基于模糊神经网络的体育课程线上线下混合式教学方法研究

《Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization》：Research on blended online and offline teaching methods for physical education courses based on fuzzy neural networks

　　

本研究提出了一种混合教学模式，该模式整合了模糊神经网络（FNN）以改善体育教育中的身体动作识别并优化运动强度。该模型将模糊肢体集表示与多层神经网络相结合，实现了精确的人体动作识别，同时引入物理距离指数（Physical Distance Index）以增强训练样本选择。实验结果表明，在八种田径活动中，识别准确率约为90.5%，最大误识率为0.03（每30个动作中出现一次错误识别）。此外，所提出的方法根据学习者的表现动态调整运动强度，导致学生的健康状态显著改善，从0.65提升至0.99。这些发现表明，自适应混合训练策略比固定强度运动计划在促进体能和学习成果方面更为有效。研究结果为智能教学模式在现代体育教育中的应用提供了有力支持。

**论文解读：基于模糊神经网络的体育课程线上线下混合式教学方法研究**

**研究背景与问题**

随着互联网信息技术的持续快速发展，IT教学已成为越来越多学校教学方法探索与尝试的方向。传统的体育教学长期采用线下模式，但自2020年新冠疫情爆发以来，社会生活与工作面临新挑战，尤其对以传统训练为主要方式的体育课程教学提出了严峻考验。如何实现“停课不停教、停课不停学”成为高校体育教学亟待解决的问题。在此背景下，线上线下混合式教学方法迅速发展。混合式教学整合了传统面对面教学与在线数字学习的优势，能够引导学习者经历从基础到高级、从入门到深入的知识获取过程。该模式通过线上线下重组教学内容，拓展了传统现场教学的时间与空间，打破了传统教学中“教”与“学”只能在同一时空存在的局限，提升了课程教学的核心价值。对于体育课程这类以身体技能发展与体能训练为主的实践课程，混合式教学能有效解决课内外运动知识衔接追踪教学、动作示范讲解以及学生课外锻炼的指导难题，帮助学生在任何时间、任何地点发现并参与体育学习与训练，增强学生课外坚持体育训练的自主性与主动性。

**研究目的与意义**

本研究旨在融合模糊理论处理不确定性的能力与神经网络（NN）的非线性拟合优势，设计动作识别（AR）预测模型。通过结合模糊肢体集对运动姿势状态进行分类并提取关键动作特征，创建多层神经网络（NN）实现动作模式的匹配与差异分析，结合体质距离（Physical Distance）筛选样本并优化模糊神经网络（FNN）参数，形成个性化的最佳运动量预测机制以适应个体体质分数差异。研究提取田径学生的运动关节特征数据，验证模型在动作识别准确率和体质提升效果方面的双重优势。该研究为现代体育教育中智能教学模型的应用提供了有力支持，相关论文发表在《Computer Methods in Biomechanics and Biomedical Engineering: Imaging》。

**主要关键技术方法**

研究人员采用的关键技术方法包括：基于模糊肢体集（Fuzzy Limb Set）的动作表示方法，将运动动作分解为基本动作并构建标准动作模式，利用肢体状态特征隶属度描述动作匹配程度；构建三层神经网络（NN）结构（输入层、隐藏层、输出层），通过学习动作模式识别知识实现动作匹配度计算；引入物理距离（Physical Distance）概念，通过计算目标个体与样本间各标准化生理指标（身高、体重、肺活量、心率、体脂率、反应时）的方差平均值衡量体质差异，筛选相似样本以优化模糊神经网络训练；采用改进的模糊神经网络（FNN）学习算法，结合K-means聚类确定径向基函数中心，通过监督学习计算隐藏层到输出层的权重，建立最佳运动量预测模型。样本队列来源于某体育大学田径专业学生，共90名参与者，分为动态运动量调整组（A组，30人）、固定大运动量组（B组，30人）和固定小运动量组（C组，30人），年龄21±3岁，60%男性，40%女性。

**研究结果**

**特征样本数据与有效性分析**

研究人员从田径专业学生的日常练习视频中提取了八个关节角度（右肩、右肘、左肩、左肘、右髋、右膝、左髋、左膝）和相应关节速度的特征样本数据（可精确到三位小数）。通过分析特征θ_1e（左肘角度）和V_re（右肘速度）在八种动作（如慢跑、直腿跑、后踢腿跑、后退跑、车轮跑、立定跳远、单脚跳、蛙跳）中的变化轨迹，发现不同动作的归一化特征值范围（θ_1e：0-1.6，V_re：0-70 m/min）呈现不同且不重叠的变化模式，表明提取的特征具有良好的区分性，可进一步利用模糊神经网络（FNN）技术识别学生动作与标准动作的匹配程度。

**识别实验与结果分析**

**模型识别优势分析**

研究人员利用改进的模糊神经网络（FNN）模型对构建的田径运动动作数据集进行识别，并将识别结果绘制为混淆矩阵。结果显示，在八种动作的识别中，模型将一种动作误识别为其他动作的可能性不超过0.03，多数误识别可能性仅为0.01左右，表明改进的FNN模型具有较低的动作识别（AR）错误率。

**识别准确率比较**

利用相同数据集进行模型训练与测试，将基于改进FNN技术的模型与常用动作分类模型（Lie Group、ARRN-LSTM、3-scale ResNet、ST-GCN、Pb-GCN、DGNN）进行识别准确率比较。结果显示，对比模型的AR准确率分别为60.3%、81.4%、82.1%、81.6%、85.2%和87.7%，均未超过90%；而本研究的模型AR准确率达到90.5%，高于所有对比模型，表明该模型具有更优的动作识别性能，能够准确识别学生田径运动中的关节动作特征变化。

**实验前后体质分数变化比较**

研究人员选取体质分数约为65分的田径专业男生，分为三组进行实验：A组使用本研究模型辅助教学，根据模型动作识别结果规范学生动作，并利用神经网络输出最大步长对应的运动量作为不同阶段的最佳运动量，实现运动量动态调整；B组采用固定大运动量训练（每阶段运动量标准化为0.9）；C组采用固定小运动量训练（每阶段运动量标准化为0.6）。实验共11个周期，每周期1周，运动方式为慢跑，每阶段距离0-60 km。结果显示，A组学生的运动量在0.07至0.97之间动态变化以最大化体质提升效果，其体质分数从约0.65持续提升至实验结束时的约0.99；B组学生体质分数也从约0.65提升至约0.98，但提升过程不平滑且存在较大运动风险；C组学生体质分数仅从0.65提升至约0.69。表明利用本研究模型识别和优化学生动作与运动量，能够有效提升体育线上线下混合教学水平，指导学生稳步增强体质。

**讨论与结论**

**讨论总结**

研究证明，所提出的改进模糊神经网络（FNN）混合教学模型能够有效提升动作识别精度和体质效果。识别准确率高达90.5%，高于文献中多种现有深度学习与图算法的效果。增强效果的原因包括：在神经网络中利用模糊逻辑更好地管理运动数据中的不确定性，以及基于体质距离的样本过滤实现更好的泛化。动态调整运动量的效果尤为显著，通过更均衡的训练负荷促进了体质分数的提升。研究结果与现有研究一致，表明结合线上线下混合式教学对提升体育及其他学科学习绩效的重要性。此外，本研究通过开发基于FNN的智能优化算法，用于预测最佳运动量，是对现有文献的贡献。然而，模型的有效性可能受测试样本量和实验时间影响，需要进一步研究验证模型的可持续性及其对学生动机的影响。

**结论翻译**

本研究构建了一种基于改进模糊神经网络（FNN）的体育混合教学模式，以实现精确的动作识别（AR）和运动量的动态优化。本研究模型的AR准确率为90.5%，高于对比模型的60.3%、81.4%、82.1%、81.6%、85.2%和87.7%，具有良好的AR性能。在动态运动量调整组中，体质分数从0.65提升至0.99，优于固定运动量组的0.98和0.69。然而，长期体质跟踪的不足可能影响模型的泛化能力。未来可继续利用本研究模型跟踪运动量调整对体质分数的影响，以进一步验证模型效果。此外，教学效果与算法效率在混合教学过程中同样重要。尽管教学效率通过改善的体质水平和参与度得以确定，但算法效率对于判断该过程是否具备足够的技术能力以提供个性化指导、调整运动强度至关重要。