基于生理指标监控的大学体育教学质量评价干预研究

王 玉,马 勇

(南京工程学院 体育部，江苏 南京 211167)



基于生理指标监控的大学体育教学质量评价干预研究

王 玉,马 勇

(南京工程学院 体育部，江苏 南京 211167)

在传统体育教学质量评价基础上引入实时生理监测过程，评估心率(HR)、动脉血氧饱和度(SaO2)、最大摄氧量(VO2max)等因素对大学体育教学质量产生的干预作用及影响程度。结果表明，实施生理监测干预教学分组相对常规教学分组教学质量评价结果表现出显著差异；增加生理指标可有效提升机器学习对于教学效果的判正灵敏度：引入心率指标，教学总体判定正确率上升11.9%，引入心率及血氧指标，判定正确率上升至85.7%，增加心率及血氧饱和度交互指标，判正率提升至92.9%，引入最大吸氧量指标未影响判正效率。得出结论：生理指标监控干预过程对大学体育教学质量具有显著影响；评价各类生理指标的干预程度，共线性检验具有必要性。

生理指标；教学质量评价；机器学习

期望以标准制定或指标完善的方式从定性(qualitative)或定量(quantitative)角度推动大学体育教学质量的改进与革新将受缚于传统教育学质量评价体系，无法反映体育教学中特有的身体活动(physical activity, PA)状态，更难以对体育教学这一持续性过程的未知结果实施有效预测。构建适用于大学体育教学过程具有人体生理监控因素协同参与的评价模型，并以此为依据反馈体育课堂教学过程，预测教学效果，对改进大学体育教学质量具有实践意义。

以体征指标监测结果反映人体活动过程已广泛应用于足球运动员机能状态诊断[1]、柔道运动员负荷量参照[2]、皮艇运动员训练周期保障[3]等专业科学化训练实践，其干预作用表现在身体运动行为(motor behavior, MB)的预测效度[4]。该过程在大学体育教学实践中同样具有重要意义[5]，但体育教学评价相对运动训练的专业性更加多元化[6]，反映生理指标的干预过程存在维度匹配问题。机器学习理论从人工智能的推进中获得原动力并应用于客观现实中具备输入/输出特征的事物关系[7]，对于引入生理指标干预的大学体育教学过程，该方法将干预结果判定为简单的是/否二类输出，并以输出错误率的高低衡量干预效果。

应用多元统计方法检验教学质量效果并作为判别依据，进而探索人体生理指标监控过程在教学质量干预中的作用程度，是本研究尝试解决的问题，也是机器学习理论的实践过程。

1 研究设计

研究目的是确定人体生理指标监控干预过程对大学体育教学质量产生的影响，因此研究内容应包括大学体育教学质量的价值判断及生理指标统计数据两个方面。依据徐友元等(2012)研究成果，体育教学质量评价的内容包括教学过程和结果，且结果可一定程度反映过程[8]，所以选取具有现实意义的教学结果作为评判标准。当多元化的教学结果表现出显著差异时，认为生理监测干预过程对体育教学质量具有显著作用。显著差异结果将作为机器学习方法构造样本训练集及预测集的前提，通过SVM算法确定干预程度。具体研究流程如图1所示。

图1 流程设计

2 研究对象与方法

2.1 研究对象

以某一大学开设体育课的学生作为研究对象，共35个教学班，每个教学班30人。体征指标监测实施干预群体与非干预群体人数进行3∶4配比，其中15个班级(450人)实施生理监测及强度反馈(干预组)，20个班级(600人)在实施生理监测但不给予反馈(控制组)。选取相同教师对两组学生依照人数配比实施相同教学内容。心率监测采用Garmin Forerunner 225 专业心率仪，有氧指标测试采用MAX-II有氧测试分析仪。监测时间从2013年9月至2015年7月。

2.2 研究方法

2.2.1 多元统计。教学分组(干预组及控制组)质量评价表现为多维指标，两组多维指标的差异显著性检验采用多元统计方法。

2.2.2 机器学习。对不同教学分组，机器学习选取支持向量机(SVM)算法检验结果对于过程分类的准确性(Accuracy)。该算法通过建立教学生理监测学生(干预组)与常规教学学生(控制组)的决策曲面来判别生理监测干预过程的影响程度。

3 模型建立

3.1 多元检验

教学评价结果表现为多元数据，若两组多元数据在统计意义上表现出显著差异，则认为干预过程有效，检验结果作为统计机器分类的依据；反之，则认为干预过程不存在统计学意义，生理监测过程不具有必要性。经处理，两组数据多元分布如表1所示。

表1 监测组与教学组成绩矩阵向量及协方差阵

对两组教学结果协方差阵Σ1、Σ2进行相等性博克斯M检验，当Σ1=Σ2，则以T2统计距离比较两组向量相等性，若Σ1≠Σ2则以非参数检验比较。依据该原理，近似服从X2分布，在置信水平α，若C>X1(α)，则拒绝相等假设。其中，p(p+1)(g-1)/2为自由度。

经计算，C=(1-0.0042)*262.5=261.4>(0.01)=23.21。拒绝Σ1=Σ2，因此总体均值相等性检验近似以100(1-α)%置信椭球为满足：

X.EαF

经计算，T*=174.28>X.F0.01F=13.28。基于生理指标监测的过程与传统大学体育课程表现出显著性差异。多元检验结果可作为统计机器分类的依据，建立分类超平面，有效分离各类生理指标干预过程。

3.2 评价指标检验

3.2.1 教学质量评价指标。教学质量评价指标选取参考当前体育教学质量评价的大量研究成果[9]，初步确定30个变量作为备选指标。如表2

表2 体育教学质量评价指标

指标a1-a3反映教师业务水平，a4-a6反映教师的教学能力，a7、a8反映教学文件管理制度，a9-a13反映总体教学过程，a14、a15反映教学评价，a16、a17反映教学内容，a18、a19反映教学方法，a20-a22反映考试情况，a23-a25反映教学改革，a26-a28反映教学成果，a29、a30反映教学效果。

以百分制对上述指标评分，实施正态性检验，结果如图2(仅列举前8项)。

图2 教学质量评价正态性检验

Q-Q图显示，绝大多数指标评测结果不服从正态分布，只有a5、a12、a14、a16、a18、a22、a23、a26近似服从正态分布。因此检验需采取非参数及t检验结合的方案。

3.2.2 差异显著性检验。不符合正态分布的指标集进行Wilcoxon's Sign Rank Test检验，结果如表3(部分显示)。

表3 Wilcoxon's Sign Rank Test检验结果

结果显示，体育教学质量评价指标a4、a6、a8、a11、a13、a21、a25、a27、a28、a30的Pr值通过检验(P<0.05)，其他指标因未表现出显著性差异，在指标集中删除。对a5、a12、a14、a16、a18、a22、a23、a26指标进行t检验(过程略)，结果a5、a16、a18三项指标未表现出显著性差异被剔除，指标a12、a14、a22、a23、a26拒绝相等性假设，进入机器学习模型。

其中a4、a6是表现教学能力的指标，a8表示教学文件落实的指标，a11-a14表示教学过程及结果的指标，a21、a22表示关于考试的指标，a23表示教学改革计划的指标，a25-a28表示教学改革及成果的指标，a30表示科研效果的指标。

3.2.3 生理监测评价指标。生理指标监测具体包括最大心率(HRmax)、最大心率下降(ΔHRmax)、有氧阈心率Trimp I、混氧阈心率Trimp II、无氧阈心率Trimp III、动脉血氧饱和度(SaO2)、血氧饱和度差异(ΔSaO2)、最大摄氧量(VO2max)八个项目，分别以b1-b8表示。另外构建心率和血氧饱和度交互指标，以b9表示。人体生理指标测试结果多服从正态分布[10]，多人多指标的检验采用霍特林T2控制图检验，设定控制域α=0.2，对偏离控制域的学生提示运动强度不足或过量，调整其运动状态。监测指标及具体数值如表4。

表4 生理监测指标

其中b1-b5是反映心脏功能的有关指标，b6、b7反映血氧水平的有关指标，b8则记录最大摄氧量的变化状况，b9是反映运动心率与血氧的交互指标。经检验，所有生理指标监测结果(b1-b8)均服从正态分布(图略)。

3.3 机器学习理论

实施体征指标监测的学生以班级分类，属于小样本情形，机器学习采用支持向量机(Support Vector Machine，SVM)算法完成数据挖掘过程。SVM建立于统计学习理论VC 维理论和结构风险最小原理基础之上[11]，基本原理如图3。

图3 SVM最优分类线

C1和C2代表二维平面中两个要区分的两个类别，中间的直线H代表超平面，是一个分类函数，用来将两类样本分开，H1、H2表示平行于超平面H的两条直线，两直线之间的距离称为分类间隔(margin)。将C1、C2类别正确分开并使分类间隔最大的超平面H1、H2即为最佳分类面。超平面H用方程表示为：H：，对其进行归一化，使得对线性可分的样本集，满足：

s.t.

定义Lagrange乘子αi及原条件约束，由约束条件求解，得出最优分类函数：

样本非线性可分情况，处理过程采用核函数(Kernel Function)取代高维特征空间中的内积运算，引入惩罚因子C(C>0)，转化为对偶问题，求函数的最大值：

s.t.

求解得：

引入核函数进行特征空间映射，能够有效处理分类属性的非线性关系，Gaussian Radial Basis(RBF)核具有更高的精度，其表示方式为：。通过确定惩罚参数C的取值，训练得出实施体征监测的大学体育教学质量评价非线性SVM模型，完成机器学习算法。

3.4 结果

将干预教学组的15个班级类别标签标记为1，控制教学组的20个班级类别标签标记为2，设定60%为训练集(train)，40%作为测试集(test)，选用RBF核函数，交叉验证最佳参数C和σ。首先以教学评价指标数据引入模型，得到结果如图4。

图4 教学评价指标结果

图4显示教学质量评价指标的判定结果，在以训练集对预测集的预测精度上，实施生理指标监控的班级(干预教学组)存在两个误判，判定准确率达66.7%，控制教学组有3个出现误判，判定正确率达66.7%。引入心率监控指标(b1-b5)的判定结果如图5所示，两组教学效果预测正确率均有所上升，干预教学组判定准确率达83.3%，控制教学组判定准确率达77.8%。

图5 引入心率指标结果

图6 增加血氧、摄氧量指标预测结果

图7 增加心率及血氧交互指标结果

图6显示，采用心率及血氧指标(b1-b7)进行预测时，干预教学组存在一个误判，判正率保持不变，仍为83.3%，控制教学组减少至一个误判，判正率达88.9%。进一步将最大吸氧量指标带入模型，检验心率、血氧饱和度、最大吸氧量三类指标结合(b1-b8)的预测效果，结果显示，干预教学组还是控制教学组的预测判正率均未发生变化，仍为83.3%和88.9%(图6)，表明最大吸氧量度指标可能与心率、血氧饱和度指标存在共线，虽然最大吸氧量指标具有明确的运动生理意义及现实意义，但在已选择心率、血氧饱和度的前提下，对体育教学过程评价产生的影响较为有限。

图7显示引入心率及血氧交互作用及最大吸氧量指标的判别结果。当加入心率和血氧交互指标后，控制教学组的判正率没有变化，仍为88.9%，干预教学组预测结果全部有效，判正率达100%，总体判正率达92.9%。

4 讨 论

研究以机器学习SVM算法为核心，将大学体育教学质量反映为多维评价结果，通过多元统计方法实施检验并作为机器学习判别的前因变量，构建了基于人体生理指标干预的大学体育教学质量评价整合模型。模型考查了各类型生理指标对评价体系判别效度的影响，有效量化了研究结果。

体征指标监测可有效反应人体活动强度及状态，已广泛应用于运动训练、竞技比赛实践[12]。机体在参与体育活动时产生能量代谢，代谢水平与参与者的身体机能及运动能力存在相关关系[13]。心率常用来测度运动强度及代谢水平[14]，当心率变化范围介于110～180次/min区间时，心率与运动强度、能量代谢之间存在着显著的线性关系[15]；血氧饱和度(SpO2)则有效代表呼吸循环的生理参数，血氧浓度变化直接反映机体氧供应和氧利用情况，反映代谢活动变化、运动能力的强弱[16]。机体处于低氧下最大耗氧量的下降(ΔVO2max) 与负荷运动时的动脉血氧饱和度(SpO2)呈线性相关[17]；最大摄氧量则是评价机体有氧能力最常用和最有效的方法[18]。学生掌握动作技能的程度反映大学体育的教学效果，而身体活动贯穿于动作技能学习的全部过程，并以心率、血氧饱和度、摄氧量等体征指标综合体现。生理指标计量可显著改进现阶段仅限于观察及经验作为判定学生机体负荷的现状，为确定学生身体活动强度提供了直接的方法。本研究基于可穿戴便携式仪器，遵循无创、简易的原则，将生理监测过程推广到体育教学环境，以三个指标实时监测学生活动强度并及时反馈教学过程，对运动强度进行合理控制，为改进动作技能练习效率，大学体育教学质量提供辅助支持。

生理状态处于实时监控下的大学体育教学过程，反映出普通体育教学质量评价体系无法量化的更多信息。机器学习模型可有效解决评价指标、生理指标的匹配问题。假设教学质量评价指标具有p个维度，而判别教学质量的条件具有q个维度，则研究选取的机器学习模型将输入定义为p维数据，输出定义为q维数据，对任意k个班级的样本数据K={xi，yi|i=1,2,3…,k}，x∈Rp，y∈Rq进行训练集与验证集分离，体育课生理指标监测干预研究的本质就转换为针对训练集空间寻求最优分类面并确定决策函数问题。决策函数的学习能力通过训练集检验，决策判定准确率越高，生理监测的干预作用越明显。在复杂的体育教学环境中，教师与学生之间形成频繁互动的网络，教学目标、教学改革、教学效果等环节存在大量不确定因素，这些不定因素决定大学体育教学质量评价更趋向非线性，因此模型设定的输入变量与输出变量之间更近似于非线性关系。

研究结果显示，随着引入指标数量增加，判别精度呈上升趋势，表明在机器学习算法设计合理的状况下，更多生理指标参与的教学质量评价体系会产生更高的判定准确度。某些生理指标的增加并不能带来判断正确率的提升(如研究选取的最大吸氧量指标)，一个可能的原因是这些指标与其他生理指标在模型中出现共线，虽然这些指标同样能有效反映人体运动状态，从实际执行效率、经济成本等因素考虑，可予以剔除。机器学习结果说明，教学质量评价体系融入生理指标监测数据后，对结果表现出显著性差异的大学体育教学过程的预测判定准确率有很大提高。

5 结 语

生理指标反映人体活动状态直接高效且不可更改，对35个班级共1 050位学生持续两年的教学实践结果表明，引入实时体征监测的大学体育教学与传统体育教学结果上表现出多元显著差异。机器学习参数设置合理的情况下，单纯的教学质量评价体系对于教学结果判定准确度较为有限，干预教学组及控制教学组的准确度均较低。引入心率及血氧饱和度参照指标后，对两类教学分组的预测度均有显著提升。最大吸氧量指标对于机器学习过程的预测结果影响未能表现。进一步引入心率和血氧交互指标后，总体判定准确度进一步上升，对于干预教学组的判定准确度达到100%。在便携式设备广泛流行的当下，采用机器统计学习方法，评价生理指标干预体育教学过程，能够有效提升体育教学未知结果的判定准确度，解决当前各类监测设备仅限于给出描述统计结果的不足表现。

[1] 刘丹,杨一民.中国女子足球队运动员生理-生化指标监测与评价研究[J].体育科学,2009,29(8):50-60.

[2] 曹佩江,朱晓梅,刘俊林.中国优秀柔道运动员某些生理生化指标的研究[J].体育与科学,2008,29(6):68-71.

[3] 张绰庵,刘丽萍.优秀皮艇运动员赛前训练效果的监控与相关分子指标的应用[J].首都体育学院学报,2010,22(5):56-59.

[4] 杨明,田野,赵杰修.中国国家女子马拉松队备战柏林世界田径锦标赛生理生化指标的变化特征[J].中国体育科技,2011,47(2):21-25.

[5] 冯玉娟,毛志雄,车广伟.大学生身体活动行为预测干预模型的构建：自主动机与TPB扩展模型的结合[J].北京体育大学学报,2015,38(5):72-76.

[6] 许谏,刘晶.高校运动训练和体育教学的发展趋势[J].长春师范学院学报,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.普通高校体育选项课教学质量评价指标体系的构建[J].武汉体育学院学报2012,46(10):97-100.

[9] 赵俭,孙要武.生理功能指标与正态分布[J].数理医药学杂志,1993(1):32-34.

[10] 孙冰川,唐成.普通高等学校体育教学评价指标体系的建立及其多元评价模型的研究[J].南京体育学院学报,2006,20(1):69-72.

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

[12] 雷雨晨,胡扬.高住低训过程中血氧饱和度变化及其与血红蛋白变化的关联[J].中国运动医学杂志,2005,24(2):203-220.

[13] 石坤.“超量恢复”与“爆胎”训练理论的研究[J].沈阳体育学院学报,2012,31(6):91-94.

[14] 毛永明.心率监测在高校体育训练与比赛中的应用与价值[J].体育科技文献通报,2011,19(1):69-71.

[15] 彭远开,徐国林,刘钢.上、下肢运动条件下心率与能量代谢率线性回归的观察[J].航天医学与医学工程, 1998(5):357-361.

[16] 陈伟.运动性动脉低血氧发生机制的研究[J].南京体育学院学报(自然科学版),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] 米欢,王正珍.步行试验推测40～49岁人群最大摄氧量回归方程的研究[J].北京体育大学学报,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

南京工程学院高等教育研究课题(2015ZC10)基于生理指标的运动训练效果辅助支持研究

2016-08-30

王 玉(1981-)，男，江苏徐州人，硕士，讲师，研究方向体育信息处理.

G804.49

A

1004-3624(2016)06-0074-06