體脂肪含量是人體健康指標之一，測量體脂肪可以幫助我們了解體脂肪和疾病的預防。屍體解剖法是量測身體脂肪最準確的方法，在活人身上執行量測似乎是不切實際的。此外，水中秤重法、同位素稀釋法、生物阻抗分析法等雖具有準確性，但大多是操作程序繁瑣或是價格昂貴。為此，美國陸軍、YMCA等組織各自發展量測模型。世界衛生組織建議以簡單容易操作量測的BMI來代替身體脂肪含量。但BMI最為人所詬病的是並未考慮人體脂肪在身體的分佈及特定部的堆積問題，因此準確度亦有待商確。本研究想透過複迴歸分析、類神經網路與遺傳神演算神經網路模型，藉由人體參數(年齡、體重、身高、頸圍、胸圍、腹圍、臀圍等)的輸入，來建構一個更精確的預測模型。本研究使用美國猶他州楊百翰大學人體效能研究中心(Human Performance Research Center, Brigham Young University, Provo) Dr. A. Garth Fisher所提供252筆男性的身體各量測指標的資料。實驗預測結果以遺傳演算神經網路模型(RMSE 4.0854) > 類神經網路5變數模型(RMSE 4.3330) > 類神經網路12變數模型(RMSE 4.3783) > 複迴歸12變數模型(RMSE 4.3981) > 複迴歸5變數模型(RMSE 4.4620) > YMCA體脂肪模型(RMSE 4.7757) > US Army體脂肪模型(RMSE 7.7336)。

Body fat mass is one of the health indicators. Measuring it is helpful to understand the relationship between body fat and diseases. Although, cadaver dissection provides the most accurate method to assess the value. But, it is not appropriate for the people who are living. 
Additionally, some accurate methods, such as underwater weighting, isotope dilution, bioelectrical impedance analysis , are complicated and costly incredibly. Therefore, Young Men's Christian Association (YMCA) and the United States army tried to develop instruments for gauging body fat. 
Furthermore, World Health Organization (WHO) suggested that using body mass index (BMI) instead of body fat. However, evaluating BMI is not considered distribution of human body fat tissue component and specific region. It is doubtful about the accuracy.
The purpose of this study is constructing a more precise predict model by multiple regression analysis, artificial neural network, genetic algorithm neural network, the parameters are age, weight, height, neck circumference, chest circumference, abdomen circumference, hip circumference, and so on. 252 males’ body measurement indicators were database which were collected by Dr. A. Garth Fisher who was in Human Performance Research Center , Brigham Young University , Provo. 
The result is genetic algorithm neural network RMSE: Root Mean Square Error  (RMSE 4.0854) > artificial neural network 5 variables model (RMSE 4.3330) > artificial neural network 12 variables model (RMSE 4.3783) > multiple regression analysis 12 variables model (RMSE 4.3981) > multiple regression analysis 5 variables model (RMSE 4.4620) > YMCA body fat model (RMSE 4.7757) > US Army body fat Model (RMSE 7.7336)。

目錄
圖目錄 VIII
表目錄 IX
第一章 緒論 1
1.1	研究動機 1
1.2	研究目的 3
第二章 文獻回顧 4
2.1	實驗室方法 4
2.1.1	屍體解剖法 4
2.1.2	水中秤重法 5
2.1.3	空氣排除體積描記器 	6
2.1.4	同位素稀釋法 6
2.1.5	雙能量X射線吸收法	6
2.2	廣泛性的方法 7
2.2.1	身體質量指數 7
2.2.2	皮下脂肪厚度法 7
2.2.3	腰臀圍比 9
2.2.4	生物阻抗法 9
2.3	以人體測量值估計身體組成之方法 10
第三章 研究流程與設計 13
3.1	研究流程 13
3.1.1	複迴歸分析 15
3.1.2	類神經網路 22
3.1.3	遺傳演算神經網路 29
3.2	研究對象 40
3.3	研究變數與資料篩選 41
3.4	複迴歸分析 45
3.4.1	複迴歸之模型一 45
3.4.2	複迴歸之模型二 46
3.5	類神經網路 47
3.5.1	數據之前驟處理 47
3.5.2	類神經網路模式一 49
3.5.3	類神經網路模式二建立 50
3.5.4	類神經網路輸出結果判斷原則 51
3.6	遺傳演算神經網路分析 53
3.6.1	遺傳演算神經網路模型 53
3.6.2	遺傳演算神經網路輸出結果判斷原則 53
第四章 研究結果 55
4.1	複迴歸模型預測結果 55
4.1.1	複迴歸之模型一 55
4.1.2	複迴歸之模型二 57
4.2	類神經網路預測結果 59
4.2.1	類神經網路模型一 59
4.2.2	類神經網路模型二 61
4.3	遺傳演算神經網路預測結果 64
第五章 結論與建議	67
5.1	結論 67
5.2	研究貢獻 68
5.3	研究限制 69
5.4	未來研究方向與建議 70
參考文獻 71
一、	中文部份 71
二、	英文部份 72
三、	網路資源 73
附錄---英文論文 74
圖目錄
圖 3-1 研究架構圖 14
圖 3-2 神經元模型圖 23
圖 3-3 多層前饋倒傳遞神經網路 23
圖 3-4 倒傳遞神經網路運作過程 24
圖 3-5 倒傳遞網路演算法流程圖 29
圖 3-6 遺傳參數定義示意圖 32
圖 3-7 遺傳演算流程圖 33
圖 3-8 遺傳演算類神經網路建構流程圖 39
圖 3-9 正切雙彎曲函數 tansig 48
圖 3-10 線性轉移函數 purelin 48
圖 3-11 12變數體脂肪預測模式架構圖 50
圖 3-12 5變數體脂肪預測模式架構圖 51
圖 4-1 12變數複迴歸分析預測誤差圖 57
圖 4-2 5變數複迴歸分析預測誤差圖 59
圖 4-3 12變數倒傳遞類神經網路分析預測誤差圖 61
圖 4-4 5變數倒傳遞類神經網路分析預測誤差圖 63
圖 4-5 5變數遺傳演化神經網路分析預測誤差圖 66
表目錄
表 3-1 變異數(ANOVA)分析表 19
表 3-2 訓練樣本之身體參數統計分析 41
表 3-3 人體參數之皮爾森相關係數 42
表 3-4 相關係數r檢定 44
表 4-1 12變數體脂肪之迴歸分析 56
表 4-2 5變數體脂肪之迴歸分析 58
表 4-3 倒傳遞類神經網路模型一 60
表 4-4 倒傳遞類神經網路模型二 62
表 4-5 GA 參數 64
表 4-6 遺傳演化神經網路模型 RMSE 65

一、	中文部份
[1]	曹德弘、謝伸裕、詹光裕，規律運動者的腹部脂肪分佈和體圍的關係， 中華民國體育學會體育學報38卷1期，民國八十四年。
[2]	陳俊華，9-12歲學童體脂肪預測模式之研究，國立屏東師範學院體育研究所碩士論文，民國九十二年。
[3]	劉文溪，不同體脂肪測量法評估大學男學生身體組成之研究，國立屏東師範學院體育研究所碩士論文，民國九十二年。
[4]	俞勝正、柳銘哲、周美榮、顧雅貞、劉宏智，以類神經網路改進心電圖診斷技術，元培科技大學放射技術系加馬第三十九期，民國九十七年。
[5]	黃美玲、陳幸宜、陳貴琳、李雅雯，類神經網路輔助醫療診斷分類模式之建構，中華民國品質學會第42 屆年會暨第12 屆全國品質管理研討會，民國九十五年。
[6]	張俊郎、陳啟浩、曾輝鈺，結合類神經網路與決策樹於糖尿病前期診斷之研究，中華民國品質學會第43屆年會暨第13屆全國品質管理研討會，民國九十六年。
[7]	李博智、邱昭彰、邱文科、劉祖華、莊逸洲、黃崇哲、許光宏，三維人體測值及資料探勘技術在高血脂症預測模型之應用，民國九十一年。 
[8]	沈明來，生物統計學入門，九州圖書文物有限公司，民國九十年。
[9]	吳宗正，迴歸分析。三民書局，民國八十二年。
[10]	葉怡成，類神經網路模式應用與實作，儒林圖書公司，民國九十三年。
[11]	張斐章、張麗秋，類神經網路，東華書局，民國九十四年。
[12]	羅華強，類神經網路-Matlab應用，高立圖書有限公司，民國九十四年。
[13]	周鵬程，類神經網路入門-活用Matlab，全華科技圖書股份有限公司，民國九十五年。
[14]	林萍珍，投資分析網路與遺傳演算法模型，新陸書局，民國九十七年。
 

二、	英文部份
[15]	Siri, W. E. Body composition from fluid space and density. In J. Brozek & A. Hanschel (Eds.), Techniques for measuring body composition. Washington, DC: National Academy of Science, pp223-244,1961. 
[16]	Lukaski, H. C., Bolonchuk, W. W., Hall, C. W., Siders, W. A.  Validation of tetrapolar bioelectrical impedance method to assess human body composition. Journal of Applied Physiology, 60,pp1327-1332,1986.  
[17]	Wang ZM, Deurenberg P, Guo SS, Pietrobelli A. Six-compartment body composition model: inter-method comparisons of total body fat measurement. pp329-37,1998. 
[18]	Behnke AR, Feen BG, Welham WC: The specific gravity of healthy men. JAMA ,118, pp 495-4988,1942. 
[19]	Bailey, C., Smart Exercise: Burning Fat, Getting Fit, Houghton-Mifflin, Co,Boston,pp179-186,1994. 
[20]	Jackson, A. S., ＆ Pollock, M. L.  Generalized equations for prediction body density of men. British Journal of  Nutrition,40 , p497-504,1978. 
[21]	Bioelectrical Impedance Analysis in Body Composition Measure,National Institutes of Health Technology Assessment Conference Statement December pp12-14,1994 
[22]	Lim S., H.C. Jang , H.K. Lee, K.C. Kimm, C. Park and N.H. Cho, The relationship between body fat and C-reactive protein in middle-aged Korean population , ATHEROSCLEROSIS , 184 (1), pp171-177,2006. 

三、	網路資源
[23]	http://www.stat.sfu.ca/~cschwarz/Stat-650/Notes/MyPrograms/index.html
[24]	http://www.hatbat.net/fatcalc/ymcamethod.html 
[25]	http://usmilitary.about.com/od/theorderlyroom/a/bodyfat.htm 
[26]	http://en.wikipedia.org/wiki/Body_fat_percentage 
[27]	http://www.bodpod.com/bodycomp/landingAirDisplacement