基于机器学习与学生体质监测对高职院校足球校队体能选拔的研究

【作者】 徐安杰； 吴灿； 王宗佼； 黄佩君； 王荣辉；

【机构】 北京体育大学,运动人体科学学院； 武汉城市职业学院,职业网球学院； 武汉科技大学,体育学院；

【摘要】 研究背景:在国家体育总局"深化体教融合,促进学生健康发展"的理念指导下,足球赛事在高职高专院校也得到广泛推广。"YOYO测试"作为体能评估水平的重要工具,已成为足球队员体能选拔的关键指标。然而,相比本科类综合大学,高职高专院校因足球场地紧张、学生学制短等限制,对全体校队参选队员开展"YOYO测试"这类高标准体能测试的实施难度较大。基于每年开展的学生体质监测数据,构建足球体能"初筛模型"对高职高专院校开展足球队员体能初筛具有实践价值。研究目的:应用二元Logistics回归和随机森林、支持向量机、贝叶斯网络等机器学习方法,以学生体质监测所得的各项数据为特征,以是否达标"YOYO测试"17级为结局变量,构建适用于高职高专院校足球校队体能选拔的初筛模型。研究方法:对武汉城市职业学院报名足球校队选拔的120名专科生,按照标准完成"YOYO测试",根据是否达到17级,将120名参选学生分为合格组和未合格组。并调取候选队员学生体质监测数据,包含身高、体重、BMI、肺活量、引体向上、50米跑、1000米跑、立定跳远、坐位体前屈。对2组学生体质监测数据进行独立样本T检测,筛选具有显著性统计学差异(P<0.05)的特征,以YOYO测试是否达17级为结局变量,分别纳入二元Logistics回归、随机森林、支持向量机、贝叶斯网络模型,其中机器学习方法采用五折交叉验证,分析比较二元Logistics回归的拟合优度R2、三种机器学习方法的准确率、灵敏度和特异度。研究结果:1)通过独立样本T检验,发现合格组和未合格组在肺活量(p <0.01)、50米跑(p <0.05)、1000米跑(p<0.01)和立定跳远(p <0.05)上存在显著性差异,4类特征值将纳入分类模型建模;2)二元Logistics回归预测效果良好(R2=0.567),支持向量机的预测效果(平均准确率0.94,平均灵敏度0.94,平均特异度0.95)高于随机森林(平均准确率0.91,平均灵敏度0.90,平均特异度0.94)和贝叶斯网络(平均准确率0.83,平均灵敏度0.90,平均特异度0.90)。结论:学生体质监测的肺活量、50米跑、1000米跑和立定跳远成绩是"YOYO"体能检测结果的敏感特征,机器学习建模可以为高职高专院校足球校队的体能选拔做出有效预测,其中支持向量机的预测效果最佳。更多还原