《Journal of Functional Morphology and Kinesiology》：Determining the Level of Reaction to a Moving Object in Combat Sports Athletes Using a Composite Index and Machine Learning: A Cross-Sectional Methodological Study
编辑推荐：
背景。 对移动物体的反应（RMO）是格斗运动中一项重要的心理生理功能，支撑着情境感知、对对手动作的预判以及及时的技术与战术行动。目的。 本研究旨在利用复合指数评估格斗运动员的该功能，并开发一种用于自动分类的机器学习模型。方法。 研究纳入312名10–25岁格斗
背景。 对移动物体的反应（RMO）是格斗运动中一项重要的心理生理功能，支撑着情境感知、对对手动作的预判以及及时的技术与战术行动。目的。 本研究旨在利用复合指数评估格斗运动员的该功能，并开发一种用于自动分类的机器学习模型。方法。 研究纳入312名10–25岁格斗运动员，其中约10%为女性，涵盖五种格斗运动项目，运动资质范围从初学者到高水平运动员。采用专门的“Reaction RMO Pro”测试评估对移动物体的反应。RMO_Index由平均绝对时间偏差及其变异性的标准化测量值计算得出，数值越高表示整体表现越好。模型使用分阶段测试指标以及提前、延迟和准确反应的特征进行训练。结果。 平均绝对时间偏差为32.44 ± 10.29 ms，变异性为21.88 ± 6.87 ms。提前、延迟和准确反应的比例分别为48.18 ± 10.18%、44.66 ± 10.45%和7.16 ± 4.40%。由RMO_Index派生出的平衡目标变量RMO_Level_Target为：高水平104例、中等水平104例、低水平104例。在训练-验证数据集中，Create ML在模型开发期间报告了100%的分类准确率，而模型在保留测试子集上达到91.67%的准确率。高水平、低水平和中等水平类别的F1分数分别为0.93、0.94和0.88。结论。 RMO_Index提供了反应计时准确性与稳定性的标准化复合测量，并能够形成基于样本的高、中、低表现水平。Boosted Tree分类器在保留测试子集中以91.67%的准确率重现了这些参考水平。这些发现支持在本样本内对RMO测试结果进行自动分类的可行性；然而，在更广泛的实际应用之前需要进行外部验证。
论文解读
一、研究背景与目的
在现代格斗运动中，竞技表现的有效性不仅取决于运动员的身体、技术战术和功能准备水平，还取决于其快速感知比赛变化情境、预判对手动作并及时实施运动反应的能力。格斗运动具有运动动作高度多变、决策时间有限、与对手的距离、攻击方向、节奏和交互韵律不断变化等特点。在此条件下，感觉运动与知觉认知技能变得尤为重要，包括反应速度、动作时机选择的准确性、预判能力以及运动反应的稳定性。
对移动物体的反应（reaction to a moving object, RMO）是格斗运动员感觉运动准备的重要组成部分。在格斗实践中，这一能力体现在对对手攻击或防守动作的反应、距离变化、攻击发起、移动以及选择反击最佳时机等方面。RMO可被视为反映运动员时空预判和感觉运动控制质量的信息性心理生理指标。近期研究证实，高水平格斗运动员在知觉预判方面优于低水平运动员，能够更快更准确地对对手的攻击动作做出反应，并更善于将注意力集中在数量较少但信息量最大的视觉线索上。
然而，传统上以单独指标呈现RMO评估结果的方式，并不总能快速、明确地解释其表现水平。平均绝对时间偏差、其变异性以及提前、延迟和准确反应的百分比反映了感觉运动活动的不同方面，但需要概括整合以便教练或研究人员实际使用。因此，开发一个综合性的对移动物体反应指数（RMO_Index），将反应的关键特征——时间准确性和稳定性——结合起来，是一种有前景的方法。同时，现代数字技术和机器学习方法的发展为心理生理测试结果的自动化解释创造了新机遇，使得处理大量指标、识别隐藏模式并支持训练决策成为可能。
本研究的目的在于：基于复合指数确定格斗运动员对移动物体的反应水平，并开发用于测试结果自动分类的机器学习模型。研究人员假设：（1）平均绝对时间偏差及其变异性的标准化组合能够提供RMO表现的综合测量；（2）分阶段时间偏差测量和反应方向特征包含足够信息，可通过机器学习分类器重现样本派生的高、中、低RMO水平。
二、主要关键技术方法
本研究为横断面方法学研究，在乌克兰哈尔科夫的多所体育机构开展，共纳入312名10–25岁格斗运动员（平均17.5岁，标准差4.33岁），涵盖跆拳道、空手道、柔道、希腊罗马式摔跤和自由式摔跤五种项目，运动资质从初学者到高水平运动员，约10%为女性。研究人员使用专门的“Reaction RMO Pro”测试在iPad设备上评估RMO，测试分三个阶段，任务复杂度逐步增加，每阶段20次尝试，共60次。测试记录的是反应与移动刺激到达目标位置时刻之间的时间偏差，而非传统简单视觉反应时。RMO_Index由整个测试的平均绝对时间偏差（RT_avg）及其总体变异性（RT_SD）的标准化值计算得出，公式为RMO_Index = ?[z(RT_avg) + z(RT_SD)]，数值越高表示表现越好。基于RMO_Index的三分位数划分形成高、中、低三个平衡类别（各104例）。机器学习模型采用Create ML 6.2中的Tabular Classification任务和Boosted Tree算法开发，纳入9个预测变量：各阶段平均绝对时间偏差（RT1_mean、RT2_mean、RT3_mean）、各阶段时间偏差变异性（RT1_SD、RT2_SD、RT3_SD）以及反应方向百分比（Premature_pct、Delayed_pct、Accurate_pct）。样本按分层方式划分为训练-验证子集（n=264）和保留测试子集（n=48）。此外，研究人员还采用非参数自助抽样法（10,000次迭代）评估RMO_Index三分位数截断值的抽样不确定性，并进行敏感性分析以检验不同RT_avg/RT_SD权重方案下分类的稳定性。
三、研究结果
描述性统计。 全样本中，提前反应占48.18 ± 10.18%，延迟反应占44.66 ± 10.45%，准确反应占7.16 ± 4.40%。提前和延迟反应明显多于准确反应，这些比例应被解释为特定RMO任务条件下反应分布的特征，而非运动员能力的直接指标，因为准确反应比例取决于预设的?3至+3 ms准确区间。
RMO_Index的构建与水平划分。 研究人员开发了综合性的RMO_Index，基于标准化后的RT_avg和RT_SD。RT_avg反映运动员反应计时的准确性，RT_SD表征任务表现的稳定性，两者数值越低表示结果越好。基于RMO_Index的三分位数划分，形成了高、中、低三个水平，各水平均为104人，目标变量RMO_Level_Target类别平衡。自助抽样分析显示，下截断值（?0.56）的95%置信区间约为?0.77至?0.35，上截断值（1.08）的95%置信区间约为0.94至1.19，表明精确数值边界具有样本依赖性。敏感性分析显示，在替代权重方案下，与原50/50分类的一致性为94.9%至98.1%，Cohen's κ为0.923至0.971，Spearman's ρ为0.996至0.999，所有分类变化均发生在相邻水平之间。
机器学习模型性能。 在训练-验证数据集（n=264）中，Create ML报告模型开发期间分类准确率为100%。在未参与模型开发的保留测试子集（n=48）上，模型正确分类44/48个观测，总体准确率为91.67%（95% CI: 80.0–97.7%）。混淆矩阵显示，16个高水平案例中14个被正确分类，2个被分类为中等水平；16个中等水平案例中14个被正确分类，2个被分类为低水平；16个低水平案例全部被正确识别。高水平、低水平和中等水平的F1分数分别为0.93、0.94和0.88。所有分类错误均发生在相邻RMO水平之间，没有出现高水平和低水平之间的直接误分类。相比之下，直接应用RMO_Index三分位数阈值可100%重现参考标签，机器学习模型在分类准确率上并未超越确定性阈值规则，其作用在于从多维分阶段预测变量中重现样本派生的分类，并提供适合设备端自动化实现的类别概率。训练后的模型以Core ML格式导出，可集成到iPadOS上的“Reaction RMO Pro”移动应用中。
四、讨论与结论总结
讨论部分。 研究结果证实了对格斗运动员RMO功能进行综合评估的可行性。仅以平均绝对时间偏差评估RMO功能是不够的，因为它不能全面反映感觉运动控制的个体特征。RMO_Index将时间准确性和稳定性两个互补维度结合起来，方法学上具有合理性，因为具有相同平均绝对时间偏差的运动员可能在反应变异性上存在显著差异，这对格斗运动尤为重要。中等水平类别最难分类，这在方法学上是预期的，因为该类别位于高和低两个极端水平之间，边界不够清晰，中等水平运动员可能具有混合特征。研究还指出，尽管避免了直接的目标泄漏，但分阶段预测变量与用于构建目标变量的聚合测量在结构上相关，因此91.67%的测试准确率应主要被解释为模型从分阶段测试特征中重现样本派生RMO_Index分类的能力，而非对外部结果的独立预测验证。直接RMO_Index阈值规则仍是重现样本派生水平最简单、最准确的方法，机器学习模型的贡献主要在于方法学和技术层面。设备端Core ML模型使移动应用能够自主运行，无需将数据传输至外部服务器。研究的局限性包括：高、中、低水平是相对的，基于特定样本的三分位分布；样本年龄范围宽、性别分布不均；未考察RMO水平与竞技表现、技术战术有效性、疲劳、损伤风险或训练结果等独立结果之间的关联；未评估重测信度；保留测试子集相对较小（n=48）；设备特定的显示和触摸延迟未被独立测量或补偿；提前、延迟和准确反应的比例具有任务依赖性。
结论翻译。 本研究开发了基于标准化平均绝对时间偏差和反应变异性的复合RMO_Index，并使用该指数定义了样本派生高、中、低RMO表现水平。反应方向以提前、延迟和准确反应为代表，被单独分析并作为机器学习模型中的附加信息使用。Boosted Tree分类器在保留测试子集中以91.67%的准确率重现了样本派生的RMO水平，其中低水平的分类性能高于高水平和中等水平。这些发现证明了在本样本内对RMO测试结果进行自动分类的可行性，但并未建立外部预测有效性。高、中、低水平不应被解释为通用规范性类别，也不应被视为竞技表现、疲劳、损伤风险或训练结果的有效指标。在更广泛的实际应用之前，需要在独立样本中进行外部验证，并对照独立表现标准进行评估。集成到Core ML证明了设备端分类的技术可行性，但本身并不建立运动监测中的实际效用。进一步研究应侧重于在不同年龄、资质水平和格斗运动项目的独立运动员样本中对模型进行外部验证，以及研究RMO_Index和高、中、低水平与竞技表现指标之间的关系。
