資國

訊立
管
中
理
山
研
究大
所學
國立中山大學資訊管理研究所
碩
士 碩士論文
論
文
Department of Information Management
–

評
以 估 National Sun Yat-sen University
正 穿
拍 戴
殺 式 Master Thesis
球 科
為 技 評估穿戴式科技羽球教學輔助系統對羽球技能學習之
例 羽
球
教 成效–以正拍殺球為例
學
輔 The Effects of the Badminton Teaching–Assisted System Using
助
系
統 Wearable Technology to Enhance University Students’ Learning
對
羽 Performance of Badminton Skills - the Case Study of Smash
球
技 研究生：黃尹政
能
學 Yin-Cheng Huang
習
之
成 指導教授：陳年興 博士
效
Dr. Nian-Shing Chen
研 林國欽 博士
究
生 Dr. Kuo-Chin Lin
：
黃 中華民國 107 年 7 月
尹
政

106
July 2018
學
年 0
度
 國立中山大學資訊管理研究所

碩士論文

Department of Information Management

National Sun Yat-sen University

Master Thesis

評估穿戴式科技羽球教學輔助系統對羽球技能學習之

成效–以正拍殺球為例

The Effects of the Badminton Teaching–Assisted System Using

Wearable Technology to Enhance University Students’ Learning

Performance of Badminton Skills - the Case Study of Smash

研究生：黃尹政
Yin-Cheng Huang

指導教授：陳年興 博士
Dr. Nian-Shing Chen
林國欽 博士
Dr. Kuo-Chin Lin
中華民國 107 年 7 月

July 2018
1
論文審定書

i
 論文提要

學年度： 106
學期： 2
校院名稱 國立中山大學
系所名稱 資訊管理研究所
論文名稱(中)： 評估穿戴式科技羽球教學輔助系統對羽球技能學習之成效
–以正拍殺球為例
論文名稱(英)： The Effects of the Badminton Teaching–Assisted System Using
Wearable Technology to Enhance University Students’ Learning
Performance of Badminton Skills - the Case Study of Smash
學位類別： 碩士
語文別： 中文
學號： M054020032
提要開放使用： 是
頁數： 58
研究生(中)姓： 黃
研究生(中)名： 尹政
研究生(英)姓： Huang
研究生(英)名： Yin-Cheng

指導教授(中)姓名： 陳年興、林國欽
指導教授(英)姓名： Nian-Shing Chen, Kuo-Chin Lin
關鍵字(中)： 羽球教學、穿戴式科技、肌電流感測器、慣性感測器、類神

經網路、專家系統
關鍵字(英)： Badminton teaching, wearable technology, electromyography,
inertial measurement unit, neural network, expert model

ii
 致謝

在中山大學的兩年期間真的覺得每天都過得很充實，真的受到了許多人的幫

助。首先要感謝得當然是年興老師。能有這麼充實豐富的兩年，都要歸功於年興

老師。年興老師在各種教學與會議上都讓我學到很多，老師的博學多聞、認真與

充滿求知慾的精神，每一項都值得我去學習，老師的精神與教誨都將成為我未來

前進時的路標。

接著要感謝的是怡玲學姐、偉倫與春旺學長。感謝學姊不斷推動我去完成論

文，祝福學姐未來一切順利！在技術支援方面，在這兩年間常常都需要偉倫熬夜

努力的協助，真的感謝偉倫的大力支援。春旺學長對我碩論的發展方向帶來很多

的啟發，透過會前會時的討論與提問，不斷的引導我去思考與調整研究的方向，

也常常鼓勵我要持續努力，真的帶給我莫大的支持。

再來要感謝的是我在這兩年期間最棒的精神支柱，怡秀！很幸運能在碩一就

認識你，能有妳的支持與陪伴真的非常開心！謝謝 Sylvia 學姐提供許多參與不

同研究的機會，也提供了許多英文上的幫助！謝謝雅文學姐和 IC 學長在會議上

給我們許多建議！謝謝秀珍學姐處理 Lab 的各種事情，才能讓我們專注在自己

的研究上！謝謝冠穎、皓程、家寧和俊宇在我碩一時的照顧，謝謝力弘這兩年一

起學習與成長，謝謝玉婕、思羽、子寬與軒揚，有你們的這一年多了許多的樂趣。

兩年很快就過去了，謝謝這段路上各位的關照與指教。這些都將成為我未來

的養分，讓我能成為更好的人，由衷感謝大家！

黃尹政

謹誌於西子灣中山

中華民國一○七年八月七號

iii
 摘要

本研究選擇羽球運動作為教學的主題，而羽球運動中，又以「正拍殺球」羽

球技能最為複雜與重要。因此，本研究以穿戴式科技「Myo 手環」結合影片科技、

專家模型與即時教學建議功能開發「穿戴式科技羽球教學輔助系統」以協助教師

進行羽球教學。其中專家模型功能是透過 Myo 手環中的肌電流感測器與慣性感

測器量測並計算羽球專家的揮拍姿勢特徵值與揮拍力道特徵值後，輸入類神經網

路建置而成。教師可透過此系統比對學生與專家的羽球動作相似度百分比分數，

再結合影片給予學生即時且個人化的教學建議，以進一步提升學生正拍殺球羽球

技能學習成效；另外，「即時教學建議功能」能將學生的揮拍姿勢與專家姿勢比

對，並給予與教師相仿的即時教學建議，以利學生自行練習。本研究之實驗分組

以方便樣本為主，以中山大學的 2 個羽球課班級共 80 人做為傳統教學組(控制組)

與系統協助教學組(實驗組)進行 10 週實驗，其中 8 週為教學。研究結果顯示：

1.系統協助教學能有效提升學生正拍殺球揮拍姿勢之學習成效 2.系統協助教學

對學生的正拍殺球揮拍力道沒有影響 3.以專家的揮拍姿勢特徵值搭配教師建議，

能建立可信的即時教學建議功能。因此可以推論本研究建置之教學輔助系統可以

有效協助教師進行教學，系統的建置流程也可以提供未來研究參考。

關鍵字：羽球教學、穿戴式科技、肌電流感測器、慣性感測器、類神經網路、專

家系統

iv
 Abstract

Swinging gesture and muscle strength are two key points in learning badminton

techniques that instructors provide feedback according to students’ body motions.

However, instructor can only provide subjective feedback on swinging gesture, not

muscle strength. To effectively assist teachers to objectively teach students two

badminton techniques and then enhance their badminton learning performance, we

developed and evaluated a badminton teaching–assisted system using wearable

technology, Myo armband. This system included three mainly functions – instantaneous

recording function, automatic grading function, and instantaneous feedback function.

These functions can support instructor providing objective feedback to students

immediately. Automatic grading function is an expert’s motion model which was built

from collection professional badminton players’ forearm strength of swinging (i.e.

electromyography (EMG) signals) and swinging actions (i.e. gyroscope signals) by

Myo armband. The instantaneous feedback function can automatic provide students a

feedback on their swinging gesture during their badminton practice. The results showed

that the badminton teaching-assisted system can effectively monitor the learners’

swinging gesture, although the system cannot effectively capture students’ arm muscle

strength. The result also indicated that the instantaneous feedback function can provide

reliable suggestions by combining teacher’s suggestions and experts’ swing gesture

eigenvalues. Thus, badminton teaching–assisted system using Myo armband can assist

the instructor to teach students learning badminton on swinging gesture.

Keywords: Badminton teaching, wearable technology, electromyography, inertial

measurement unit, neural network, expert model

v
 目錄
論文審定書 ............................................................................................................... i

論文提要 .................................................................................................................. ii

致謝 ......................................................................................................................... iii

摘要 ......................................................................................................................... iv

Abstract ......................................................................................................................v

目錄 ......................................................................................................................... vi

圖目錄 ................................................................................................................... viii

表目錄 ..................................................................................................................... ix

第一章 、緒論 ..........................................................................................................1

第一節、研究背景與動機.....................................................................................1

第二節、研究目的 ................................................................................................3

第三節、研究問題 ................................................................................................3

第二章 、文獻探討 ..................................................................................................4

第一節、穿戴式科技於體育教學之應用 .............................................................4

第二節、Myo 手環................................................................................................5

第三節、類神經網路 ............................................................................................7

第三章 、系統設計 ..................................................................................................8

第一節、羽球技能子動作切割 ...........................................................................10

第二節、專家模型建置 ...................................................................................... 15

第三節、即時教學建議功能 ...............................................................................19

第四節、系統介面 .............................................................................................. 20

第四章 、研究方法 ................................................................................................ 23

第一節、研究對象 .............................................................................................. 23

第二節、研究工具 .............................................................................................. 23
vi
 第三節、實驗流程 .............................................................................................. 24

第四節、資料分析 .............................................................................................. 27

第五章 、結果與討論 ............................................................................................ 28

第一節、人口統計資訊 ...................................................................................... 28

第二節、正拍殺球羽球技能之學習成效分析 .................................................... 29

第三節、即時教學建議可信度分析 ................................................................... 33

第四節、綜合討論 .............................................................................................. 34

第六章 、結論 ........................................................................................................39

第一節、研究發現 .............................................................................................. 39

第二節、研究貢獻 .............................................................................................. 40

第三節、研究限制 .............................................................................................. 41

第四節、未來研究 .............................................................................................. 42

參考文獻 .................................................................................................................43

vii
 圖目錄
圖 2-1、穿戴式科技–Myo 手環 .............................................................................. 5

圖 3-1、系統使用流程圖 ......................................................................................... 8

圖 3-2、系統建置流程圖 ......................................................................................... 9

圖 3-3、陀螺儀三軸方向示意圖 ............................................................................11

圖 3-4、正拍殺球之陀螺儀 Y 軸角速度時序圖.................................................... 12

圖 3-5、子動作切割演算法各判斷點示意圖 ........................................................ 13

圖 3-6、以 WEKA 驗證揮拍姿勢專家模型結果 .................................................. 19

圖 3-7、以 WEKA 驗證揮拍力道專家模型結果 .................................................. 19

圖 3-8、主系統介面圖 ........................................................................................... 21

圖 3-9、錄影畫面圖 ............................................................................................... 21

圖 4-1、實驗流程圖 ............................................................................................... 24

圖 4-2、實驗環境圖 ............................................................................................... 25

圖 4-3、學生揮拍錄影畫面 ................................................................................... 25

圖 4-4、比對結果顯示於主系統介面 .................................................................... 26

圖 4-5、教師透過比對結果與影片進行教學 ........................................................ 26

圖 5-1、揮拍姿勢前、中及後測成績變化圖 ........................................................ 30

圖 5-2、揮拍力道前、中及後測成績變化圖 ........................................................ 32

viii
 表目錄
表 3-1、正拍殺球之子動作切割表........................................................................ 10

表 3-2、虛擬碼–子動作切割演算法 .................................................................... 14

表 3-3、揮拍姿勢專家模型之類神經參數設定 .................................................... 16

表 3-4、揮拍力道專家模型之類神經參數設定 .................................................... 17

表 3-5、揮拍姿勢教學建議表 ............................................................................... 20

表 5-1、人口統計資訊 ........................................................................................... 28

表 5-2、揮拍姿勢前、中及後測成績描述性統計................................................. 29

表 5-3、揮拍姿勢前測成績獨立樣本 t 檢定結果 ................................................. 30

表 5-4、揮拍姿勢後測成績獨立樣本 t 檢定結果 ................................................. 31

表 5-5、揮拍力道前後測成績描述性統計 ............................................................ 31

表 5-6、揮拍力道前測成績獨立樣本 t 檢定結果 ................................................. 33

表 5-7、揮拍力道後測成績獨立樣本 t 檢定結果 ................................................. 33

表 5-8、即時教學建議一致性檢定........................................................................ 34

表 5-9、揮拍姿勢訪談內容 ................................................. 錯誤! 尚未定義書籤。

表 5-10、揮拍力道訪談內容 ............................................... 錯誤! 尚未定義書籤。

ix
 第一章、緒論

第一節、研究背景與動機

在科技飛速發展的現代，科技融入各式教與學已經十分普遍。不同於一般學

科，在術科的教育中，如體育，除了教師的指導外，學生實際的操作和練習是很

重要的。Wulf, Shea, and Lewthwaite (2010)的研究指出，在體育課時學生除了觀

摩老師的示範之外，必須不斷的練習才能真正獲得技能，且透過老師適時的回饋，

能更有效的幫助學生學習。然而在傳統的體育教學中，教師往往須一人指導整個

班級的學生，在短暫的課堂時間內，每名學生能分配到的教學時間非常有限。因

此，教師如何在有限的時間內給予最有效的教學回饋是體育教育的關鍵。

本研究選擇羽球運動作為教學的主題，因為羽球運動十分注重小範圍的移動

及短時間的反應，大量的練習與有效教學回饋對於羽球技能的學習非常重要

(Hung, Young, & Lin, 2017)。而羽球運動中，又以「正拍殺球」羽球技能最為複

雜與重要，因為正拍殺球不僅需要全身的協調，且其對於羽球比賽的勝負也常常

扮演關鍵的角色 (Li, Zhang, Wan, Wilde, & Shan ,2017)。因此，要在羽球運動中

得到好表現，學好正拍殺球是一項重要的指標。雖然在過去已經有不少研究透過

科技來輔助羽球的教學，例如：利用影片之動作追蹤技術(Video-based Motion-

tracking System)來分析羽球選手在比賽時的移動路徑(Chow, Tan, Lee, & Button,

2014)；或透過影片分析正拍殺球時的動作並給予回饋(Li, Zhang, Wan, Wilde, &

Shan, 2017) ，但是影像動作追蹤技術除了要求要有固定的場地外，硬體成本也

較為昂貴，且須要經過耗時的分析後才能給予回饋。Palao, Hastie, Cruz, and Ortega

(2015)的研究也提到利用錄影給予學生即時回饋，雖能有效的提升學生的學習成

效，但透過分析影片進行教學的方式，也令體育老師須耗費更多時間及精力。

穿戴式科技透過多樣化的感測器可以即時量測使用者的物理與生理上的資

1
訊，進而提供使用者多樣的即時回饋(Umek, Tomažič, & Kos, 2015)。穿戴式科技

中常見的感測器包括心律偵測(Lindberg, Seo, & Laine, 2016)、慣性感測器(Bächlin

& Tröster, 2012)及肌電流感測器等。其中肌電流感測器(Electromyography, EMG)

可以透過量測肌膚表面之肌電流的訊號強弱，能即時反應出該區域肌肉的活躍狀

態。過去研究指出，只要將數個肌電流感測器分布在不同的肌群並同時觀測肌群

的活躍狀態，便可得知使用者當下動作的肌肉力道使用方式(Liu et al., 2017 ;

Kutafina, Laukamp, Bettermann, Schroeder, & Jonas, 2016)。而慣性感測器（Inertial

Measurement Unit, IMU）中包含加速度計(Accelerometer )、陀螺儀 (Gyroscope)與

磁力計(Magnetometer)，只要將其配戴於前臂即可準確地分辨當下的手勢及運動

狀態(Gupta, Chudgar, Mukherjee, Dutta, & Sharma, 2016)。除此之外，穿戴式科技

具有輕巧及便利的特性，透過藍芽或無線網路等通訊方式與電腦或手機溝通，在

相關的應用上更是不勝枚舉。

綜上所述，本研究選擇羽球運動中的「正拍殺球」羽球技能作為學習主題，

以協助教師進行羽球技能教學為主，利用穿戴式科技輕巧便利與可即時量測學生

生理與物理訊號的特性，結合影片科技、專家模型系統與即時教學建議功能，開

發建置「穿戴式科技羽球教學輔助系統」以即時分析學生學習羽球技能時的狀況，

進而促進學生學習羽球技能的學習成效及減輕教師的教學負擔。因此，本研究利

用 Myo 手環即時測量學生揮拍動作資訊（包含打羽球時揮拍姿勢與揮拍力道）
，

並即時將資料輸進「穿戴式科技羽球教學輔助系統」之專家羽球模型系統中與專

家動作進行比對，以得到與專家羽球動作的相似度百分比分數，教師可透過此相

似度百分比分數與影片給予學生即時且個人化的教學回饋，進一步的提升學生的

學習正拍殺球羽球技能的學習成效。另外，本系統之「即時教學建議功能」能將

學生的揮拍動作資訊與專家動作比對，並給予與教師相仿的即時教學建議，以利

學生自行練習。

2
 第二節、研究目的

基於上述之研究背景與動機，本研究包含二個主要的研究目的，1.探討「透

過『穿戴式科技羽球教學輔助系統』之專家羽球模型系統功能與影片科技功能協

助教師教學，對學生學習正拍殺球羽球技能之學習成效影響為何」; 2.利用教師

常用的教學建議，在「穿戴式科技羽球教學輔助系統」中開發即時教學建議功能，

以利學生能利用系統自行練習羽球技能，以此降低教師的教學負擔」。

第三節、研究問題

本研究為探索性研究，根據上述的研究背景、動機與目的，探討「穿載式科

技羽球教學輔助系統」結合穿戴式科技、影片科技與羽球專家模型系統等功能協

助教師給予學生教學回饋，對於學生學習正拍殺球羽球技能之影響為何，而提出

以下之研究問題(RQ1)：

• RQ1：利用「穿戴式科技羽球教學輔助系統」協助教師教學，對學生學習正

拍殺球羽球技能之學習成效影響為何？

而羽球技能之學習成效，可以分為揮拍姿勢及揮拍力道兩個部分。因此研究

問題一(RQ1)又可以分為以下兩個子研究問題(RQ1-1 & RQ1-2)：

• RQ1-1：利用「穿戴式科技羽球教學輔助系統」協助教師教學，對學生學習

正拍殺球羽球技能「揮拍姿勢」之學習成效影響為何？

• RQ1-2：利用「穿戴式科技羽球教學輔助系統」協助教師教學，對學生學習

正拍殺球羽球技能「揮拍力道」之學習成效影響為何？

另外，本研究為了探討即時教學建議功能給予之教學建議與教師給予之相似

度，提出了以下之研究問題(RQ2)：

• RQ2：「穿戴式科技羽球教學輔助系統」之即時教學建議功能與教師給予之

建議的相似度為何？

3
 第二章、文獻探討

第一節、穿戴式科技於體育教學之應用

科技已經被廣泛的運用在各領域的體育訓練上，科技與體育的結合可以令運

動員獲得更優異的表現，在體育界中也已成為不可或缺的要角(Palao, Hastie, Cruz,

& Ortega ,2015)。過去研究更指出藉由科技的輔助，可以更容易、客觀且可靠的

紀錄和評估運動表現，更重要的是藉此給予使用者更多有價值的訊息以提升決策

或教學的品質(Chow, Tan, Lee, & Button, 2014; Memmert & Harvey, 2008)。除此之

外，科技已經被廣泛的運用在各領域的體育訓練上及教學上，常見的例如：影像

科技(Video technology)，它能藉由錄影或影像，提供體育練習時更多的資訊，因

而有許多研究將影像科技結合入體育訓練中，例如 Li, Zhang, Wan, Wilde, and

Shan (2017)透過攝影機捕捉羽球殺球的動作並給予回饋；Teng and Paramesran

(2011)從羽球的比賽錄影中分析選手移動的方式; Chow, Tan, Lee , and Button

(2014)以設置在球場上方的攝影機結合影像辨識的方式輔助體育教師的教學。

Hung, Young, and Lin (2017)令學生能透過平板觀看自己練習時的錄影，並修正自

身的動作以提升羽球技能。另外，也有研究指出適時的給予學生有效的教學回饋，

對於學生練習體育技能的學習成效更有幫助(Wulf, Shea, & Lewthwaite, 2010)。

穿戴式科技(Wearable technology)是另一種常應用於體育教育的科技，可以透

過多樣化的感測器來獲得學生練習體育技能時的物理或生理方面的資訊。例如

Bächlin and Tröster (2012)結合穿戴式科技與游泳訓練，能獲取選手在游泳時的物

理資訊，如划水角度；Lapinski, Berkson, Gill, Reinold, and Paradiso (2009)發展一

穿戴式科技，可以偵測棒球選手投球或揮棒時的動作等。而也已經有許多研究將

穿戴式科技應用於體育教育中，如 Lindberg, Seo and Laine (2016)利用穿戴式科技

量測學生的生理資訊以追蹤學生的運動狀況，並藉此提升學生的學習成效；而

4
Sgrò, Mango, Pignato, Schembri, Licari, and Lipoma (2017)使用慣性感測器量測學

生進行立定跳遠時的資訊，並用以評估不同發育的學生的學習表現。也有研究指

出，當使用穿戴式科技於教學時不僅使學生能更容易獲得更多的資訊，也能減少

教師的時間負擔(Lee, Drake, & Williamson, 2015)。

綜合上述優點，本研究結合影像科技與穿戴式科技開發建置「穿戴式羽球教

學輔助系統」，以協助教師教學進而與促進學生的學習成效。

第二節、Myo 手環

Myo Armband 穿戴式科技(如圖 2-1，下稱 Myo 手環)為一款由加拿大 Thalmic

Labs 公司所研發之穿戴式手勢辨識裝置。Myo 主要由八個肌電流訊號感測器及

一個包含 3 軸陀螺儀、3 軸加速度計及 3 軸磁力計的慣性感測器所組成（如圖 2-

1）
，並以無線藍芽傳輸的方式與電腦溝通，再搭配內建的應用程式，使其非常容

易設定及使用(Nymoen, Haugen, & Jensenius, 2015)。

圖 2-1、穿戴式科技–Myo 手環

Myo 手環透過八個金屬的肌電流感測器包覆住前臂，可以偵測前臂肌肉的

活動狀態，並進一步辨識手勢的基本動作；而慣性感測器可以偵測前臂的旋轉、

加速度及角速度，以得到穿戴者前臂的方向與位置。將兩種不同的感測器結合後，

便可以辨識穿戴者當下前臂的運動狀態(Sathiyanarayanan, & Rajan, 2016)。本研

究使用 Myo 之肌電流感測器及慣性感測器中的陀螺儀收集專家與學生揮拍時的

肌肉力道使用方式和動作，以了解其揮拍力道及揮拍姿勢。因此，學生在每次進
5
行教學活動時皆須佩帶 Myo 手環，並透過筆記型電腦接收 Myo 手環傳來之肌電

流訊號及陀螺儀角速度值。

一、 肌電流感測器

肌電流訊號(Electromyograpy, EMG)，是一種由神經系統控制，在肌肉收縮過

程中放出的電子訊號。主要運用於偵測表面肌肉的活動狀態與強度，在醫療及工

程領域上皆已有許多應用(Chowdhury et al., 2013)。肌電流訊號常被應用於動作的

辨識、個人身分的識別及疾病診斷(Kim & Pan, 2017)。如透過記錄位於前臂的肌

電流訊號，可以模擬截肢者的手勢，並進一步控制義肢的活動 (Al-Timemy,

Khushaba, Bugmann, & Escudero, 2016; Riillo et al., 2014)；分類肌電流訊號後，可

以辨識義肢的多種手勢(Gini, Arvetti, Somlai, & Folgheraiter, 2012)；透過穿戴式科

技收集肌電流訊號，可以即時且準確的辨識手部姿勢(Liu et al. , 2017)；透過肌電

流 辨 識 手 部 動 作 ， 以 進 行 醫 療 動 作 的 訓 練 (Kutafina, Laukamp, Bettermann,

Schroeder, & Jonas, 2016)。由上述研究可以推論，肌電流訊號可以正確且即時的

辨識手部的肌肉力道使用狀況，因此本研究利用肌電流訊號辨識羽球揮拍時手腕

和手臂的肌肉使用狀況，以了解學生在進行正拍殺球時前臂的揮拍力道的狀況進

而給予回饋。

二、 慣性感測器

慣 性 感 測 器 (Inertial measurement unit, IMU) ， 是 由 三 軸 加 速 度 計

(Accelerometers)、三軸陀螺儀(Gyroscopes)及三軸磁力計(Magnetometers)三種不

同的感測器結合而成(Pfau, Witte, & Wilson, 2005)。其中，三軸加速度計透過量測

感測器相對於重力的角度，能得知物體的傾斜角度。但由於加速度計無法量測垂

直方向的旋轉，無法提供完整的旋轉訊息。因此，加速度計常與三軸陀螺儀結合，

以測量更精準的旋轉方位。陀螺儀，能量測物體旋轉時的角速度，並透過對角速

度做積分運算以得到旋轉角度的變化(Luinge & Veltink, 2005)。三軸磁力計，透過

量測位於磁力計軸線的地球磁場，經過計算後即可以得知目前的傾斜角度。磁力

6
計常與加速度計結合，以計算更為精確的傾斜角度 (Renk, Rizzo, Collins, Lee, &

Bernstein, 2005)。由上述研究可以得知，透過上述三種感測器的結合，可以得知

物體目前的傾斜狀態及轉動時的角度。本研究將應用陀螺儀即時偵測物體移動的

特性計算羽球揮拍時的動作角度，以提供動作姿勢的回饋。

第三節、類神經網路

類神經網路(Artificial Neural Network, ANN)是機器學習的一種方法，它是模

仿生物神經網路中的訊號處理結構和功能，並以數學模型對函式進行估計的方式

(Vranjković, Struharik, & Novak, 2015)。而類神經網路又可以分為兩個階段的運

作，分別為學習(Learning)與回想(Recalling)。在學習(Learning) 的階段，類神經

模型利用特徵值作為訓練資料集(Training set)並輸入黑盒子(black-box)中不斷的

學習，在經過一連串無法判斷規則的計算後，便能建立黑盒模型(black-box models)

以供下一階段使用 (Wang & Buchanan, 2002)。第二階段為回想(Recalling)，透過

將新的特徵值輸入前述之黑盒模型運算，即可得出輸入之特徵值與模型的相似度。

在過去研究中已有許多研究利用類神經網路作為建置專家模型的方式。如 Zarchi,

Bushehri, and Dehghanizadeh (2018)利用倒傳遞類神經網路建立針對兒童護理之

專家模型，且能達到 83%的準確率；Bhattacharya, Roy, and Chowdhury (2018)利

用多層感知器類神經網路建立一套數位學習系統，能模擬人類專家判斷學習者的

學習狀況與學習目標之間的差距。綜上所述，本研究選擇使用類神經網路作為專

家模型的建置方式，以了解學習者羽球揮拍時揮拍動作與手腕力道使用時與羽球

專家模型的相似度。

7
 第三章、系統設計

，是由穿戴式科技 Myo
本研究使用的系統為「穿載式科技羽球教學輔助系統」

結合 C#電腦應用程式開發而成，其目的是藉由 Myo 手環內建之肌電流感測器與

慣性感測器測量收集專家羽球揮拍時的資訊以建置「羽球專家模型」，再透過系

統介面將專家模型與學生學習羽球時的揮拍姿勢與揮拍力道的比對結果顯示出

來以得知學生與專家間動作間的差距，教師可以透過此結果給予學生最有效的指

導，進而促進學生的學習成效，圖 3-1 即為系統使用流程圖。再者，本研究的另

一個研究重點為開發一個即時教學建議功能，其目的為讓學生能自行使用系統進

行羽球技能的練習，以降低教師之教學負擔。

圖 3-1、系統使用流程圖

本研究之羽球專家模型為針對「正拍殺球」羽球技能來建立，專家模型以四

位羽球專家的揮拍力道及揮拍姿勢作為標準，而 Myo 手環為收集專家的肌電流

訊號及陀螺儀角速度值之裝置。在專家資料的收集過程中 ，每位專家皆須配戴

Myo 手環並重複進行 15 次的「正拍殺球」羽球技能，以收集專家在進行正拍殺

球時前臂的肌電流訊號及陀螺儀角速度值。其中肌電流訊號是收集專家揮拍時手

腕和手臂肌肉使用的狀況以作為建立揮拍力道專家模型的訓練資料集；而陀螺儀

角速度值則是收集專家揮拍時手臂揮動的方向與角度以做為切割正拍殺球子動

作的依據與揮拍姿勢專家模型的訓練資料集。專家資料收集的過程皆由專業的餵

球者協助進行餵球，且錄製過程都由專家在一旁進行協助以收集符合標準之專家

8
資料。

專家資料收集後，本研究分別對專家的肌電流訊號及陀螺儀角速度值進行一

連串處理以建立羽球專家模型(如第一節與第二節)。待專家模型建立與驗證完成

後，只要將學生的揮拍資料即時輸入專家模型進行比對即可獲得相似度百分比，

並以相似度百分比分數的方式呈現。另外，本研究將教師在教學時常給予學生的

建議與陀螺儀角速度值結合開發建置一個即時教學建議功能。本系統可以透過陀

螺儀角速度值判斷學生之揮拍姿勢並即時給予教學建議，進而幫助學生自行練習

羽球技能(如第三節)。為提供教師教學上的協助，前述之專家模型相似度百分比

分數與即時教學建議皆顯示於「穿載式科技羽球教學輔助系統」之使用者介面上

(如第四節)。圖 3-2 為本研究之系統建置流程圖，以下將針對「穿載式科技羽球

教學輔助系統」建置過程中的各項處理程序作詳細的介紹。

圖 3-2、系統建置流程圖
9
 第一節、羽球技能子動作切割

本研究針對正拍殺球羽球技能設計，在系統建置前透過專家教師先將正拍殺

球動作分解切割並定義出四個子動作(如表 3-1 所示)。透過此分解正拍殺球的動

作，可以幫助教師在教學時針對不同的子動作對學生進行教學指導。本研究根據

正拍殺球子動作切割後再利用慣性感測器內的「陀螺儀」所紀錄之角速度值為依

據判斷各個子動作，並將專家打羽球時的肌電流訊號及陀螺儀角速度值切割為四

個子動作部分，表 3-1 分別代表四個子動作。

表 3-1、正拍殺球之子動作切割表

子動作 1 子動作 2 子動作 3 子動作 4

食指帶動手腕發
出手前放鬆 殺球前預備動作 出手後放鬆
力下扣

由表 3-1 中的動作圖所示，每項子動作間皆有著截然不同的特徵，而這些特

徵皆會在慣性感測器中的「陀螺儀」紀錄之角速度值反映變化。本研究使用之穿

戴式科技 Myo 手環，其內建為三軸陀螺儀，共有三個方向 (如圖 3-3)，圖中 X

軸為手臂方向，透過 X 軸量測之角速度值可以計算前臂的翻轉角度(如圖 3-3 中

之 Pitch)，當前臂往左邊翻滾則 X 軸角速度值增加，反之則減少；而透過 Y 軸量

測之角速度值則可以計算手臂的上下擺動角度(如圖 3-3 中之 Roll) ，當前臂往上

擺動則 Y 軸角速度值增加，反之則減少；最後是 Z 軸，其量測之角速度值可以

10
計算手臂的左右擺動角度(如圖 3-3 中之 Yaw) ，當前臂往左擺動則 Z 軸角速度

值增加，反之則減少。

圖 3-3、陀螺儀三軸方向示意圖

由於正拍殺球最大的特徵為手臂向上舉起作預備動作再向下快速擺動手臂

擊球，又 Y 軸量測的角速度值最符合正拍殺球動作的方向，因此本研究選擇以

陀螺儀中的 Y 軸角速度值作為正拍殺球子動作切割的依據。圖 3-4 為正拍殺球

的陀螺儀 Y 軸角速度值的時序圖。在進行子動作 1「出手前放鬆」時，手臂必須

平舉於腰間，且保持靜止狀態。此時，配戴於前臂位置的 Myo 手環其陀螺儀的

Y 軸角速度值應該持續保持在非常低的值。接著為子動作 2「殺球前預備動作」
，

在進行此子動作時擊球者須側身對網，同時手臂向上舉起與地面幾近垂直以準備

擊球。而當 Myo 手環隨著手臂上舉時，其陀螺儀的 Y 軸角速度值將會明顯增加。

當進行子動作 3「食指帶動手腕發力下扣」時，身體快速轉回正面對網同時手臂

必須快速由上往下扣球。此時 Myo 手環隨著手臂的向下扣球，其 Y 軸角速度的

值會急遽減少至負值，在時序圖上會呈現明顯的波谷狀。最後是子動作 4「出手

後放鬆」，手臂將由下扣後的位置往上回到腰間平舉的位置，並持續保持靜止，

此時 Myo 手環之陀螺儀的 Y 軸角速度值在經過小幅度的增加後，也將回到接近

11
0 的位置。

圖 3-4、正拍殺球之陀螺儀 Y 軸角速度時序圖

本研究開發建置「揮拍力道」專家模型與「揮拍姿勢」專家模型，將以上述

之正拍殺球子動作作為分類依據，分別將肌電流訊號與陀螺儀角速度值切割以作

為專家模型建置的訓練資料集（第二節）。而為了將肌電流訊號與陀螺儀角速度

值切割為四個子動作訊號區段，本研究利用陀螺儀接收的三軸角速度值中的「Y

軸角速度值」作為正拍殺球子動作切割演算法判斷之資料，並藉此得到各子動作

之間精準得訊號區段以利後續建立模型之用。正拍殺球子動作切割演算法之詳細

流程如下，圖 3-5 完成正拍殺球子動作切割演算法的流程後，於 Y 軸角速度值時

序圖上之各子動作判斷點。

12
 圖 3-5、子動作切割演算法各判斷點示意圖

1. 在正拍殺球 Y 軸角速度時序圖中有一個非常明顯且獨特的波谷，即為時

序圖中之「1.最小值(min)」，又從前述之陀螺儀三軸方向介紹中，可以得

知此波谷位於子動作 3「食指帶動手腕發力下扣」的時間區段中。為了切

割出 4 個子動作，本研究選擇此最小值作為切割 4 個子動作的主要判斷點

以進行接下來的運算。另外系統可以透過主要判斷點來正確判斷出羽球初

學者的子動作範圍。因為初學者在不熟悉正拍殺球羽球技能的標準動作時，

無法作出與專家雷同的揮拍姿勢，其角速度時序圖與專家的差異會造成演

算法無法正確地找到判斷點。為了能正確找到初學者各子動作的判斷點，

在演算法搜尋判斷點時，會以「2.專家子動作 3 範圍」作為額外的判斷依

據，將搜尋範圍限制在此專家範圍中。

2. 在找到最小值(min)後，已經可以確定子動作 3 大約落在哪個時間點。接

著便是找出正確的子動作 3 時間區段。為了找到子動作 3 的開始時間點，

須往前先找到「3.前最大值(front_Max)」後，再從前最大值(front_Max)往

前找到趨於 0 的值，當角速度值趨於 0 時代表角度沒有發生變化，可以判

斷為是子動作間轉換的時間點。因此判斷該點為「4.子動作 3 開始點」。

13
 3. 找到子動作 3 開始點後只要再找到子動作 3 的結束點即可確立子動作 3 的

時間區段。要找到子動作 3 的結束點，首先自最小值(min)開始，往後找到

「5.後最大值(back_Max)」
。再自後最大值(back_Max)往後找到角速度值變

化趨於平緩並接近 0 的點，則判斷該點為「6.子動作 3 結束點」。

4. 確立子動作 3 的時間區段後，只要再找到子動作 2 的時間區段，即可完成

子動作切割。在流程 II 時已經找到子動作 3 開始點，其同時也是「7.子動

作 2 結束點」，故只要在找到子動作 2 開始點即可。首先自子動作 2 結束

點往前尋找「8.子動作 2 最大值(sub2_Max)」
，可以判斷為該點為正在進行

子動作 2 的時間點。從子動作 2 最大值往前找到角速度值變化趨於平緩並

接近 0 的點，則判斷該點為「9.子動作 2 開始點」。

5. 「10.子動作 1 開始點」與「11.子動作 4 結束點」分別為角速度時序圖的

「12.子動作 1 結束點」即為子動作 2 開始點，而「13.子動作

首點與末點。

4 開始點」即為子動作 3 結束點。

本研究依據上述之步驟，建立「揮拍姿勢子動作切割演算法」之虛擬碼如表

3-2 所示：

表 3-2、虛擬碼–子動作切割演算法
1. 函式 揮拍姿勢子動作切割(完整動作之陀螺儀 Y 軸角速度值)
2. {
3. For(從第一筆開始搜尋至最後一筆)
4. 找到最小值(min)
5. For(從專家範圍往前搜尋至 min 為止)
6. 找到前最大值(front_Max)
7. For(從前最大值往前搜尋至專家範圍為止)
8. 找到趨於平緩並接近 0 的點，即為子動作 3 開始點
9. For(從 min 往後搜尋至專家範圍為止)
10. 找到後最大值(back_Max)
11. For(從後最大值往後搜尋至專家範圍為止)
12. 找到趨於平緩並接近 0 的點，即為子動作 3 結束點
13. For(從子動作 3 開始點往前搜尋)
14. 找到子動作 2 最大值(sub2_Max)
14
15. For(從子動作 2 最大值往前搜尋)
16. 找到趨於平緩並接近 0 的點，即為子動作 2 開始點
17. 子動作 1 開始點= 0
18. 子動作 1 結束點=子動作 2 開始點-1
19. 子動作 2 開始點
20. 子動作 2 結束點=子動作 3 開始點-1
21. 子動作 3 開始點
22. 子動作 3 結束點=子動作 4 開始點-1
23. 子動作 4 開始點
24. 子動作 4 結束點=最後一點

第二節、專家模型建置

本研究之專家模型皆採用類神經網路(Artificial Neural Network)中的倒傳遞

類神經網路(Back Propagation Neural Network)來建置。因為倒傳遞類神經網路是

將多項特徵值作為訓練資料，輸入由特定公式組合而成的黑盒子中計算權重最

後輸出結果的方式。因此，在使用倒傳遞類神經網路建立模型的首要步驟為取

得建立模型之訓練資料，也就是特徵值，接著為了讓倒傳遞類神經網路能更快

速的計算出結果，須對特徵值作正規化以輸入模型之中。以下分別針對揮拍姿

勢與揮拍力道之專家模型建置前的計算特徵值與正規化的方式做詳細的介紹。

一、 揮拍姿勢專家模型

本研究之揮拍姿勢專家模型特徵值來自於專家的揮拍角度，而專家的揮拍角

度是由 Myo 手環內的陀螺儀感測器量測之角速度訊號集透過一連串的處理後得

到。系統透過陀螺儀感測器取得 3 個不同方向(X, Y , Z 軸)的角速度訊號集後，

首先會以上一節中介紹的子動作切割演算法以陀螺儀之 Y 軸切割出的子動作時

間區段，再將 3 個角速度訊號集(X, Y , Z 軸)在相同的時間點切割成 4 個部分，

分別代表 4 個子動作，因此，每個子動作皆會有 3 個角速度子動作訊號集(X, Y ,

Z 軸)，共 12 個角速度子動作訊號集。接著，本研究以黎曼和(Riemann sum)的方

式將 12 個角速度子動作訊號集計算出「揮拍姿勢特徵值」(Petrigliano, Borgstrom,

15
Kaiser, McAllister, & Markolf, 2015)。黎曼和之公式如下：
𝑏
黎曼和值(S) = ∫ 𝑓(角速度訊號集(𝑥))𝑑𝑥
𝑎

取得專家的揮拍姿勢特徵值後，接著須先將特徵值經過正規化處理以訓練揮

拍姿勢專家模型。本研究採取之正規化方式為「最大值為 1，最小值為 0」
，而正

規化的範圍是從 4 位專家的揮拍姿勢特徵值中取出最大值與最小值做為 1 與 0，

以便所有的專家揮拍姿勢特徵值皆能被壓縮在 0~1 之間，且特徵值間的辨識能力

不會被改變。

最後步驟為將正規化後之揮姿勢特徵值做為訓練資料輸入倒傳遞類神經網

路，即可得到揮拍姿勢專家模型。本研究使用 WEKA 軟體提供的應用程式介面

(Api) 作為建置系統中的專家模型的工具。WEKA 為一指標性的資料探勘與機器

學習軟體，且已在學術界被廣泛的接受與使用 (Hall, Frank, Holmes, Pfahringer,

Reutemann, & Witten, 2009)。本研究即是使用 WEKA 中的多層感知器類神經網

路函式(Multilayer perceptron function)作為「建立」與「驗證」專家模型的工具。

表 3-3 顯示在 weka 中本研究建立揮拍姿勢專家模型時使用的參數設定：4 層隱

藏層、種子數為 0 與 3000 次的訓練時間的參數設定下，在 WEKA 中以 10 次交

叉驗證時可以得到 93.33%的分類正確率，Kappa Statistic 值可以達到 0.911。

表 3-3、揮拍姿勢專家模型之類神經參數設定

參數名稱 參數值 參數名稱 參數值

批量大小(Batch Size) 100 隱藏層(Hidden Layer) 4

學習速率(Learning Rate) 0.3 動量(Momentum) 0.2

種子(Seed) 0 訓練時間(Training Time) 3000

二、 揮拍力道專家模型

揮拍力道專家模型與揮拍姿勢專家模型的建置方式相仿，不同的是揮拍力道

專家模型的特徵值是來自於專家揮拍時手腕和手臂前臂肌肉使用時的肌電流訊
16
號。本系統透過 Myo 手環的八個肌電流感測器取得 8 道不同肌肉位置的肌電流

訊號集後，與揮拍姿勢專家模型的建置流程相同，首先以子動作切割演算法切割

出的各個子動作時間區段，再將 8 道肌電流訊號集切割為 4 個部分，分別代表 4

個子動作。因此每個子動作皆會有 8 個肌電流子動作訊號集，共 32 個肌電流子

動作訊號集。本研究以平均絕對值(Mean absolute value, MAV)將 32 個子動作訊

號集分別計算以得到揮拍力道之特徵值(Arief, Sulistijono, & Ardiansyah, 2015)，

意即每個正拍殺球子動作皆有 8 個不同的揮拍力道特徵值。平均絕對值之公式如

下：
𝑁
1
平均絕對值(MAV) = ∑|肌電流訊號(𝑥)𝑖 |
訊號總數(𝑁) 𝑖=1

取得專家的揮拍力道特徵值後，接著須將特徵值進行正規化以作為訓練模型

之值。正規化方式也是採最大值為 1，最小值為 0 的方式將特徵值壓縮。而正規

化的範圍為將 Myo 手環能接收的肌電流訊號上限值(128)作為最大值，即為 1；

平均絕對值後的肌電流訊號下限值(0)則作為最小值，即為 0。所有揮拍力道特徵

值皆會被壓縮在 0~1 之間，但數值之間的比率並不會改變，特徵值間仍保有同樣

的辨識力。

最後步驟為將正規化後之揮拍力道特徵值做為訓練資料輸入倒傳遞類神經

網路，即可得到揮拍力道專家模型。與揮拍姿勢專家模型一樣，揮拍力道專家模

型同樣也是以 WEKA 軟體中的多層感知器類神經網路函式作為建立與驗證模型

的工具。表 3-4 顯示本研究建立揮拍力道專家模型時的參數設定: 6 層隱藏層、種

子數為 3 與 3000 次的訓練時間的參數設定下，在 WEKA 中以 10 次交叉驗證時

可以得到 84.17%的分類正確率，Kappa Statistic 值可以達到 0.789。

表 3-4、揮拍力道專家模型之類神經參數設定

17
 參數名稱 參數值 參數名稱 參數值

批量大小(Batch Size) 100 隱藏層(Hidden Layer) 6

學習速率(Learning Rate) 0.3 動量(Momentum) 0.2

種子(Seed) 3 訓練時間(Training Time) 3000

三、 專家模型驗證

在專家模型建立後，同樣以 WEKA 軟體作為專家模型的驗證工具。本研究

自專家的揮拍姿勢與揮拍力道特徵值資料集中隨機挑選 80% （192 筆） (作為訓

練資料集，其餘 20% （48 筆）(則作為測試資料集以驗證專家模型的準確度。上

述二個專家模型系統之驗證方式皆相同，而驗證過程中設定的參數則依揮拍姿勢

專家模型與揮拍力道專家模型建立時之參數作調整(如表 3-3 與表 3-4)。揮拍姿

勢專家模型的驗證結果如圖 3-6，可以得到 95.83%的分類正確率，Kappa Statistic

值為 0.944，由驗證結果即可推論揮拍姿勢專家模型是準確的。而揮拍力道專家

模型的驗證結果如圖 3-7，可以得到 85.42%的分類正確率，Kappa Statistic 值為

0.806，由驗證結果也可推論揮拍力道專家模型是準確的。

18
 圖 3-6、以 WEKA 驗證揮拍姿勢專家模型結果

圖 3-7、以 WEKA 驗證揮拍力道專家模型結果

第三節、即時教學建議功能

本研究開發即時教學建議功能，目的是為了讓學生能自行使用系統進行羽球

技能的練習，藉此降低教師之教學負擔。學生使用系統進行自我練習後，即時教

學建議功能能將學生的揮拍動作與專家的標準動作比對，針對學生揮拍姿勢的錯

誤給予教學建議。

即時教學建議功能建立包含兩步驟：步驟一：根據本研究之專家正拍殺球

揮拍姿勢找出殺球標準動作特徵值，並加入慣性感測器中的加速度計作為標準

動作的資料來源，用以判斷學生在出手前放鬆子動作時的前臂是否持續保持在

腰間平舉的位置。透過將 60 筆專家的揮拍姿勢特徵值取平均值和標準差後，將

平均值加減一個標準差以作為正拍殺球之標準動作範圍。步驟二：收集教師在

實際教學現場時針對學生揮拍常見的錯誤給予的教學建議後，再將得到之標準

19
動作範圍與各教學建議作對應。表 3-5 為揮拍姿勢教學建議表，分別標示專家

之標準動作範圍與教學建議之對應方式。以出手前放鬆子動作中之「前臂未保

持靜止」為例，專家的標準動作為手臂平舉於腰間且靜止不動，其揮拍姿勢特

徵值為趨近 0 的小範圍。當學生進行出手前放鬆子動作時，陀螺儀會量測其前

臂的揮拍姿勢特徵值，若學生的前臂未保持靜止，其揮拍姿勢特徵值便會超出

專家的範圍，系統即可判斷學生的手臂並未保持靜止並給予教學建議。

表 3-5、揮拍姿勢教學建議表
建議名稱 比對方式
前臂未保持靜止 Y 軸角度特徵值不在專家範圍內
出手前放鬆
前臂未水平前舉 X 軸加速度值大於專家範圍
球拍不能移動 X 軸角度特徵值小於專家範圍
殺球前預備
擊球前身體未側身 Z 軸角度特徵值小於專家範圍
動作
手肘太低 Y 軸角度特徵值小於專家範圍
食 指 帶 動 手 手肘未旋轉向前 X 或 Z 軸角度特徵值小於專家範圍
腕發力下扣 手腕未下扣 X 軸角度特徵值小於專家範圍
擊球後手未回到放
出手後放鬆 X、Y 或 Z 軸角度特徵值小於專家範圍
鬆姿勢

第四節、系統介面

圖 3-8 為本系統之主系統介面共分成四個部分(從上到下，由左至右)，1、錄

影畫面鈕為切換至錄影介面之按鈕，而 2、雷達圖介面，3、即時教學建議介面和

4、專家與學生影片介面則為專家模型系統比對後顯示結果之介面。

20
 圖 3-8、主系統介面圖

錄影畫面鈕在主系統介面的右上方，其目的為二: （1）切換至錄影介面以錄

製學生的揮拍動作(如圖 3-9) ，(2) 記錄學生穿戴 Myo 手環練習正拍殺球時的肌

電流訊號、角速度訊號與揮拍動作影片。操作上只要點擊畫面左下方之錄影圖示，

即可即時錄製學生的揮拍動作資訊與影片。

圖 3-9、錄影畫面圖

雷達圖介面位於主系統介面的左側(如圖 3-8)，包含有上方的揮拍姿勢雷達

圖與下方的揮拍力道雷達圖。兩個雷達圖皆有 4 個方位，分別代表 4 個子動作之

21
揮拍姿勢與揮拍力道項目(如第一節所述)，其目的為將學生資料與專家模型比對

的相似度百分比結果以分數的方式顯示出來，每個子動作皆有自己的分數，而分

數的範圍為 0~99 之間。

主系統介面中間為即時教學建議介面(如圖 3-8)，系統會將給予學生的教學

建議依不同的子動作顯示於下方的方框內，學生可以透過點擊左方的揮拍姿勢雷

達圖上的子動作文字切換不同子動作框。

「專家與學生影片介面」位於主系統介面右邊的區域(如圖 3-8)。教師可以

撥放專家的揮拍動作影片及學生練習時錄製的影片，並與左邊之雷達圖介面搭配

以進行教學。

22
 第四章、研究方法

第一節、研究對象

本研究之實驗對象為大學生，且皆未曾接受過羽球相關的專業訓練，實驗分

組以方便樣本為主（2 個國立中山大學羽球課程的班級），分為控制組及實驗組

兩組，其參與人數共為 80 人，其中控制組為 45 人，實驗組為 35 人。

第二節、研究工具

本節為說明研究所使用之研究工具，包括系統與量表，其詳細介紹分別如下:
一、 穿戴式科技羽球教學輔助系統
本研究結合影片與 Myo 手環，開發建置「穿戴式科技羽球教學輔助系統」

以協助教師教學，進而促進學生學習正拍殺球羽球技能的學習成效。本系統除了

用以協助教學外，同時也作為本研究前測與後測分數測量之工具。如第三章第五

節所述，在學生佩帶 Myo 手環進行練習後，系統中之專家羽球模型系統會將學

生的揮拍姿勢與揮拍力道與專家做比對，並得到 4 個子動作的相似度百分比分

數，以供教師參考與給予學生建議回饋。而前、後測則分別於教學前一週與教學

後一週進行測量。

另外，系統中也包含「即時教學建議功能」，可以將學生的揮拍姿勢與專家

的標準姿勢做比對，並自動給予揮拍姿勢教學建議。除此之外，為了評估系統給

予的教學建議與教師的建議是否相似，系統同時也會將給予的教學建議記錄下來。

若學生的揮拍姿勢特徵值不再專家揮拍姿勢的範圍內，則該子動作之教學建議欄

位記錄為 1，而沒給出的建議則紀錄為 0。而教師建議的收集也是透過即時教學

建議功能完成，教師透過觀看學生揮拍動作的影片，評估該給予學生哪些教學建

議，若須要給予該項教學建議則紀錄為 1，不需給予該建議為 0。

23
 第三節、實驗流程

本研究之實驗為期十週，其中包含兩週的前、後測及八週的教學課程如

圖 4-1。

圖 4-1、實驗流程圖

本研究之教學的部分每週約 35 分鐘，共八週，其中包含前 30 分鐘由體育教

師進行集體教學及學生分組自行練習羽球技能，後 5 分鐘則依控制組與實驗組而

有所不同。控制組的流程是由教師觀看學生進行正拍殺球練習 10 球後，以一對

一方式對個人的揮拍力道與姿勢進行教學。而實驗組的流程為請學生配戴 Myo

手環後同樣進行 10 球正拍殺球練習(如圖 4-2 與 4-3)，每次一位學生約五分鐘，

學生須以「正拍殺球」羽球技能將球揮擊過網，才可以算做成功的擊球，完成擊

球後，系統會計算出學生的揮拍姿勢分數與揮拍力道分數並顯示於系統介面中，

再由教師觀看系統上之學生練習影片與揮拍力道與姿勢的分數後(如圖 4-4)，以

一對一方式對個人的揮拍動作進行教學(如圖 4-5)。而為了探討學生在實驗後之

24
學習成效影響，本研究在實驗的第一週先進行前測以了解學生的先備知識，並在

最後在第十週時進行後測，以了解學生的學習成效變化。

圖 4-2、實驗環境圖

圖 4-3、學生揮拍錄影畫面

25
 圖 4-4、比對結果顯示於主系統介面

圖 4-5、教師透過比對結果與影片進行教學

在第十週時除了後測之外，為進一歩了解教師和學生使用本系統之感受，本

研究邀請教師與學生進行訪談，教師即為使用系統之授課教師，而學生訪談對象

則以隨機方式挑選六名學生。

26
 第四節、資料分析

本研究以 IBM SPSS Statistics 22 作為資料分析的工具。並透過穿戴式科技羽

球教學系統蒐集之學生揮拍力道與姿勢分數以分析各項研究變數。
一、 學習成效
為了瞭解教師透過「穿戴式科技羽球教學輔助系統」的協助進行教學後，對

學生之正拍殺球羽球技能之學習成效有何影響，本研究使用獨立樣本 T 檢定

(Independent Sample t test)作為分析方式，以傳統教學組(控制組)與以系統協助教

學組(實驗組)作為對象，分別針對兩組之揮拍姿勢與揮拍力道前、後測分數分析

學習成效之差異。
二、 即時教學建議可信度
為了瞭解系統給予之即時教學建議與專家的看法之相似程度，本研究使用一

致性檢驗(Kappa)作為分析方式，根據系統之即時教學建議項目與專家給予之教

學建議之一致性分析，以得到即時教學建議之可信度。

27
 第五章、結果與討論

本研究依據上述之研究方法完成了八週教學，其中共有 80 名學生至少完成

了七週的教學。本章節將使用統計方法分析收集到的資料。本章共四節，第一節

為人口統計資訊；第二節為正拍殺球羽球技能之學習成效分析；第三節為即時教

學建議功能之可信度分析；第四節為綜合討論。

第一節、人口統計資訊

本研究之受測者以國立中山大學參與羽球課的學生為主，兩組皆由同一名體

育教師授課，共 80 位學生，實驗分組以方便樣本分配至傳統教學組(控制組)與

系統協助教學組(實驗組) ，其年齡分布為 18 至 22 之間，其中 57 位(71%)為男

性，23 位(29%)為女性，參與本實驗之受測者皆沒有受過專業的羽球訓練。
表 5-1、人口統計資訊
組別 性別 每週運動習慣
非常頻
很少 普通 頻繁
男 女 無 繁(4 次
(1 次) (2 次) (3 次)
以上)
71% 29% 9% 31% 32.5% 17.5% 10%
N=57 N=23 N=7 N=25 N=26 N=14 N=8
控制組 N=37 N=8 N=6 N=14 N=14 N=8 N=3
實驗組 N=20 N=15 N=1 N=11 N=12 N=6 N=5

28
 第二節、正拍殺球羽球技能之學習成效分析

本章節將探討透過「穿戴式教學輔助系統」協助教師教學後，對於學生的正

拍殺球羽球技能之學習成效的影響。而學習成效又可分為「揮拍姿勢」與「揮拍

力道」之學習成效(如第一章第三節)。

一、 揮拍姿勢學習成效

為了了解學生在實驗各階段之學習成效變化，本研究在實驗的第 5 週(教學

課程的第 4 週)收集學生練習時的相似度百分比分數作為中測成績以觀察實驗各

階段之成績變化。表 5-2 為揮拍姿勢學習成效之前、中及後測成績描述性統計。

從描述性統計中可以得知，所有學生之前測平均成績為 50.681 分，標準差為

22.182 分。其中控制組之前測平均成績為 49.261 分，標準差為 17.965 分；實驗

組之前測平均成績為 52.507 分，標準差為 26.822 分。

表 5-2、揮拍姿勢前、中及後測成績描述性統計

組別 人數 前測 前測 中測 中測 後測 後測

平均數 標準差 平均數 標準差 平均數 標準差

控制組 45 49.261 17.965 50.972 22.639 68.656 19.809

實驗組 35 52.507 26.822 67.779 19.620 77.529 19.15

總和 80 50.681 22.182 58.325 22.836 72.538 19.9

在學生經過四週的教學與練習之後，中測平均成績為 58.325 分，標準差為

22.836 分。其中控制組之中測平均成績為 50.972 分，標準差為 22.639 分；而實

驗組之中測平均分數為 67.779 分，標準差為 19.62 分。最後為後測成績，學生經

過八週的教學與練習之後，平均成績為 72.538 分，標準差為 19.9 分。其中控制

組之後測平均成績為 68.656 分，標準差為 19.809 分；而實驗組之後測平均分數

為 77.529 分，標準差為 19.15 分。圖 5-1 為控制組與實驗組的揮拍姿勢前、中及

29
後測成績變化圖。

揮拍姿勢前中、後測成績變化
80
77.529
75
相似度百分比分數

67.779 68.656
70
65
60
55
52.507 50.972
50 49.261
45
40
前測 中測 後測
控制組 實驗組

圖 5-1、揮拍姿勢前、中及後測成績變化圖

本研究為了探討透過系統協助教師教學，對學生之正拍殺球揮拍姿勢學習成

效有何影響，首先須了解兩組學生在實驗前之揮拍姿勢成績是否有顯著差異。本

研究使用獨立樣本 t 檢定來分析兩組之間的揮拍姿勢前測成績。

傳統教學組(控制組)與以系統協助教學組(實驗組)兩組之間前測成績的

Levene 的變異數同質性檢定有存在顯著差異(F=6.052, p=0.016)，而獨立樣本 t 檢

定之 t 值為-0.616，p 值為 0.540，分析結果如下表 5-3。由於兩組之間的揮拍姿

勢前測成績並沒有顯著差異，可以推論所有學生在實驗前對於正拍殺球揮拍姿勢

的程度都是相同的。

表 5-3、揮拍姿勢前測成績獨立樣本 t 檢定結果

Construct Group N M SD t p

Control 45 49.261 17.965

Pre-test -0.616 0.540
Experiment 35 52.507 26.822

**p < 0.01; *p < 0.05

在確定兩組之間的揮拍姿勢前測成績並無顯著差異後，接著分析揮拍姿勢

後測成績以探討實驗後兩組之間的揮拍姿勢學習成效之差異。在揮拍姿勢後測

30
成績中，傳統教學組(控制組)與以系統協助教學組(實驗組)兩組之間後測成績的

Levene 的變異數同質性檢定沒有顯著差異(F=0.001, p=0.973)，而獨立樣本 t 檢

定之 t 值為-2.016，p 值為 0.047，分析結果如下表 5-4。從獨立樣本 t 檢定的結

果可以得知兩組之間在經過實驗後，其揮拍姿勢的成績有顯著的差異。

表 5-4、揮拍姿勢後測成績獨立樣本 t 檢定結果

Construct Group N M SD t p

Control 45 68.656 19.809

Post-test -2.016 0.047*
Experiment 35 77.529 19.150

**p < 0.01; *p < 0.05

二、 揮拍力道學習成效

如揮拍姿勢學習成效，揮拍力道學習成效亦收集學生練習時的相似度百分比

分數作為揮拍力道學習成效之中測成績。表 5-5 為揮拍力道學習成效的前、中及

後測成績描述性統計表。從描述性統計中可以得知，所有學生之前測平均成績為

51.203 分，標準差為 16.478 分。其中控制組之前測平均成績為 49.994 分，標準

差為 15.654 分；實驗組之前測平均成績為 52.757 分，標準差為 17.587 分。

表 5-5、揮拍力道前後測成績描述性統計

組別 人數 前測 前測 中測 中測 後測 後測

平均數 標準差 平均數 標準差 平均數 標準差

控制組 45 49.994 15.654 52.683 17.514 47.878 18.353

實驗組 35 52.757 17.587 55.414 17.799 53.2 16.861

總和 80 51.203 16.478 53.878 17.580 50.2063 17.805

在學生經過四週的教學與練習之後，中測平均成績為 58.325 分，標準差為

31
22.836 分。其中控制組之中測平均成績為 50.972 分，標準差為 22.639 分；而實

驗組之中測平均分數為 67.779 分，標準差為 19.62 分。最後為後測成績，在經過

八週的教學與練習之後，後測平均成績為 50.2063 分，標準差為 17.805 分。其中

控制組之後測平均成績為 47.878 分，標準差為 18.353 分；而實驗組之後測平均

分數為 53.2 分，標準差為 16.861 分。圖 5-2 為控制組與實驗組的揮拍力道前後

測成績變化圖。

揮拍力道前、中及後測成績變化
80
75
相似度百分比分數

70
65
60 55.414
52.757 53.2
55
50
52.683
45 49.994
47.878
40
前測 中測 後測
控制組 實驗組

圖 5-2、揮拍力道前、中及後測成績變化圖

與揮拍姿勢學習成效相同，為了探討透過系統協助教師教學，對學生之正

拍殺球揮拍力道學習成效有何影響，首先須了解兩組學生在實驗前之揮拍力道

成績是否有顯著差異。本研究一樣使用獨立樣本 t 檢定來分析兩組之間的揮拍

力道前測成績。

傳統教學組(控制組)與以系統協助教學組(實驗組)兩組之間前測成績的

Levene 的變異數同質性檢定沒有顯著差異(F=0.287, p=0.594)，而獨立樣本 t 檢定

之 t 值為-0.742，p 值為 0.46，分析結果如下表 5-6。由於兩組之間的揮拍力道前

測成績並沒有顯著差異，可以推論所有學生在實驗前對於正拍殺球揮拍力道的程

度都是相同的。

32
 表 5-6、揮拍力道前測成績獨立樣本 t 檢定結果

Construct Group N M SD t p

Control 45 49.994 15.654

Pre-test -0.742 0.460
Experiment 35 52.757 17.587

**p < 0.01; *p < 0.05

接著為分析兩組的揮拍力道後測成績，以探討在經過實驗之後兩組之間的

揮拍力道學習成效是否產生顯著的差異。在揮拍力道後測成績中，傳統教學組

(控制組)與以系統協助教學組(實驗組)兩組之間後測成績的 Levene 的變異數同

質性檢定沒有顯著差異(F=0.017, p=0.896)，而獨立樣本 t 檢定之 t 值為-1.333，p

值為 0.186，分析結果如下表 5-7。從獨立樣本 t 檢定的分析結果可以得知兩組

之間的揮拍力道後測成績並沒有顯著的差異。

表 5-7、揮拍力道後測成績獨立樣本 t 檢定結果

Construct Group N M SD t p

Control 45 47.878 18.353

Post-test -1.333 0.186
Experiment 35 53.200 16.862

**p < 0.01; *p < 0.05

第三節、即時教學建議可信度分析

本研究之即時教學建議功能可信度來自於系統給予之教學建議與教師評估

後之教學建議做相似度分析。本研究採用 Cohen’s Kappa Coefficient 作為判斷依

據，將 8 個教學建議(見第三章第三節)分別分析。Kappa 值為一介於-1 到 1 之間

的值。若值小於 0 時則表示沒有達成一致；若值介於 0.01~0.2 之間則代表幾乎沒

有一致性；0.2~0.4 之間代表一致性很差；0.4~0.6 之間代表一致性一般；0.6~0.8

之間代表有著良好的一致性；若 0.8 以上則有極佳的一致性(McHugh, 2012)。在

33
子動作 1 出手前放鬆子動作中有兩項教學建議，分別為「前臂未保持靜止」其

Cohen's kappa 之係數為 1.00；而「前臂未水平前舉」Cohen's kappa 之係數也為

1.00。子動作 2 殺球前預備動作子動作中有三項教學建議，其中「球拍不能移動」

之 Cohen's kappa 係數為 0.956；「擊球前身體未側身」之 Cohen's kappa 係數為

0.690；「手肘太低」之 Cohen's kappa 係數為 0.788。在子動作 3 食指帶動手腕發

力下扣子動作中有兩項教學建議，其中「手肘未旋轉向前」之 Cohen's kappa 係

數為 0.661；而「手腕未下扣」因系統未曾給予這項建議，故其 Cohen's kappa 係

數無法計算為 0.000。最後子動作 4 是出手後放鬆，其教學建議為「擊球後手未

回到放鬆姿勢」其 Cohen's kappa 係數為 0.931。表 5-8 為各即時教學建議一致性

檢定之結果。
表 5-8、即時教學建議功能一致性檢定
建議名稱 Kappa 值
子動作 1 前臂未保持靜止 1.00
出手前放鬆
前臂未水平前舉 1.00
子動作 2 球拍不能移動 0.956
殺球前預備動作 擊球前身體未側身 0.690
手肘太低 0.788
子動作 3 食指帶動手腕發力 手肘未旋轉向前 0.661
下扣 手腕未下扣 0.000
子動作 4 出手後放鬆 擊球後手未回到放鬆姿勢 0.931

第四節、綜合討論

本研究開發建置「穿戴式科技羽球教學輔助系統」包含影片科技功能、專家

羽球模型系統功能、與即時教學建議功能，其目的是協助教師進行正拍殺球的教

學，以提升學生羽球之學習成效和降低教師的教學負擔。在本節將依照結果進一

步探討傳統教學組(控制組)與以系統協助教學組(實驗組)兩組之間對正拍殺球學

習成效的影響與結果。以下同樣將正拍殺球學習成效分為「揮拍姿勢」與「揮拍

力道」兩個部分作討論。

34
一、 以系統協助教師教學對揮拍姿勢學習成效之影響

本研究之前測是在學生接受羽球教學之前進行，根據本章第二節之一的分析

結果顯示，傳統教學組(控制組)與以系統協助教學組(實驗組)之間的揮拍姿勢前

測成績並沒有顯著的差異，此結果代表兩組學生對於正拍殺球揮拍姿勢的理解與

實作能力具有相同的水平，也可以推論兩組學生原本具備的羽球能力並不會影響

後續的學習成效。故本研究可以直接以獨立樣本 t 檢定對兩組的後測成績進行分

析，即可了解實驗後兩組的學習成效差異。

在揮拍姿勢後測成績的分析結果與描述性統計中顯示，以系統協助教學組

(實驗組)的學習成效顯著優於傳統教學組(控制組)。這兩組間的差異為傳統教學

組(控制組)是由教師直接觀察學生的學習狀況來給予教學建議，而以系統協助教

學組(實驗組)則為教師透過系統顯示的相似度百分比分數與學生的揮拍影片給

予教學建議。其結果指出，以系統協助教師教學能幫助學生更容易理解教師針對

揮拍姿勢給予的教學建議，使實驗組得到更好的揮拍姿勢學習成效。

此外，為了能更深入了解透過系統協助教師教學對於學生學習正拍殺球揮拍

姿勢的影響，本研究自實驗組的學生中隨機挑選 6 名學生與授課教師分別進行訪

談，以收集學生與教師對於使用系統的感受。
表 5-9、揮拍姿勢訪談內容
訪談對象 訪談內容
學生可以融合系統提供的資訊，以及透過錄影功能看到自己的動
教師
作，對於修正動作將更有效率。
學生 A 有一個明確的標準，能比較容易了解老師想要傳達的內容。
學生 B 使用系統可以幫助我知道自己的動作錯在哪裡。
系統可以告訴我更多的細節，比如我原本會使用肩膀在揮拍，但系
學生 C
統和老師告訴我應該使用手腕，所以我能得到改進。
學生 D 透過一套標準動作，可以更容易理解自己是哪個部份不足。
因為透過影片可以看到自己哪裡做不好，而雷達圖也滿符合影片
學生 E
中發生的事情。
透過將動作分為四個子動作，只要根據不足的子動作分別修正即
學生 F
可。
表 5-9 為受訪對象針對揮拍姿勢問題的訪談內容，受訪的學生提到系統將正

35
拍殺球切割出明確的四個子動作，能幫助他們逐步修正自己的動作，而相似度百

分比分數搭配影片也能幫助他們了解自己哪些動作有錯誤需要注意。除此之外，

多數學生也提到在經過 3~4 週的教學後，即可掌握教師的教學建議並調整自己的

揮拍姿勢。此一訪談內容也與描述性統計中之中測成績結果相符。描述性統計中

顯示，在課程進行至第 4 週時，實驗組的揮拍姿勢成績相較於控制組，已經可以

看到明顯的進步。而教師的訪談內容中也有提到在教學過程中結合系統提供的資

訊及影片，能更有效率的幫助學生修正揮拍姿勢。

二、 以系統協助教師教學對揮拍力道學習成效之影響

從本章第二節之二的分析結果可以得知，控制組與實驗組之間的揮拍力道前

測成績並沒有顯著的差異，此結果代表兩組之間在實驗前對於正拍殺球揮拍力道

的理解與實作能力相同。因此本研究以獨立樣本 t 檢定對兩組的揮拍力道後測成

績作分析，結果也顯示實驗後兩組間的揮拍力道後測成績並沒有顯著的差異。
表 5-10、揮拍力道訪談內容
訪談對象 訪談內容
對於修正力量，如系統回饋的子動作二，對於該握緊或握鬆，無法
教師 很清楚的協助同學修正。肌電部分常需再問同學有沒有放鬆還是
用力，感覺系統可能還不夠穩定
我不清楚老師指的是使用哪個肌肉，即便是老師有先做詢問，我也
學生 A 可能已經忘記了，且因為會比較在乎揮拍姿勢，會忽略揮拍力道的
部分。
系統與老師的結合對自己是能有幫助的，但因為每週只有一次練
學生 B
習，我認為可能會因為餵球的高低位置而有影響。
在課程之後讓我學習到更多細部的肌肉控制。讓我知道哪時該用
學生 C
力哪時該放鬆。
力道部分可能會因為球的方向和身體的狀況不好而影響自己對肌
學生 D
肉的控制，不太能提升揮拍力道的成績。
用力不像動作能很明確地用肉眼看出來，而且在系統上看不出來
學生 E
自己當時有沒有用力，自己也可能忘記了。
一開始比較生疏時有照老師的指導去做，但後來熟了之後有自己
學生 F 簡化了一些動作，就比較隨興沒有按照肌電流的步驟去做，另外
可能會為了打到球，而忽略了肌肉的部分。
為了探討在實驗後揮拍力道學習成效沒有提升的原因，本研究以教師與學生

針對揮拍力道的訪談內容作為參以進一步的討論。表 5-10 為受訪對象針對揮拍

36
力道問題的訪談內容。教師提到在部分的子動作中，系統可能沒有辦法給出足夠

的資訊來協助教師給予教學建議。而學生的部分，即使有學生提到在實驗後能夠

提升他們對力道的控制能力，但仍有學生認為實驗後對於力道控制並沒有幫助。

學生提到那是因為揮拍力道並不像揮拍姿勢一般能透過影片看出自己的錯誤，而

當老師在做建議回饋時學生也很難說出自己剛剛練習時的力道狀況。再者，學生

也提到當天的身體狀況或餵球的位置高低都有可能會影響當下揮拍的力道。

綜上所述，本研究歸納兩項可能造成的原因及未來可改進方向：

1、透過相似度百分比分數可能不足以協助教師給予學生揮拍力道的教學建

議。由於系統是透過類神經網路建置專家模型後比對專家揮拍力道與學生揮拍力

道後之相似度來判斷學生的錯誤，並無法判斷學生當時的力道大小，且教師也難

以透過影片判斷學生的揮拍力道，可能造成教師無法給予有效的教學建議。未來

研究可在設計揮拍力道的教學建議部分，除了讓學生與專家比對之外可以將學生

的揮拍力道特徵值的數字一併顯示給教師參考，以協助教師能針對揮拍力道給予

更多建議。另外，肌肉力道使用部分可能會學習者當日身體的狀況而有所改變，

未來研究系統也需考慮學習者每次肌肉力道使用狀況。

2、學生可能因為將注意力集中於校正揮拍姿勢，而忽略揮拍力道的控制。

由於實驗時揮拍姿勢與揮拍力道是同時進行教學的，因此學生必須同時注意揮拍

姿勢的調整與揮拍力道的控制而造成顧此失彼的狀況。在未來的實驗設計上，建

議可以將揮拍姿勢和揮拍力道區隔開，先進行揮拍姿勢的教學，再進行揮拍力道

的教學。如結果所發現(本章第二節之一)可得知透過本研究系統協助教師教學，

在第 4 週時學生的揮拍姿勢學習成效即有明顯的進步，因此若將前 4 週專注於調

整揮拍姿勢，而後 4 週則專注於調整揮拍力道，可能可以避免學生因注重揮拍姿

勢而忽略揮拍力道的情況。

三、 即時教學建議功能的可信度評估

從本章第三節的分析結果可以得知，透過將學生的揮拍姿勢特徵值與專家的

37
標準動作範圍作比對後給出教學建議，能與專家的看法有高度的一致性

(Kappa>0.6)。尤其是出手前放鬆與出手後放鬆，能得到更高的一致性。因此可以

推論，利用專家的標準動作範圍與教學建議對應以建置即時教學建議功能，可以

給予學生與專家意見相似的教學建議。另外，分析結果也顯示，本研究系統並未

給予子動作 3 之食指帶動手腕發力下扣子動作中的「手腕未下扣」建議，本研究

推論由於 Myo 手環的佩帶位置為前臂後方，其慣性感測器可能無法有效的量測

到手腕的動作造成手腕未下扣之建議無法被判斷出來，因此，在未來的系統中可

以增加額外的感測器以量測手腕的動作。

38
 第六章、結論

本研究提出以穿戴式科技 Myo 手環結合專家模型，針對羽球技能中的正拍

殺球開發建置一個教學輔助系統，並探討以系統協助教師在教學時給予學生教學

回饋之方式，是否能顯著提升學生學習正拍殺球的學習成效。本章將進行總結，

第一節為研究發現，接著第二節為研究貢獻，第三節為研究限制，最後一節為未

來研究。

第一節、研究發現

羽球運動中，正拍殺球技能可以說是最為複雜與困難的一項(Li, Zhang, Wan,

Wilde, & Shan ,2017)，要能有效的學習正拍殺球，除了大量練習外，還需要有效

的教學回饋(Hung, Shwu-Ching Young, & Lin, 2017)。因此本研究使用穿戴式科技

Myo 手環中的肌電流感測器與慣性感測器作為量測工具，收集羽球專家的正拍

殺球揮拍姿勢特徵值與揮拍力道特徵值，並以類神經模型建置專家模型，再結合

影片科技，以協助教師給予學生有效的教學建議。另外本研究將專家的揮拍姿勢

特徵值與教師常用的教學建議結合建置即時教學建議功能，學生可以使用系統自

行練習，以降低教師的教學負擔。本實驗採準實驗法收集資料，並以統計方法進

行資料分析，研究結果如下：

一、 利用穿戴式科技羽球教學輔助系統協助教師教學，對學生學習正拍殺球

的揮拍姿勢有更好的成效。

由分析結果可以得知此本研究所開發建置之系統可協助教師教學以給予學

生正拍殺球揮拍姿勢更多的幫助，因系統可以明確的告知教師學生揮拍姿勢是哪

個子動作與羽球專家的揮拍姿勢差異，教師再以學生的揮拍影片針對該差異給予

有效的教學回饋建議。

二、 利用穿戴式科技羽球教學輔助系統協助教師教學，對學生學習正拍殺球

39
 的揮拍力道沒有幫助。

在揮拍力道的部分，根據分析結果顯示本研究系統在協助教師教學上無法直

接有效對學生的羽球學習揮拍力道進行幫助。但透過訪談結果可以得知，教師認

為雖然本系統可以告知哪個子動作的揮拍力道與羽球專家有差異，但仍需要更多

的資訊才能判斷如何進行教學建議。因此，本研究系統未來若能提供更多揮拍力

道判斷的資訊，應能更有效的協助教師給予教學建議。

三、 以專家的揮拍姿勢特徵值範圍結合教學建議建置之即時教學建議功

能，可以給予與教師相仿的教學建議。

分析結果顯示當學生進行正拍殺球學習時，多數即時教學建議皆與專家意見

有高度的一致性，因本研究系統將學生的揮拍姿勢特徵值與專家標準動作範圍比

對後，可給出與教師相仿的教學建議。惟有「手腕未下扣」之教學建議因 Myo 手

環無法量測手腕的動作，無法給予此教學建議判斷，本研究建議未來可以結合其

他感測器以量測手腕的動作。

第二節、研究貢獻

一、 教學實務上

在傳統的教學方式中，教師必須透過反覆觀察與記憶學生的揮拍資訊，並利

用過去的經驗來給予教學建議。而透過穿戴式科技結合專家模型，可以即時收集

學生的揮拍動作並加以分析，以提供更多客觀的資訊以協助教師給予建議，而不

再只是憑經驗教學，能更有效的幫助學生學習正拍殺球。

二、 學術研究上

本研究以 Myo 手環中的肌電流感測器與慣性感測器量測正拍殺球的揮拍姿

勢與揮拍力道的特徵值，並建置專家模型結合影片科技，以開發穿戴式科技羽球

教學輔助系統與即時教學建議功能。其研究結果顯示透過本系統協助教師教學可

以有效提升學生的揮拍姿勢學習成效，而即時教學建議功能可以給出與教師相仿

40
的教學建議。因此，若未來在相同手部技巧的體育項目，如網球或壁球等相關運

動研究，欲以穿戴式科技協助進行教學皆可參考本研究所提出之穿戴式科技應用

與系統建置流程。

三、 系統設計上

本研究結合穿戴式科技輕巧便利與即時收集資料的特性，讓系統非常易於

架設和使用，另外，本系統結合專家模型以建立一個能即時給予回饋的教學輔

助系統，教師可以在學生練習後即時得到練習成果，而學生也可利用本研究之

系統自學進而提昇羽球的學習成效。

第三節、研究限制

本研究開發之穿戴式科技羽球教學輔助系統與即時教學建議功能，其目的為

協助教師教學以提升學生學習正拍殺球的學習成效與降低教師的教學負擔。然而

本研究基於系統設計與實驗設計上，仍存在一些限制：

1. 由於本研究之實驗採準實驗法，課程時間有一定的限制，因此在每週實

驗前雖然會讓學生先練習 10 次正拍殺球羽球技能，但學生實際配戴 Myo 手環量

測揮拍資料的次數只有 1 次，可能會因硬體狀況或離群值而使教學品質受到影

響。

2. 本研究所使用之穿戴式科技為 Myo 手環，並非自行開發的裝置，而 Myo

手環內建的程式在資料收集的過程中便會先經過處理才輸出。因此本研究使用之

資料並非最原始的資料，可能會因此產生誤差。且 Myo 手環內的肌電流感測器，

雖然官方表示其量測資料的頻率為 1/200 秒，但在實際上仍會因為各種因素使得

量測頻率下降，在如正拍殺球等快速動作的體育項目中，可能會因此造成資料的

數量與品質難以控制。

3. 由於本研究的科目為體育，且實驗的位置在無冷氣的體育場館，在學生

實際進行正拍殺球練習的時候常常是處於悶熱的環境，因此即時在穿戴 Myo 手

41
環前有先擦拭汗水，但學生持續的出汗仍可能影響肌電流感測器。

4. 本研究雖然已經請專業的餵球者協助進行實驗，且會根據情況重新收集

資料，但在餵球的過程中仍會有位置的誤差，可能會影響資料的收集。

第四節、未來研究

本研究開發穿戴式科技羽球教學輔助系統與即時教學建議功能，以協助教師

進行教學，但由上述之結論可以發現仍有許多改善空間，期望在未來的研究中進

一步修改與調整。在此本研究歸納出以下未來研究方向。

1. 未來在實驗設計中，學生可以透過「加入即時教學建議功能之系統」自

行進行正拍殺球羽球技能的練習，學生在課程中重複以系統協助自己調整揮拍姿

勢與力道以提升學習成效，同時也能降低教師的負擔。

2. 未來在實驗流程中，每週可請學生以系統多收幾次資料，以排除離群值

或硬體關係可能造成的資料誤差。

3. 本研究所選用之穿戴式科技 Myo 手環可能無法精密收集手腕資訊或強

大到足以收集更多的肌肉使用訊號，未來可以結合其他的裝置或感測器以更進一

步的提升系統的準確性與量測範圍。

4. 未來的可以選擇在較涼爽的環境進行實驗，可以避免學生生理訊號每次

改變或因過度出汗而影響穿戴式科技收集資料。

5. 本研究只收集了四位羽球專家的標準動作，而未來的研究可以收集更多

的專家資料，以建立更為準確且穩定的系統。

6. 本研究之即時教學建議功能尚未實際於教學中使用，未來研究可以將即

時教學建議功能加入實驗，以驗證其對於學生學習羽球技能的成效。

42
 參考文獻

Al-Timemy, A. H., Khushaba, R. N., Bugmann, G., & Escudero, J. (2016). Improving

the performance against force variation of EMG controlled multifunctional upper-

limb prostheses for transradial amputees. IEEE Transactions on Neural Systems

and Rehabilitation Engineering, 24(6), 650-661.

Arief, Z., Sulistijono, I. A., & Ardiansyah, R. A. (2015, September). Comparison of five

time series EMG features extractions using Myo Armband. In Electronics

Symposium (IES), 2015 International (pp. 11-14). IEEE.

Bächlin, M., & Tröster, G. (2012). Swimming performance and technique evaluation

with wearable acceleration sensors. Pervasive and Mobile Computing, 8(1), 68-81.

Bhattacharya, S., Roy, S., & Chowdhury, S. (2018). A neural network-based intelligent

cognitive state recognizer for confidence-based e-learning system. Neural

Computing and Applications, 29(1), 205-219.

Chow, J. Y., Tan, C. W. K., Lee, M. C. Y., & Button, C. (2014). Possibilities and

implications of using a motion-tracking system in physical education. European

Physical Education Review, 20(4), 444-464.

Chowdhury, R. H., Reaz, M. B., Ali, M. A. B. M., Bakar, A. A., Chellappan, K., &

Chang, T. G. (2013). Surface electromyography signal processing and

classification techniques. Sensors, 13(9), 12431-12466.

Gini, G., Arvetti, M., Somlai, I., & Folgheraiter, M. (2012). Acquisition and analysis of

EMG signals to recognize multiple hand movements for prosthetic

applications. Applied Bionics and Biomechanics, 9(2), 145-155.

Gupta, H. P., Chudgar, H. S., Mukherjee, S., Dutta, T., & Sharma, K. (2016). A

continuous hand gestures recognition technique for human-machine interaction

43
 using accelerometer and gyroscope sensors. IEEE Sensors Journal, 16(16), 6425-

6432.

Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witten, I. H. (2009).

The WEKA data mining software: an update. ACM SIGKDD explorations

newsletter, 11(1), 10-18.

Hung, H. C., Shwu-Ching Young, S., & Lin, K. C. (2017). Exploring the effects of

integrating the iPad to improve students’ motivation and badminton skills: a

WISER model for physical education. Technology, Pedagogy and Education, 1-

14.

Kim, J. S., & Pan, S. B. (2017). A Study on EMG-based Biometrics. Journal of Internet

Services and Information Security (JISIS), 7(2), 19-31.

Kutafina, E., Laukamp, D., Bettermann, R., Schroeder, U., & Jonas, S. M. (2016).

Wearable Sensors for eLearning of Manual Tasks: Using Forearm EMG in Hand

Hygiene Training. Sensors, 16(8), 1221.

Lapinski, M., Berkson, E., Gill, T., Reinold, M., & Paradiso, J. A. (2009, September).

A distributed wearable, wireless sensor system for evaluating professional baseball

pitchers and batters. In Wearable Computers, 2009. ISWC'09. International

Symposium on (pp. 131-138). IEEE.

Lee, V. R., Drake, J., & Williamson, K. (2015). Let's get physical: K-12 students using

wearable devices to obtain and learn about data from physical activities.

TechTrends, 59(4), 46-53.

Li, S., Zhang, Z., Wan, B., Wilde, B., & Shan, G. (2017). The relevance of body

positioning and its training effect on badminton smash. Journal of sports

sciences, 35(4), 310-316.

Lindberg, R., Seo, J., & Laine, T. H. (2016). Enhancing Physical Education with

44
 Exergames and Wearable Technology. IEEE Transactions on Learning

Technologies, 9(4), 328-341.

Liu, X., Sacks, J., Zhang, M., Richardson, A. G., Lucas, T. H., & Van der Spiegel, J.

(2017). The Virtual Trackpad: An Electromyography-Based, Wireless, Real-Time,

Low-Power, Embedded Hand-Gesture-Recognition System Using an Event-

Driven Artificial Neural Network. IEEE Transactions on Circuits and Systems II:

Express Briefs, 64(11), 1257-1261.

Luinge, H. J., & Veltink, P. H. (2005). Measuring orientation of human body segments

using miniature gyroscopes and accelerometers. Medical and Biological

Engineering and computing, 43(2), 273-282.

McHugh, M. L. (2012). Interrater reliability: the kappa statistic. Biochemia medica:

Biochemia medica, 22(3), 276-282.

Memmert, D., & Harvey, S. (2008). The game performance assessment instrument

(GPAI): Some concerns and solutions for further development. Journal of

Teaching in Physical Education, 27(2), 220-240.

Nymoen, K., Haugen, M. R., & Jensenius, A. R. (2015). Mumyo–evaluating and

exploring the myo armband for musical interaction.

Palao, J. M., Hastie, P. A., Cruz, P. G., & Ortega, E. (2015). The impact of video

technology on student performance in physical education. Technology, Pedagogy

and Education, 24(1), 51-63.

Pfau, T., Witte, T. H., & Wilson, A. M. (2005). A method for deriving displacement data

during cyclical movement using an inertial sensor. Journal of Experimental

Biology, 208(13), 2503-2514.

Petrigliano, F. A., Borgstrom, P. H., Kaiser, W. J., McAllister, D. R., & Markolf, K. L.

(2015). Measurements of tibial rotation during a simulated pivot shift manoeuvre

45
 using a gyroscopic sensor. Knee Surgery, Sports Traumatology,

Arthroscopy, 23(8), 2237-2243.

Renk, E. L., Rizzo, M., Collins, W., Lee, F., & Bernstein, D. S. (2005). Calibrating a

triaxial accelerometer-magnetometer-using robotic actuation for sensor

reorientation during data collection. IEEE control systems, 25(6), 86-95.

Riillo, F., Quitadamo, L. R., Cavrini, F., Gruppioni, E., Pinto, C. A., Pastò, N. C., ... &

Saggio, G. (2014). Optimization of EMG-based hand gesture recognition:

Supervised vs. unsupervised data preprocessing on healthy subjects and transradial

amputees. Biomedical Signal Processing and Control, 14, 117-125.

Sathiyanarayanan, M., & Rajan, S. (2016, January). MYO Armband for physiotherapy

healthcare: A case study using gesture recognition application. In Communication

Systems and Networks (COMSNETS), 2016 8th International Conference on(pp.

1-6). IEEE.

Sgrò, F., Mango, P., Pignato, S., Schembri, R., Licari, D., & Lipoma, M. (2017).

Assessing Standing Long Jump Developmental Levels Using an Inertial

Measurement Unit. Perceptual and Motor Skills, 124(1), 21-38.

Teng, S. L., & Paramesran, R. (2011, November). Detection of service activity in a

badminton game. In TENCON 2011-2011 IEEE Region 10 Conference (pp. 312-

315). IEEE.

Umek, A., Tomažič, S., & Kos, A. (2015). Wearable training system with real-time

biofeedback and gesture user interface. Personal and Ubiquitous

Computing, 19(7), 989-998.

Vranjković, V. S., Struharik, R. J., & Novak, L. A. (2015). Hardware acceleration of

homogeneous and heterogeneous ensemble classifiers. Microprocessors and

Microsystems, 39(8), 782-795.

46
Wang, L., & Buchanan, T. S. (2002). Prediction of joint moments using a neural

network model of muscle activations from EMG signals. IEEE Transactions on

Neural Systems and Rehabilitation Engineering, 10(1), 30-37.

Wulf, G., Shea, C., & Lewthwaite, R. (2010). Motor skill learning and performance: a

review of influential factors. Medical education, 44(1), 75-84.

Zarchi, M. S., Bushehri, S. F., & Dehghanizadeh, M. (2018). SCADI: A standard dataset

for self-care problems classification of children with physical and motor disability.

International journal of medical informatics, 114, 81-87.

47