되었다:

  1. 로지스틱 회귀 (Logistic Regression, LR): 선형 베이스라인 역할을 수행한다.
  2. 의사결정나무 (Decision Tree, DT): 비선형 재귀적 분할 방법이다.
  3. 랜덤 포레스트 (Random Forest, RF): 과적합을 줄이기 위해 배깅(bagging)을 사용하는 앙상블 방법이다.
  4. XGBoost (eXtreme Gradient Boosting): 2차 테일러 전개와 규제를 활용하는 고급 그래디언트 부스팅 알고리즘이다.

• 데이터 처리: 데이터셋은 중복 제거, 결측 수치값에 대한 평균 대치법(mean imputation), 그리고 다양한 단위를 처리하기 위한 Z-점수 정규화를 포함한 전처리 과정을 거쳤다. 데이터는 층화 추출법을 사용하여 훈련 세트(80%)와 테스트 세트(20%)로 분할되었다. 모델의 일반화 성능을 보장하기 위해 5-겹 층화 교차 검증(five-fold stratified cross-validation)을 수행하였다.

• 평가 지표: 모델 성능은 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), 가중 F1-점수(weighted F1-score)를 사용하여 평가되었다. 특성 중요도(Feature importance)는 트리 기반 모델에서 도출된 "이득(Gain)" 지표(목적 함수의 누적 감소량)를 통해 정량화되었다.

주요 결과

• 모델 성능: XGBoost가 두 성별 모두에서 다른 알고리즘보다 일관되게 우수한 성능을 보였다.
  • 남성: XGBoost는 **75.33%**의 정확도와 **68.92%**의 가중 F1-점수를 달성했다.
  • 여성: XGBoost는 **83.12%**의 정확도와 **75.82%**의 가중 F1-점수를 달성했다.
  • 의사결정나무는 가장 낮은 성능을 보였으며, 로지스틱 회귀와 랜덤 포레스트는 XGBoost보다는 다소 낮지만 유사한 결과를 보였다.
• 특성 중요도:
  • 남성: 턱걸이가 지배적인 예측 변수였으며, 전체 특성 중요도의 **45.27%**를 차지했다. 그 뒤를 폐활량, 1,000m 달리기 시간, 제자리멀리뛰기, 앉아 윗몸 앞으로 굽히기, 50m 달리기가 이었다.
  • 여성: 단일 지표가 압도적이지 않았다. 폐활량이 가장 중요한 예측 변수였으며, 800m 달리기 성적, 제자리멀리뛰기, 50m 달리기, 앉아 윗몸 앞으로 굽히기, 윗몸 일으키기가 그 뒤를 이었다.
• 분류의 미묘한 차이: 모델은 "정상 체중" 학생들을 분류하는 데 높은 정확도를 보였다. 그러나 데이터셋 내의 클래스 불균형(대다수의 학생이 정상 BMI 범위에 속함)으로 인해 소수 클래스(저체중, 과체중, 비만)에 대한 재현율은 낮게 나타났다.

핵심 기여

1. 대규모 AI 적용: 본 연구는 13년에 걸쳐 수집된 83,000명 이상의 젊은 성인 신체 적합성 데이터를 사용하여 BMI를 예측하는 데 머신러닝 기법을 적용한 첫 번째 연구이다.
2. 알고리즘 비교: 본 연구는 선형 및 비선형 머신러닝 패러다임을 엄격하게 비교하여, 앙상블 방법(특히 XGBoost)이 신체 적합성과 BMI 사이의 복잡한 관계를 포착하는 데 있어 전통적인 통계 모델보다 유의미하게 우수함을 입증하였다.
3. 성별 특이적 통찰: 본 연구는 남성과 여성의 BMI를 결정짓는 서로 다른 생리적 동인을 식별하였다. 남성에게는 상체 근력(턱걸이)이 주요 예측 인자인 반면, 여성에게는 폐 기능과 심폐 지구력이 보다 균형 잡힌 예측 인자임을 강조한다.
4. 실용적 유용성: 본 연구는 일상적인 필수 체력 검사가 추가적인 전문 장비 없이도 건강하지 않은 BMI 수준의 위험이 있는 학생들을 식별하는 효과적인 스크리닝 도구로서 유효함을 검증하였다.

의의 및 주장
저자들은 신체적 적합성이 BMI와 밀접하게 관련되어 있으며, AI 모델이 일상적인 체력 데이터를 사용하여 BMI를 효과적으로 예측할 수 있다고 주장한다. 본 연구는 이러한 결과가 체력 평가를 체중 관리 지원을 위한 실질적인 스크리닝 도구로 활용하는 것을 뒷받침한다고 결론짓는다.

구체적으로, 본 논문은 다음과 같이 제안한다:

• 대학 보건 프로그램은 단순한 신체 적합성 테스트를 활용하여 건강하지 않은 BMI 수준을 가진 학생들을 식별할 수 있다.
• 근력(특히 남성의 경우 턱걸이), 지구력, 심폐 체력을 우선적으로 훈련하는 것이 체중 관리를 지원하기 위한 실질적인 개입 전략이 될 수 있다.
• 모델의 높은 예측 정확도는 이 6가지 체력 측정 항목이 전반적인 건강 상태를 반영하는 데 매우 유효함을 강조하며, 이는 정책 입안자들이 공중 보건 개선을 위한 표적 개입을 개발하는 데 근거를 제공한다.

저자들은 본 연구의 횡단적 설계(cross-sectional design)를 인정하며 인과관계에 대해서는 신중한 어조를 유지한다. 저자들은 본 연구가 강한 연관성을 식별하였으나 인과관계를 확립한 것은 아니라고 밝히며, 신체적 적합성과 BMI 사이의 인과적 연결을 확인하기 위해 향후 종단적 연구(longitudinal research)를 권고한다.