基于生理指標監控的大學體育教學質量評價干預研究

王 玉,馬 勇

(南京工程學院 體育部，江蘇 南京 211167)

?

基于生理指標監控的大學體育教學質量評價干預研究

王 玉,馬 勇

(南京工程學院 體育部，江蘇 南京 211167)

在傳統體育教學質量評價基礎上引入實時生理監測過程，評估心率(HR)、動脈血氧飽和度(SaO2)、最大攝氧量(VO2max)等因素對大學體育教學質量產生的干預作用及影響程度。結果表明，實施生理監測干預教學分組相對常規教學分組教學質量評價結果表現出顯著差異；增加生理指標可有效提升機器學習對于教學效果的判正靈敏度：引入心率指標，教學總體判定正確率上升11.9%，引入心率及血氧指標，判定正確率上升至85.7%，增加心率及血氧飽和度交互指標，判正率提升至92.9%，引入最大吸氧量指標未影響判正效率。得出結論：生理指標監控干預過程對大學體育教學質量具有顯著影響；評價各類生理指標的干預程度，共線性檢驗具有必要性。

生理指標；教學質量評價；機器學習

期望以標準制定或指標完善的方式從定性(qualitative)或定量(quantitative)角度推動大學體育教學質量的改進與革新將受縛于傳統教育學質量評價體系，無法反映體育教學中特有的身體活動(physical activity, PA)狀態，更難以對體育教學這一持續性過程的未知結果實施有效預測。構建適用于大學體育教學過程具有人體生理監控因素協同參與的評價模型，并以此為依據反饋體育課堂教學過程，預測教學效果，對改進大學體育教學質量具有實踐意義。

以體征指標監測結果反映人體活動過程已廣泛應用于足球運動員機能狀態診斷[1]、柔道運動員負荷量參照[2]、皮艇運動員訓練周期保障[3]等專業科學化訓練實踐，其干預作用表現在身體運動行為(motor behavior, MB)的預測效度[4]。該過程在大學體育教學實踐中同樣具有重要意義[5]，但體育教學評價相對運動訓練的專業性更加多元化[6]，反映生理指標的干預過程存在維度匹配問題。機器學習理論從人工智能的推進中獲得原動力并應用于客觀現實中具備輸入/輸出特征的事物關系[7]，對于引入生理指標干預的大學體育教學過程，該方法將干預結果判定為簡單的是/否二類輸出，并以輸出錯誤率的高低衡量干預效果。

應用多元統計方法檢驗教學質量效果并作為判別依據，進而探索人體生理指標監控過程在教學質量干預中的作用程度，是本研究嘗試解決的問題，也是機器學習理論的實踐過程。

1 研究設計

研究目的是確定人體生理指標監控干預過程對大學體育教學質量產生的影響，因此研究內容應包括大學體育教學質量的價值判斷及生理指標統計數據兩個方面。依據徐友元等(2012)研究成果，體育教學質量評價的內容包括教學過程和結果，且結果可一定程度反映過程[8]，所以選取具有現實意義的教學結果作為評判標準。當多元化的教學結果表現出顯著差異時，認為生理監測干預過程對體育教學質量具有顯著作用。顯著差異結果將作為機器學習方法構造樣本訓練集及預測集的前提，通過SVM算法確定干預程度。具體研究流程如圖1所示。

圖1 流程設計

2 研究對象與方法

2.1 研究對象

以某一大學開設體育課的學生作為研究對象，共35個教學班，每個教學班30人。體征指標監測實施干預群體與非干預群體人數進行3∶4配比，其中15個班級(450人)實施生理監測及強度反饋(干預組)，20個班級(600人)在實施生理監測但不給予反饋(控制組)。選取相同教師對兩組學生依照人數配比實施相同教學內容。心率監測采用Garmin Forerunner 225 專業心率儀，有氧指標測試采用MAX-II有氧測試分析儀。監測時間從2013年9月至2015年7月。

2.2 研究方法

2.2.1 多元統計。教學分組(干預組及控制組)質量評價表現為多維指標，兩組多維指標的差異顯著性檢驗采用多元統計方法。

2.2.2 機器學習。對不同教學分組，機器學習選取支持向量機(SVM)算法檢驗結果對于過程分類的準確性(Accuracy)。該算法通過建立教學生理監測學生(干預組)與常規教學學生(控制組)的決策曲面來判別生理監測干預過程的影響程度。

3 模型建立

3.1 多元檢驗

教學評價結果表現為多元數據，若兩組多元數據在統計意義上表現出顯著差異，則認為干預過程有效，檢驗結果作為統計機器分類的依據；反之，則認為干預過程不存在統計學意義，生理監測過程不具有必要性。經處理，兩組數據多元分布如表1所示。

表1 監測組與教學組成績矩陣向量及協方差陣

對兩組教學結果協方差陣Σ1、Σ2進行相等性博克斯M檢驗，當Σ1=Σ2，則以T2統計距離比較兩組向量相等性，若Σ1≠Σ2則以非參數檢驗比較。依據該原理，近似服從X2分布，在置信水平α，若C>X1(α)，則拒絕相等假設。其中，p(p+1)(g-1)/2為自由度。

經計算，C=(1-0.0042)*262.5=261.4>(0.01)=23.21。拒絕Σ1=Σ2，因此總體均值相等性檢驗近似以100(1-α)%置信橢球為滿足：

X.EαF

經計算，T*=174.28>X.F0.01F=13.28。基于生理指標監測的過程與傳統大學體育課程表現出顯著性差異。多元檢驗結果可作為統計機器分類的依據，建立分類超平面，有效分離各類生理指標干預過程。

3.2 評價指標檢驗

3.2.1 教學質量評價指標。教學質量評價指標選取參考當前體育教學質量評價的大量研究成果[9]，初步確定30個變量作為備選指標。如表2

表2 體育教學質量評價指標

指標a1-a3反映教師業務水平，a4-a6反映教師的教學能力，a7、a8反映教學文件管理制度，a9-a13反映總體教學過程，a14、a15反映教學評價，a16、a17反映教學內容，a18、a19反映教學方法，a20-a22反映考試情況，a23-a25反映教學改革，a26-a28反映教學成果，a29、a30反映教學效果。

以百分制對上述指標評分，實施正態性檢驗，結果如圖2(僅列舉前8項)。

圖2 教學質量評價正態性檢驗

Q-Q圖顯示，絕大多數指標評測結果不服從正態分布，只有a5、a12、a14、a16、a18、a22、a23、a26近似服從正態分布。因此檢驗需采取非參數及t檢驗結合的方案。

3.2.2 差異顯著性檢驗。不符合正態分布的指標集進行Wilcoxon's Sign Rank Test檢驗，結果如表3(部分顯示)。

表3 Wilcoxon's Sign Rank Test檢驗結果

結果顯示，體育教學質量評價指標a4、a6、a8、a11、a13、a21、a25、a27、a28、a30的Pr值通過檢驗(P<0.05)，其他指標因未表現出顯著性差異，在指標集中刪除。對a5、a12、a14、a16、a18、a22、a23、a26指標進行t檢驗(過程略)，結果a5、a16、a18三項指標未表現出顯著性差異被剔除，指標a12、a14、a22、a23、a26拒絕相等性假設，進入機器學習模型。

其中a4、a6是表現教學能力的指標，a8表示教學文件落實的指標，a11-a14表示教學過程及結果的指標，a21、a22表示關于考試的指標，a23表示教學改革計劃的指標，a25-a28表示教學改革及成果的指標，a30表示科研效果的指標。

3.2.3 生理監測評價指標。生理指標監測具體包括最大心率(HRmax)、最大心率下降(ΔHRmax)、有氧閾心率Trimp I、混氧閾心率Trimp II、無氧閾心率Trimp III、動脈血氧飽和度(SaO2)、血氧飽和度差異(ΔSaO2)、最大攝氧量(VO2max)八個項目，分別以b1-b8表示。另外構建心率和血氧飽和度交互指標，以b9表示。人體生理指標測試結果多服從正態分布[10]，多人多指標的檢驗采用霍特林T2控制圖檢驗，設定控制域α=0.2，對偏離控制域的學生提示運動強度不足或過量，調整其運動狀態。監測指標及具體數值如表4。

表4 生理監測指標

其中b1-b5是反映心臟功能的有關指標，b6、b7反映血氧水平的有關指標，b8則記錄最大攝氧量的變化狀況，b9是反映運動心率與血氧的交互指標。經檢驗，所有生理指標監測結果(b1-b8)均服從正態分布(圖略)。

3.3 機器學習理論

實施體征指標監測的學生以班級分類，屬于小樣本情形，機器學習采用支持向量機(Support Vector Machine，SVM)算法完成數據挖掘過程。SVM建立于統計學習理論VC 維理論和結構風險最小原理基礎之上[11]，基本原理如圖3。

圖3 SVM最優分類線

C1和C2代表二維平面中兩個要區分的兩個類別，中間的直線H代表超平面，是一個分類函數，用來將兩類樣本分開，H1、H2表示平行于超平面H的兩條直線，兩直線之間的距離稱為分類間隔(margin)。將C1、C2類別正確分開并使分類間隔最大的超平面H1、H2即為最佳分類面。超平面H用方程表示為：H：，對其進行歸一化，使得對線性可分的樣本集，滿足：

s.t.

定義Lagrange乘子αi及原條件約束，由約束條件求解，得出最優分類函數：

樣本非線性可分情況，處理過程采用核函數(Kernel Function)取代高維特征空間中的內積運算，引入懲罰因子C(C>0)，轉化為對偶問題，求函數的最大值：

s.t.

求解得：

引入核函數進行特征空間映射，能夠有效處理分類屬性的非線性關系，Gaussian Radial Basis(RBF)核具有更高的精度，其表示方式為：。通過確定懲罰參數C的取值，訓練得出實施體征監測的大學體育教學質量評價非線性SVM模型，完成機器學習算法。

3.4 結果

將干預教學組的15個班級類別標簽標記為1，控制教學組的20個班級類別標簽標記為2，設定60%為訓練集(train)，40%作為測試集(test)，選用RBF核函數，交叉驗證最佳參數C和σ。首先以教學評價指標數據引入模型，得到結果如圖4。

圖4 教學評價指標結果

圖4顯示教學質量評價指標的判定結果，在以訓練集對預測集的預測精度上，實施生理指標監控的班級(干預教學組)存在兩個誤判，判定準確率達66.7%，控制教學組有3個出現誤判，判定正確率達66.7%。引入心率監控指標(b1-b5)的判定結果如圖5所示，兩組教學效果預測正確率均有所上升，干預教學組判定準確率達83.3%，控制教學組判定準確率達77.8%。

圖5 引入心率指標結果

圖6 增加血氧、攝氧量指標預測結果

圖7 增加心率及血氧交互指標結果

圖6顯示，采用心率及血氧指標(b1-b7)進行預測時，干預教學組存在一個誤判，判正率保持不變，仍為83.3%，控制教學組減少至一個誤判，判正率達88.9%。進一步將最大吸氧量指標帶入模型，檢驗心率、血氧飽和度、最大吸氧量三類指標結合(b1-b8)的預測效果，結果顯示，干預教學組還是控制教學組的預測判正率均未發生變化，仍為83.3%和88.9%(圖6)，表明最大吸氧量度指標可能與心率、血氧飽和度指標存在共線，雖然最大吸氧量指標具有明確的運動生理意義及現實意義，但在已選擇心率、血氧飽和度的前提下，對體育教學過程評價產生的影響較為有限。

圖7顯示引入心率及血氧交互作用及最大吸氧量指標的判別結果。當加入心率和血氧交互指標后，控制教學組的判正率沒有變化，仍為88.9%，干預教學組預測結果全部有效，判正率達100%，總體判正率達92.9%。

4 討 論

研究以機器學習SVM算法為核心，將大學體育教學質量反映為多維評價結果，通過多元統計方法實施檢驗并作為機器學習判別的前因變量，構建了基于人體生理指標干預的大學體育教學質量評價整合模型。模型考查了各類型生理指標對評價體系判別效度的影響，有效量化了研究結果。

體征指標監測可有效反應人體活動強度及狀態，已廣泛應用于運動訓練、競技比賽實踐[12]。機體在參與體育活動時產生能量代謝，代謝水平與參與者的身體機能及運動能力存在相關關系[13]。心率常用來測度運動強度及代謝水平[14]，當心率變化范圍介于110～180次/min區間時，心率與運動強度、能量代謝之間存在著顯著的線性關系[15]；血氧飽和度(SpO2)則有效代表呼吸循環的生理參數，血氧濃度變化直接反映機體氧供應和氧利用情況，反映代謝活動變化、運動能力的強弱[16]。機體處于低氧下最大耗氧量的下降(ΔVO2max) 與負荷運動時的動脈血氧飽和度(SpO2)呈線性相關[17]；最大攝氧量則是評價機體有氧能力最常用和最有效的方法[18]。學生掌握動作技能的程度反映大學體育的教學效果，而身體活動貫穿于動作技能學習的全部過程，并以心率、血氧飽和度、攝氧量等體征指標綜合體現。生理指標計量可顯著改進現階段僅限于觀察及經驗作為判定學生機體負荷的現狀，為確定學生身體活動強度提供了直接的方法。本研究基于可穿戴便攜式儀器，遵循無創、簡易的原則，將生理監測過程推廣到體育教學環境，以三個指標實時監測學生活動強度并及時反饋教學過程，對運動強度進行合理控制，為改進動作技能練習效率，大學體育教學質量提供輔助支持。

生理狀態處于實時監控下的大學體育教學過程，反映出普通體育教學質量評價體系無法量化的更多信息。機器學習模型可有效解決評價指標、生理指標的匹配問題。假設教學質量評價指標具有p個維度，而判別教學質量的條件具有q個維度，則研究選取的機器學習模型將輸入定義為p維數據，輸出定義為q維數據，對任意k個班級的樣本數據K={xi，yi|i=1,2,3…,k}，x∈Rp，y∈Rq進行訓練集與驗證集分離，體育課生理指標監測干預研究的本質就轉換為針對訓練集空間尋求最優分類面并確定決策函數問題。決策函數的學習能力通過訓練集檢驗，決策判定準確率越高，生理監測的干預作用越明顯。在復雜的體育教學環境中，教師與學生之間形成頻繁互動的網絡，教學目標、教學改革、教學效果等環節存在大量不確定因素，這些不定因素決定大學體育教學質量評價更趨向非線性，因此模型設定的輸入變量與輸出變量之間更近似于非線性關系。

研究結果顯示，隨著引入指標數量增加，判別精度呈上升趨勢，表明在機器學習算法設計合理的狀況下，更多生理指標參與的教學質量評價體系會產生更高的判定準確度。某些生理指標的增加并不能帶來判斷正確率的提升(如研究選取的最大吸氧量指標)，一個可能的原因是這些指標與其他生理指標在模型中出現共線，雖然這些指標同樣能有效反映人體運動狀態，從實際執行效率、經濟成本等因素考慮，可予以剔除。機器學習結果說明，教學質量評價體系融入生理指標監測數據后，對結果表現出顯著性差異的大學體育教學過程的預測判定準確率有很大提高。

5 結 語

生理指標反映人體活動狀態直接高效且不可更改，對35個班級共1 050位學生持續兩年的教學實踐結果表明，引入實時體征監測的大學體育教學與傳統體育教學結果上表現出多元顯著差異。機器學習參數設置合理的情況下，單純的教學質量評價體系對于教學結果判定準確度較為有限，干預教學組及控制教學組的準確度均較低。引入心率及血氧飽和度參照指標后，對兩類教學分組的預測度均有顯著提升。最大吸氧量指標對于機器學習過程的預測結果影響未能表現。進一步引入心率和血氧交互指標后，總體判定準確度進一步上升，對于干預教學組的判定準確度達到100%。在便攜式設備廣泛流行的當下，采用機器統計學習方法，評價生理指標干預體育教學過程，能夠有效提升體育教學未知結果的判定準確度，解決當前各類監測設備僅限于給出描述統計結果的不足表現。

[1] 劉丹,楊一民.中國女子足球隊運動員生理-生化指標監測與評價研究[J].體育科學,2009,29(8):50-60.

[2] 曹佩江,朱曉梅,劉俊林.中國優秀柔道運動員某些生理生化指標的研究[J].體育與科學,2008,29(6):68-71.

[3] 張綽庵,劉麗萍.優秀皮艇運動員賽前訓練效果的監控與相關分子指標的應用[J].首都體育學院學報,2010,22(5):56-59.

[4] 楊明,田野,趙杰修.中國國家女子馬拉松隊備戰柏林世界田徑錦標賽生理生化指標的變化特征[J].中國體育科技,2011,47(2):21-25.

[5] 馮玉娟,毛志雄,車廣偉.大學生身體活動行為預測干預模型的構建：自主動機與TPB擴展模型的結合[J].北京體育大學學報,2015,38(5):72-76.

[6] 許諫,劉晶.高校運動訓練和體育教學的發展趨勢[J].長春師范學院學報,2006,25(12):155-156.

[7] Gareth James, Daniela Witten. An Introduction to Statistical Learning[M].Springer, 2013,8:45-46.

[8] 徐友元.普通高校體育選項課教學質量評價指標體系的構建[J].武漢體育學院學報2012,46(10):97-100.

[9] 趙儉,孫要武.生理功能指標與正態分布[J].數理醫藥學雜志,1993(1):32-34.

[10] 孫冰川,唐成.普通高等學校體育教學評價指標體系的建立及其多元評價模型的研究[J].南京體育學院學報,2006,20(1):69-72.

[11] Simom Haykin.Neural Networks and Learning Machines,Third Edition.Pearson Education,2011:168-172.

[12] 雷雨晨,胡揚.高住低訓過程中血氧飽和度變化及其與血紅蛋白變化的關聯[J].中國運動醫學雜志,2005,24(2):203-220.

[13] 石坤.“超量恢復”與“爆胎”訓練理論的研究[J].沈陽體育學院學報,2012,31(6):91-94.

[14] 毛永明.心率監測在高校體育訓練與比賽中的應用與價值[J].體育科技文獻通報,2011,19(1):69-71.

[15] 彭遠開,徐國林,劉鋼.上、下肢運動條件下心率與能量代謝率線性回歸的觀察[J].航天醫學與醫學工程, 1998(5):357-361.

[16] 陳偉.運動性動脈低血氧發生機制的研究[J].南京體育學院學報(自然科學版),2010,19(1):32-34.

[17] MOLLARD P,WOORONS X, LETOURNEL M, et al. Role of maximal heart rate and arterial O2 saturation on the decrement of VO2max in moderate acute hypoxia in trained and untrained Men[J]. Int J Sport Med Mar,2007,28(3):186-192.

[18] 米歡,王正珍.步行試驗推測40～49歲人群最大攝氧量回歸方程的研究[J].北京體育大學學報,2012,35(5):50-54.

Intervention of Sport University Teaching Quality Evaluation Based on Monitoring Physiological Indicators

WANG Yu,MA Yong

(PE Department, Nanjing Institute of Technology, Nanjing 211167, China)

The introduction of real-time monitoring of physiological processes in the traditional sports teaching quality evaluation based on the assessment of heart rate (HR), arterial oxygen saturation intervention (SaO2), maximal oxygen uptake (VO2max) and other factors on the quality of teaching and influence generated University degree . The results showed that the implementation of physiological monitoring intervention teaching packet relatively conventional teaching group teaching quality evaluation of the results showed a significant difference. Increased physiological indexes can effectively enhance the machine learning for teaching effectiveness judgments positive sensitivity: the introduction of HR indicators, the overall teaching correct judgment rate rose 11.9%, the introduction of heart rate and blood oxygen index, determined the correct rate rose to 85.7%, Increased heart rate and blood oxygen saturation interaction indicators sentenced positive rate increased to 92.9%, the introduction of maximum oxygen uptake indicators did not affect the sentence positive efficiency. Conclusion: physiological parameters monitored during the intervention has a significant impact on the quality of teaching college sports. All kinds of human physiological indicators of statistical results collinearity test is necessary.

physiological indicators; teaching quality assessment; machine learning

南京工程學院高等教育研究課題(2015ZC10)基于生理指標的運動訓練效果輔助支持研究

2016-08-30

王 玉(1981-)，男，江蘇徐州人，碩士，講師，研究方向體育信息處理.

G804.49

A

1004-3624(2016)06-0074-06