王 玉,馬 勇

(南京工程學(xué)院 體育部，江蘇 南京 211167)

?

基于生理指標(biāo)監(jiān)控的大學(xué)體育教學(xué)質(zhì)量評價干預(yù)研究

王 玉,馬 勇

(南京工程學(xué)院 體育部，江蘇 南京 211167)

在傳統(tǒng)體育教學(xué)質(zhì)量評價基礎(chǔ)上引入實時生理監(jiān)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(xué)體育教學(xué)質(zhì)量產(chǎn)生的干預(yù)作用及影響程度。結(jié)果表明，實施生理監(jiān)測干預(yù)教學(xué)分組相對常規(guī)教學(xué)分組教學(xué)質(zhì)量評價結(jié)果表現(xiàn)出顯著差異；增加生理指標(biāo)可有效提升機器學(xué)習(xí)對于教學(xué)效果的判正靈敏度：引入心率指標(biāo)，教學(xué)總體判定正確率上升11.9%，引入心率及血氧指標(biāo)，判定正確率上升至85.7%，增加心率及血氧飽和度交互指標(biāo)，判正率提升至92.9%，引入最大吸氧量指標(biāo)未影響判正效率。得出結(jié)論：生理指標(biāo)監(jiān)控干預(yù)過程對大學(xué)體育教學(xué)質(zhì)量具有顯著影響；評價各類生理指標(biāo)的干預(yù)程度，共線性檢驗具有必要性。

生理指標(biāo)；教學(xué)質(zhì)量評價；機器學(xué)習(xí)

期望以標(biāo)準(zhǔn)制定或指標(biāo)完善的方式從定性(qualitative)或定量(quantitative)角度推動大學(xué)體育教學(xué)質(zhì)量的改進與革新將受縛于傳統(tǒng)教育學(xué)質(zhì)量評價體系，無法反映體育教學(xué)中特有的身體活動(physical activity, PA)狀態(tài)，更難以對體育教學(xué)這一持續(xù)性過程的未知結(jié)果實施有效預(yù)測。構(gòu)建適用于大學(xué)體育教學(xué)過程具有人體生理監(jiān)控因素協(xié)同參與的評價模型，并以此為依據(jù)反饋體育課堂教學(xué)過程，預(yù)測教學(xué)效果，對改進大學(xué)體育教學(xué)質(zhì)量具有實踐意義。

以體征指標(biāo)監(jiān)測結(jié)果反映人體活動過程已廣泛應(yīng)用于足球運動員機能狀態(tài)診斷[1]、柔道運動員負荷量參照[2]、皮艇運動員訓(xùn)練周期保障[3]等專業(yè)科學(xué)化訓(xùn)練實踐，其干預(yù)作用表現(xiàn)在身體運動行為(motor behavior, MB)的預(yù)測效度[4]。該過程在大學(xué)體育教學(xué)實踐中同樣具有重要意義[5]，但體育教學(xué)評價相對運動訓(xùn)練的專業(yè)性更加多元化[6]，反映生理指標(biāo)的干預(yù)過程存在維度匹配問題。機器學(xué)習(xí)理論從人工智能的推進中獲得原動力并應(yīng)用于客觀現(xiàn)實中具備輸入/輸出特征的事物關(guān)系[7]，對于引入生理指標(biāo)干預(yù)的大學(xué)體育教學(xué)過程，該方法將干預(yù)結(jié)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(yù)效果。

應(yīng)用多元統(tǒng)計方法檢驗教學(xué)質(zhì)量效果并作為判別依據(jù)，進而探索人體生理指標(biāo)監(jiān)控過程在教學(xué)質(zhì)量干預(yù)中的作用程度，是本研究嘗試解決的問題，也是機器學(xué)習(xí)理論的實踐過程。

1 研究設(shè)計

研究目的是確定人體生理指標(biāo)監(jiān)控干預(yù)過程對大學(xué)體育教學(xué)質(zhì)量產(chǎn)生的影響，因此研究內(nèi)容應(yīng)包括大學(xué)體育教學(xué)質(zhì)量的價值判斷及生理指標(biāo)統(tǒng)計數(shù)據(jù)兩個方面。依據(jù)徐友元等(2012)研究成果，體育教學(xué)質(zhì)量評價的內(nèi)容包括教學(xué)過程和結(jié)果，且結(jié)果可一定程度反映過程[8]，所以選取具有現(xiàn)實意義的教學(xué)結(jié)果作為評判標(biāo)準(zhǔn)。當(dāng)多元化的教學(xué)結(jié)果表現(xiàn)出顯著差異時，認為生理監(jiān)測干預(yù)過程對體育教學(xué)質(zhì)量具有顯著作用。顯著差異結(jié)果將作為機器學(xué)習(xí)方法構(gòu)造樣本訓(xùn)練集及預(yù)測集的前提，通過SVM算法確定干預(yù)程度。具體研究流程如圖1所示。

圖1 流程設(shè)計

2 研究對象與方法

2.1 研究對象

以某一大學(xué)開設(shè)體育課的學(xué)生作為研究對象，共35個教學(xué)班，每個教學(xué)班30人。體征指標(biāo)監(jiān)測實施干預(yù)群體與非干預(yù)群體人數(shù)進行3∶4配比，其中15個班級(450人)實施生理監(jiān)測及強度反饋(干預(yù)組)，20個班級(600人)在實施生理監(jiān)測但不給予反饋(控制組)。選取相同教師對兩組學(xué)生依照人數(shù)配比實施相同教學(xué)內(nèi)容。心率監(jiān)測采用Garmin Forerunner 225 專業(yè)心率儀，有氧指標(biāo)測試采用MAX-II有氧測試分析儀。監(jiān)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(tǒng)計。教學(xué)分組(干預(yù)組及控制組)質(zhì)量評價表現(xiàn)為多維指標(biāo)，兩組多維指標(biāo)的差異顯著性檢驗采用多元統(tǒng)計方法。

2.2.2 機器學(xué)習(xí)。對不同教學(xué)分組，機器學(xué)習(xí)選取支持向量機(SVM)算法檢驗結(jié)果對于過程分類的準(zhǔn)確性(Accuracy)。該算法通過建立教學(xué)生理監(jiān)測學(xué)生(干預(yù)組)與常規(guī)教學(xué)學(xué)生(控制組)的決策曲面來判別生理監(jiān)測干預(yù)過程的影響程度。

3 模型建立

3.1 多元檢驗

教學(xué)評價結(jié)果表現(xiàn)為多元數(shù)據(jù)，若兩組多元數(shù)據(jù)在統(tǒng)計意義上表現(xiàn)出顯著差異，則認為干預(yù)過程有效，檢驗結(jié)果作為統(tǒng)計機器分類的依據(jù)；反之，則認為干預(yù)過程不存在統(tǒng)計學(xué)意義，生理監(jiān)測過程不具有必要性。經(jīng)處理，兩組數(shù)據(jù)多元分布如表1所示。

表1 監(jiān)測組與教學(xué)組成績矩陣向量及協(xié)方差陣

對兩組教學(xué)結(jié)果協(xié)方差陣Σ1、Σ2進行相等性博克斯M檢驗，當(dāng)Σ1=Σ2，則以T2統(tǒng)計距離比較兩組向量相等性，若Σ1≠Σ2則以非參數(shù)檢驗比較。依據(jù)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(shè)。其中，p(p+1)(g-1)/2為自由度。

經(jīng)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(jīng)計算，T*=174.28>X.F0.01F=13.28?；谏碇笜?biāo)監(jiān)測的過程與傳統(tǒng)大學(xué)體育課程表現(xiàn)出顯著性差異。多元檢驗結(jié)果可作為統(tǒng)計機器分類的依據(jù)，建立分類超平面，有效分離各類生理指標(biāo)干預(yù)過程。

3.2 評價指標(biāo)檢驗

3.2.1 教學(xué)質(zhì)量評價指標(biāo)。教學(xué)質(zhì)量評價指標(biāo)選取參考當(dāng)前體育教學(xué)質(zhì)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(biāo)。如表2

表2 體育教學(xué)質(zhì)量評價指標(biāo)

指標(biāo)a1-a3反映教師業(yè)務(wù)水平，a4-a6反映教師的教學(xué)能力，a7、a8反映教學(xué)文件管理制度，a9-a13反映總體教學(xué)過程，a14、a15反映教學(xué)評價，a16、a17反映教學(xué)內(nèi)容，a18、a19反映教學(xué)方法，a20-a22反映考試情況，a23-a25反映教學(xué)改革，a26-a28反映教學(xué)成果，a29、a30反映教學(xué)效果。

以百分制對上述指標(biāo)評分，實施正態(tài)性檢驗，結(jié)果如圖2(僅列舉前8項)。

圖2 教學(xué)質(zhì)量評價正態(tài)性檢驗

Q-Q圖顯示，絕大多數(shù)指標(biāo)評測結(jié)果不服從正態(tài)分布，只有a5、a12、a14、a16、a18、a22、a23、a26近似服從正態(tài)分布。因此檢驗需采取非參數(shù)及t檢驗結(jié)合的方案。

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

表3 Wilcoxon's Sign Rank Test檢驗結(jié)果

結(jié)果顯示，體育教學(xué)質(zhì)量評價指標(biāo)a4、a6、a8、a11、a13、a21、a25、a27、a28、a30的Pr值通過檢驗(P<0.05)，其他指標(biāo)因未表現(xiàn)出顯著性差異，在指標(biāo)集中刪除。對a5、a12、a14、a16、a18、a22、a23、a26指標(biāo)進行t檢驗(過程略)，結(jié)果a5、a16、a18三項指標(biāo)未表現(xiàn)出顯著性差異被剔除，指標(biāo)a12、a14、a22、a23、a26拒絕相等性假設(shè)，進入機器學(xué)習(xí)模型。

其中a4、a6是表現(xiàn)教學(xué)能力的指標(biāo)，a8表示教學(xué)文件落實的指標(biāo)，a11-a14表示教學(xué)過程及結(jié)果的指標(biāo)，a21、a22表示關(guān)于考試的指標(biāo)，a23表示教學(xué)改革計劃的指標(biāo)，a25-a28表示教學(xué)改革及成果的指標(biāo)，a30表示科研效果的指標(biāo)。

3.2.3 生理監(jiān)測評價指標(biāo)。生理指標(biāo)監(jiān)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(gòu)建心率和血氧飽和度交互指標(biāo)，以b9表示。人體生理指標(biāo)測試結(jié)果多服從正態(tài)分布[10]，多人多指標(biāo)的檢驗采用霍特林T2控制圖檢驗，設(shè)定控制域α=0.2，對偏離控制域的學(xué)生提示運動強度不足或過量，調(diào)整其運動狀態(tài)。監(jiān)測指標(biāo)及具體數(shù)值如表4。

表4 生理監(jiān)測指標(biāo)

其中b1-b5是反映心臟功能的有關(guān)指標(biāo)，b6、b7反映血氧水平的有關(guān)指標(biāo)，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(biāo)。經(jīng)檢驗，所有生理指標(biāo)監(jiān)測結(jié)果(b1-b8)均服從正態(tài)分布(圖略)。

3.3 機器學(xué)習(xí)理論

實施體征指標(biāo)監(jiān)測的學(xué)生以班級分類，屬于小樣本情形，機器學(xué)習(xí)采用支持向量機(Support Vector Machine，SVM)算法完成數(shù)據(jù)挖掘過程。SVM建立于統(tǒng)計學(xué)習(xí)理論VC 維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)之上[11]，基本原理如圖3。

圖3 SVM最優(yōu)分類線

C1和C2代表二維平面中兩個要區(qū)分的兩個類別，中間的直線H代表超平面，是一個分類函數(shù)，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(yōu)分類函數(shù)：

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

s.t.

求解得：

引入核函數(shù)進行特征空間映射，能夠有效處理分類屬性的非線性關(guān)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(shù)C的取值，訓(xùn)練得出實施體征監(jiān)測的大學(xué)體育教學(xué)質(zhì)量評價非線性SVM模型，完成機器學(xué)習(xí)算法。

3.4 結(jié)果

將干預(yù)教學(xué)組的15個班級類別標(biāo)簽標(biāo)記為1，控制教學(xué)組的20個班級類別標(biāo)簽標(biāo)記為2，設(shè)定60%為訓(xùn)練集(train)，40%作為測試集(test)，選用RBF核函數(shù)，交叉驗證最佳參數(shù)C和σ。首先以教學(xué)評價指標(biāo)數(shù)據(jù)引入模型，得到結(jié)果如圖4。

圖4 教學(xué)評價指標(biāo)結(jié)果

圖4顯示教學(xué)質(zhì)量評價指標(biāo)的判定結(jié)果，在以訓(xùn)練集對預(yù)測集的預(yù)測精度上，實施生理指標(biāo)監(jiān)控的班級(干預(yù)教學(xué)組)存在兩個誤判，判定準(zhǔn)確率達66.7%，控制教學(xué)組有3個出現(xiàn)誤判，判定正確率達66.7%。引入心率監(jiān)控指標(biāo)(b1-b5)的判定結(jié)果如圖5所示，兩組教學(xué)效果預(yù)測正確率均有所上升，干預(yù)教學(xué)組判定準(zhǔn)確率達83.3%，控制教學(xué)組判定準(zhǔn)確率達77.8%。

圖5 引入心率指標(biāo)結(jié)果

圖6 增加血氧、攝氧量指標(biāo)預(yù)測結(jié)果

圖7 增加心率及血氧交互指標(biāo)結(jié)果

圖6顯示，采用心率及血氧指標(biāo)(b1-b7)進行預(yù)測時，干預(yù)教學(xué)組存在一個誤判，判正率保持不變，仍為83.3%，控制教學(xué)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(biāo)帶入模型，檢驗心率、血氧飽和度、最大吸氧量三類指標(biāo)結(jié)合(b1-b8)的預(yù)測效果，結(jié)果顯示，干預(yù)教學(xué)組還是控制教學(xué)組的預(yù)測判正率均未發(fā)生變化，仍為83.3%和88.9%(圖6)，表明最大吸氧量度指標(biāo)可能與心率、血氧飽和度指標(biāo)存在共線，雖然最大吸氧量指標(biāo)具有明確的運動生理意義及現(xiàn)實意義，但在已選擇心率、血氧飽和度的前提下，對體育教學(xué)過程評價產(chǎn)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(biāo)的判別結(jié)果。當(dāng)加入心率和血氧交互指標(biāo)后，控制教學(xué)組的判正率沒有變化，仍為88.9%，干預(yù)教學(xué)組預(yù)測結(jié)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(xué)習(xí)SVM算法為核心，將大學(xué)體育教學(xué)質(zhì)量反映為多維評價結(jié)果，通過多元統(tǒng)計方法實施檢驗并作為機器學(xué)習(xí)判別的前因變量，構(gòu)建了基于人體生理指標(biāo)干預(yù)的大學(xué)體育教學(xué)質(zhì)量評價整合模型。模型考查了各類型生理指標(biāo)對評價體系判別效度的影響，有效量化了研究結(jié)果。

體征指標(biāo)監(jiān)測可有效反應(yīng)人體活動強度及狀態(tài)，已廣泛應(yīng)用于運動訓(xùn)練、競技比賽實踐[12]。機體在參與體育活動時產(chǎn)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(guān)關(guān)系[13]。心率常用來測度運動強度及代謝水平[14]，當(dāng)心率變化范圍介于110～180次/min區(qū)間時，心率與運動強度、能量代謝之間存在著顯著的線性關(guān)系[15]；血氧飽和度(SpO2)則有效代表呼吸循環(huán)的生理參數(shù)，血氧濃度變化直接反映機體氧供應(yīng)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(guān)[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(xué)生掌握動作技能的程度反映大學(xué)體育的教學(xué)效果，而身體活動貫穿于動作技能學(xué)習(xí)的全部過程，并以心率、血氧飽和度、攝氧量等體征指標(biāo)綜合體現(xiàn)。生理指標(biāo)計量可顯著改進現(xiàn)階段僅限于觀察及經(jīng)驗作為判定學(xué)生機體負荷的現(xiàn)狀，為確定學(xué)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(chuàng)、簡易的原則，將生理監(jiān)測過程推廣到體育教學(xué)環(huán)境，以三個指標(biāo)實時監(jiān)測學(xué)生活動強度并及時反饋教學(xué)過程，對運動強度進行合理控制，為改進動作技能練習(xí)效率，大學(xué)體育教學(xué)質(zhì)量提供輔助支持。

生理狀態(tài)處于實時監(jiān)控下的大學(xué)體育教學(xué)過程，反映出普通體育教學(xué)質(zhì)量評價體系無法量化的更多信息。機器學(xué)習(xí)模型可有效解決評價指標(biāo)、生理指標(biāo)的匹配問題。假設(shè)教學(xué)質(zhì)量評價指標(biāo)具有p個維度，而判別教學(xué)質(zhì)量的條件具有q個維度，則研究選取的機器學(xué)習(xí)模型將輸入定義為p維數(shù)據(jù)，輸出定義為q維數(shù)據(jù)，對任意k個班級的樣本數(shù)據(jù)K={xi，yi|i=1,2,3…,k}，x∈Rp，y∈Rq進行訓(xùn)練集與驗證集分離，體育課生理指標(biāo)監(jiān)測干預(yù)研究的本質(zhì)就轉(zhuǎn)換為針對訓(xùn)練集空間尋求最優(yōu)分類面并確定決策函數(shù)問題。決策函數(shù)的學(xué)習(xí)能力通過訓(xùn)練集檢驗，決策判定準(zhǔn)確率越高，生理監(jiān)測的干預(yù)作用越明顯。在復(fù)雜的體育教學(xué)環(huán)境中，教師與學(xué)生之間形成頻繁互動的網(wǎng)絡(luò)，教學(xué)目標(biāo)、教學(xué)改革、教學(xué)效果等環(huán)節(jié)存在大量不確定因素，這些不定因素決定大學(xué)體育教學(xué)質(zhì)量評價更趨向非線性，因此模型設(shè)定的輸入變量與輸出變量之間更近似于非線性關(guān)系。

研究結(jié)果顯示，隨著引入指標(biāo)數(shù)量增加，判別精度呈上升趨勢，表明在機器學(xué)習(xí)算法設(shè)計合理的狀況下，更多生理指標(biāo)參與的教學(xué)質(zhì)量評價體系會產(chǎn)生更高的判定準(zhǔn)確度。某些生理指標(biāo)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(biāo))，一個可能的原因是這些指標(biāo)與其他生理指標(biāo)在模型中出現(xiàn)共線，雖然這些指標(biāo)同樣能有效反映人體運動狀態(tài)，從實際執(zhí)行效率、經(jīng)濟成本等因素考慮，可予以剔除。機器學(xué)習(xí)結(jié)果說明，教學(xué)質(zhì)量評價體系融入生理指標(biāo)監(jiān)測數(shù)據(jù)后，對結(jié)果表現(xiàn)出顯著性差異的大學(xué)體育教學(xué)過程的預(yù)測判定準(zhǔn)確率有很大提高。

5 結(jié) 語

生理指標(biāo)反映人體活動狀態(tài)直接高效且不可更改，對35個班級共1 050位學(xué)生持續(xù)兩年的教學(xué)實踐結(jié)果表明，引入實時體征監(jiān)測的大學(xué)體育教學(xué)與傳統(tǒng)體育教學(xué)結(jié)果上表現(xiàn)出多元顯著差異。機器學(xué)習(xí)參數(shù)設(shè)置合理的情況下，單純的教學(xué)質(zhì)量評價體系對于教學(xué)結(jié)果判定準(zhǔn)確度較為有限，干預(yù)教學(xué)組及控制教學(xué)組的準(zhǔn)確度均較低。引入心率及血氧飽和度參照指標(biāo)后，對兩類教學(xué)分組的預(yù)測度均有顯著提升。最大吸氧量指標(biāo)對于機器學(xué)習(xí)過程的預(yù)測結(jié)果影響未能表現(xiàn)。進一步引入心率和血氧交互指標(biāo)后，總體判定準(zhǔn)確度進一步上升，對于干預(yù)教學(xué)組的判定準(zhǔn)確度達到100%。在便攜式設(shè)備廣泛流行的當(dāng)下，采用機器統(tǒng)計學(xué)習(xí)方法，評價生理指標(biāo)干預(yù)體育教學(xué)過程，能夠有效提升體育教學(xué)未知結(jié)果的判定準(zhǔn)確度，解決當(dāng)前各類監(jiān)測設(shè)備僅限于給出描述統(tǒng)計結(jié)果的不足表現(xiàn)。

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

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

[3] 張綽庵,劉麗萍.優(yōu)秀皮艇運動員賽前訓(xùn)練效果的監(jiān)控與相關(guān)分子指標(biāo)的應(yīng)用[J].首都體育學(xué)院學(xué)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(zhàn)柏林世界田徑錦標(biāo)賽生理生化指標(biāo)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(xué)生身體活動行為預(yù)測干預(yù)模型的構(gòu)建：自主動機與TPB擴展模型的結(jié)合[J].北京體育大學(xué)學(xué)報,2015,38(5):72-76.

[6] 許諫,劉晶.高校運動訓(xùn)練和體育教學(xué)的發(fā)展趨勢[J].長春師范學(xué)院學(xué)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(xué)質(zhì)量評價指標(biāo)體系的構(gòu)建[J].武漢體育學(xué)院學(xué)報2012,46(10):97-100.

[9] 趙儉,孫要武.生理功能指標(biāo)與正態(tài)分布[J].數(shù)理醫(yī)藥學(xué)雜志,1993(1):32-34.

[10] 孫冰川,唐成.普通高等學(xué)校體育教學(xué)評價指標(biāo)體系的建立及其多元評價模型的研究[J].南京體育學(xué)院學(xué)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(xùn)過程中血氧飽和度變化及其與血紅蛋白變化的關(guān)聯(lián)[J].中國運動醫(yī)學(xué)雜志,2005,24(2):203-220.

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

[14] 毛永明.心率監(jiān)測在高校體育訓(xùn)練與比賽中的應(yīng)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(yī)學(xué)與醫(yī)學(xué)工程, 1998(5):357-361.

[16] 陳偉.運動性動脈低血氧發(fā)生機制的研究[J].南京體育學(xué)院學(xué)報(自然科學(xué)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(xué)學(xué)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(xué)院高等教育研究課題(2015ZC10)基于生理指標(biāo)的運動訓(xùn)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