CN108852377A - 基于多生理参数的人体运动性疲劳监测系统 - Google Patents

Abstract

本发明公开了一种基于多生理参数的人体运动性疲劳监测系统，包括：监测衣本体、设置于所述监测衣本体上的数据采集装置、后台主机及运动疲劳程度评估模块；所述数据采集装置包括第一主机、第二主机、心电监测模块、心率监测模块、呼吸监测模块、加速度监测传感器、温度传感器、皮电传感器和血氧传感器。本发明的基于多生理参数的人体运动性疲劳监测系统，通过数据采集装置采集获得生理参数，再利用运动疲劳程度评估模块建立BP神经网络模型，评估人体运动后的疲劳程度，从而能实时了解人体疲劳程度，以便于及时采取措施消除疲劳，使身体各器官机能恢复到原有水平，不仅能防止机体疲劳过度，还有助于机体运动能力的不断提高。

Description

基于多生理参数的人体运动性疲劳监测系统

技术领域

本发明涉及生理参数监测技术领域，特别涉及一种基于多生理参数的人体运动性疲劳监测系统。

背景技术

人体在大量体力消耗后产生疲劳是一种生理现象，也是一种保护机制，提示机体应进入保护性休息和能量补充状态，从而避免机体进一步的损伤。如果人频繁进行超负荷的体能活动，在机体还未从前一次的疲劳中恢复过来的情况下，又添加新的疲劳，疲劳就有可能积累，久而久之机体就会因过度疲劳而造成损伤。如机体出现了代偿不完全现象，氧气的心输出量仅能满足人体静止时的代谢，运动后便会出现供氧不足症状，更严重的甚至可能导致人体突然爆发出某种疾病。而人体锻炼必须达到一定量程度的疲劳后机体才可以获得超量的恢复，只有在产生运动性疲劳和机体超量恢复这两种情况不断交替往复的情况下，人的体质才能逐渐增强。因此实时了解人体疲劳程度，及时采取措施消除疲劳，使身体各器官机能恢复到原有水平，不仅能防止机体疲劳过度，还有助于机体运动能力的不断提高。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于多生理参数的人体运动性疲劳监测系统。

本发明能为从事体力劳动工作、或体育训练活动的人提供人体健康状态和运动疲劳程度的“监测”服务。通过监测衣内各部分传感器采集人体的心电、呼吸、体温、加速度、血氧饱和度和皮电等信号识别人体的健康状况并计算机体运动疲劳程度，可有效防止机体因疲劳过度受到损伤，并有助于指导机体的运动强度，提高训练效果。

为解决上述技术问题，本发明采用的技术方案是：一种基于多生理参数的人体运动性疲劳监测系统，包括：监测衣本体、设置于所述监测衣本体上的数据采集装置、后台主机及内嵌于所述后台主机中的运动疲劳程度评估模块；

所述数据采集装置包括第一主机、第二主机、心电监测模块、心率监测模块、呼吸监测模块、加速度监测传感器、温度传感器、皮电传感器和血氧传感器。

优选的是，所述第一主机包括第一主控模块、第一蓝牙模块、第一电源模块和GPRS网络模块；所述第二主机包括第二主控模块、第二蓝牙模块和第二电源模块；

所述心电监测模块、心率监测模块、呼吸监测模块、温度传感器和加速度监测传感器均与所述第一主机连接；所述皮电传感器和血氧传感器均与所述第二主机连接；所述第一主机与第二主机通讯连接，所述第一主机通过所述GPRS网络模块与所述后台主机通讯连接。

优选的是，所述心电监测模块用于采集并获得心电信号；心率监测模块用于根据心电图信号获取心率数据；所述呼吸监测模块用于采集呼吸信号，并计算获取呼吸率数据；所述加速度监测传感器用于采集加速度信号；所述皮电传感器采集腕部的皮电信号；所述温度传感器用于采集人体腋下体温数据；所述血氧传感器用于采集双通道脉搏波描记信号，并计算获取血氧饱和度数据。

优选的是，所述运动疲劳程度评估模块用于根据所述数据采集装置获取的数据利用BP神经网络建立模型，评估人体运动后的疲劳程度，其具体步骤包括建立实验模型、模型应用和评估结果输出。

优选的是，所述建立实验模型的具体步骤包括：

1)实验数据采集；

2)特征提取；

3)特征选择；

4)BP神经网络模型训练；

5)模型测试与优化。

优选的是，所述实验数据采集具体包括：令受试者穿上所述监测衣本体在跑台上匀速跑步，利用所述监测衣本体上的数据采集装置对受试者进行生理参数信号进行采集，同时每隔一段时间后对受试者进行运动自觉量表评分，将运动自觉量表评分值作为疲劳程度的分类标签，根据其评分值范围将疲劳程度分为3类：轻度疲劳、中度疲劳和重度疲劳。

优选的是，所述特征提取具体包括：提取所述数据采集装置获得的心率数据、呼吸率数据、体温数据、血氧饱和度数据作为特征值；同时对所述数据采集装置采集的心电信号、呼吸信号、加速度信号、皮电信号和双通道脉搏波描记信号分别计算其信号均值、标准差、最大值与最小值的差值、一阶差分信号均值、一阶差分信号标准差，并也将其作为特征值。

优选的是，所述特征选择具体包括：以顺序前进法或顺序后退法或顺序浮动前进法对所述步骤2)提取的特征进行特征选择，去除冗余特征，得到优化特征。

优选的是，所述BP神经网络模型训练的具体步骤包括：

5-1)将所述步骤1)采集的实验数据分为训练集和测试集，利用训练集数据建立BP神经网络模型，并依据所述步骤1)中的方法对疲劳程度进行分类：

5-2)将由上述步骤3)得到的优化特征作为神经网络的输入层节点，将隐含层数设为1层，隐含层节点数设为S，且其中m为输入层节点数，n为输出层节点数，a为0-10之间的常数；输出层为疲劳程度的三组分类，其节点数n为3；

5-3)将训练集中的每个数据经输入层、隐含层计算处理后至输出层，若疲劳程度的预测误差低于设置的目标误差或未达到设定的迭代次数，则根据预测误差反向修正BP神经网络模型的参数，使BP神经网络模型对疲劳程度的预测值向期望值不断逼近，得到训练后的BP神经网络模型。

优选的是，所述模型测试与优化具体包括：利用所述步骤5-3)建立的BP神经网络模型对测试集数据进行识别率测试，若识别率低于80％则增加训练集数据对模型进行参数修改至识别率达到标准，以得到最终优化后的BP神经网络模型；

所述模型应用具体包括：利用所述步骤5-3)得到的最终优化后的BP神经网络模型对采集的数据进行疲劳程度分类，并得到分类结果；

所述评估结果输出具体包括：所述后台主机获取分类结果信息，并通过屏幕实时显示。

本发明的有益效果是：本发明的基于多生理参数的人体运动性疲劳监测系统，通过监测衣本体上的数据采集装置获得心率数据、呼吸率数据、体温数据、血氧饱和度数据等生理参数，再利用运动疲劳程度评估模块建立BP神经网络模型，评估人体运动后的疲劳程度，从而能实时了解人体疲劳程度，以便于及时采取措施消除疲劳，使身体各器官机能恢复到原有水平，不仅能防止机体疲劳过度，还有助于机体运动能力的不断提高。本发明监测结果可靠，使用方便，具有很好的市场应用前景。

附图说明

图1为本发明的基于多生理参数的人体运动性疲劳监测系统的监测衣本体的结构示意图；

图2为本发明的一种实施例中的数据采集装置与后台主机的原理框图；

图3为本发明的一种实施例中的运动疲劳程度评估的流程示意图。

附图标记说明：

1—监测衣本体；10—第一主机；11—第二主机；12—心电监测模块；13—心率监测模块；14—呼吸监测模块；15—加速度监测传感器；16—温度传感器；17—皮电传感器；18—血氧传感器。

具体实施方式

下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。

如图1-3所示，本实施例的一种基于多生理参数的人体运动性疲劳监测系统，包括：监测衣本体1、设置于监测衣本体1上的数据采集装置、后台主机及内嵌于后台主机中的运动疲劳程度评估模块；

数据采集装置包括第一主机10、第二主机11、心电监测模块12、心率监测模块13、呼吸监测模块14、加速度监测传感器15、温度传感器16、皮电传感器17和血氧传感器18。

第一主机10包括第一主控模块、第一蓝牙模块、第一电源模块和GPRS网络模块；第二主机11包括第二主控模块、第二蓝牙模块和第二电源模块；

心电监测模块12、心率监测模块13、呼吸监测模块14、温度传感器16和加速度监测传感器15均与第一主机10连接；皮电传感器17和血氧传感器18均与第二主机11连接；第一主机10与第二主机11通讯连接，第一主机10通过GPRS网络模块与后台主机通讯连接。

第一主机10和第二主机11通讯连接，并通过GPRS网络模块与后台主机通讯连接，将数据采集装置采集的数据传输到后台主机，通过运动疲劳程度评估模块进行运动疲劳程度评估，并评估结果，从而实时了解人体疲劳程度，以便于及时采取措施消除疲劳，使身体各器官机能恢复到原有水平，不仅能防止机体疲劳过度，还有助于机体运动能力的不断提高。

在一种实施例中，参照图2，后台主机连接有数据库，以存储数据，后台主机还与用户端通讯连接，以供用户实时或者监测结果。

心电监测模块12用于采集并获得心电信号；心率监测模块13根据心电R波间期或PPG信号峰值间期计算获取心率数据；呼吸监测模块14根据阻抗法通过测量胸部的阻抗变化从而得到呼吸信号，并计算获取呼吸率数据；加速度监测传感器15用于采集加速度信号；皮电传感器17采集腕部汗腺活动产生的皮电传导水平变化，获得腕部的皮电信号；温度传感器16用于采集人体腋下体温数据；血氧传感器18用于采集双通道脉搏波描记信号，并运用Lambert-Bear定律计算获取血氧饱和度数据。

在一种实施例中，心率监测模块13根据每10s心电平均RR间期T_R-R进行计算：HR＝60*1/T_R-R并将数值实时输出至后台主机。呼吸率监测模块根据每1分钟呼吸信号的峰值间隔时间T_P-P进行计算RR＝60*1/T_P-P，将其数值实时输出至显示单元。

运动疲劳程度评估模块用于根据数据采集装置获取的数据利用BP神经网络建立模型，评估人体运动后的疲劳程度，并将结果传输至后台主机，其具体步骤包括建立实验模型、模型应用和评估结果输出。

建立实验模型的具体步骤包括：

1)实验数据采集：

具体包括：令受试者穿上监测衣本体1在跑台上匀速跑步，利用监测衣本体1上的数据采集装置对受试者进行生理参数信号进行采集，同时每隔一段时间后对受试者进行运动自觉量表评分，将运动自觉量表评分值作为疲劳程度的分类标签，根据其评分值范围将疲劳程度分为3类：轻度疲劳、中度疲劳和重度疲劳。

2)特征提取：

具体包括：提取数据采集装置获得的心率数据、呼吸率数据、体温数据、血氧饱和度数据作为特征值；同时对数据采集装置采集的心电信号、呼吸信号、加速度信号、皮电信号和双通道脉搏波描记信号分别计算其信号均值、标准差、最大值与最小值的差值、一阶差分信号均值、一阶差分信号标准差，并也将其作为特征值。

3)特征选择：

具体包括：以顺序前进法或顺序后退法或顺序浮动前进法对步骤2)提取的特征进行特征选择，去除冗余特征，得到优化特征。

4)BP神经网络模型训练：

具体步骤包括：

5-1)将步骤1)采集的实验数据分为训练集和测试集，利用训练集数据建立BP神经网络模型，并依据步骤1)中的方法对疲劳程度进行分类：

5-2)将由上述步骤3)得到的优化特征作为神经网络的输入层节点，将隐含层数设为1层，隐含层节点数设为S，且其中m为输入层节点数，n为输出层节点数，a为0-10之间的常数；输出层为疲劳程度的三组分类，其节点数n为3；

5-3)将训练集中的每个数据经输入层、隐含层计算处理后至输出层，若疲劳程度的预测误差低于设置的目标误差或未达到设定的迭代次数，则根据预测误差反向修正BP神经网络模型的参数，使BP神经网络模型对疲劳程度的预测值向期望值不断逼近，得到训练后的BP神经网络模型。

5)模型测试与优化：

具体包括：利用步骤5-3)建立的BP神经网络模型对测试集数据进行识别率测试，若识别率低于80％则增加训练集数据对模型进行参数修改至识别率达到标准，以得到最终优化后的BP神经网络模型。

参照图3，给出了本发明的一种实施例中的运动疲劳程度评估的流程示意图。

模型应用具体包括：利用步骤5-3)得到的最终优化后的BP神经网络模型对采集的数据进行疲劳程度分类，并得到分类结果。

在一种实施例中，BP神经网络模型应用时，将监测衣本体1按上述的方法进行特征提取、特征选择后，利用BP神经网络模型进行疲劳程度分类，当识别率达到标准后，即将分类结果作为最终结果输出。

评估结果输出具体包括：后台主机获取分类结果信息，并通过屏幕实时显示。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。

Claims (10)

1.一种基于多生理参数的人体运动性疲劳监测系统，其特征在于，包括：监测衣本体、设置于所述监测衣本体上的数据采集装置、后台主机及内嵌于所述后台主机中的运动疲劳程度评估模块；

所述数据采集装置包括第一主机、第二主机、心电监测模块、心率监测模块、呼吸监测模块、加速度监测传感器、温度传感器、皮电传感器和血氧传感器。

2.根据权利要求1所述的基于多生理参数的人体运动性疲劳监测系统，其特征在于，所述第一主机包括第一主控模块、第一蓝牙模块、第一电源模块和GPRS网络模块；所述第二主机包括第二主控模块、第二蓝牙模块和第二电源模块；

所述心电监测模块、心率监测模块、呼吸监测模块、温度传感器和加速度监测传感器均与所述第一主机连接；所述皮电传感器和血氧传感器均与所述第二主机连接；所述第一主机与第二主机通讯连接，所述第一主机通过所述GPRS网络模块与所述后台主机通讯连接。

3.根据权利要求2所述的基于多生理参数的人体运动性疲劳监测系统，其特征在于，所述心电监测模块用于采集并获得心电信号；心率监测模块用于根据心电图信号获取心率数据；所述呼吸监测模块用于采集呼吸信号，并计算获取呼吸率数据；所述加速度监测传感器用于采集加速度信号；所述皮电传感器采集腕部的皮电信号；所述温度传感器用于采集人体腋下体温数据；所述血氧传感器用于采集双通道脉搏波描记信号，并计算获取血氧饱和度数据。

4.根据权利要求3所述的基于多生理参数的人体运动性疲劳监测系统，其特征在于，所述运动疲劳程度评估模块用于根据所述数据采集装置获取的数据利用BP神经网络建立模型，评估人体运动后的疲劳程度，其具体步骤包括建立实验模型、模型应用和评估结果输出。

5.根据权利要求4所述的基于多生理参数的人体运动性疲劳监测系统，其特征在于，所述建立实验模型的具体步骤包括：

1)实验数据采集；

2)特征提取；

3)特征选择；

4)BP神经网络模型训练；

5)模型测试与优化。

6.根据权利要求5所述的基于多生理参数的人体运动性疲劳监测系统，其特征在于，所述实验数据采集具体包括：令受试者穿上所述监测衣本体在跑台上匀速跑步，利用所述监测衣本体上的数据采集装置对受试者进行生理参数信号进行采集，同时每隔一段时间后对受试者进行运动自觉量表评分，将运动自觉量表评分值作为疲劳程度的分类标签，根据其评分值范围将疲劳程度分为3类：轻度疲劳、中度疲劳和重度疲劳。

7.根据权利要求6所述的基于多生理参数的人体运动性疲劳监测系统，其特征在于，所述特征提取具体包括：提取所述数据采集装置获得的心率数据、呼吸率数据、体温数据、血氧饱和度数据作为特征值；同时对所述数据采集装置采集的心电信号、呼吸信号、加速度信号、皮电信号和双通道脉搏波描记信号分别计算其信号均值、标准差、最大值与最小值的差值、一阶差分信号均值、一阶差分信号标准差，并也将其作为特征值。

8.根据权利要求7所述的基于多生理参数的人体运动性疲劳监测系统，其特征在于，所述特征选择具体包括：以顺序前进法或顺序后退法或顺序浮动前进法对所述步骤2)提取的特征进行特征选择，去除冗余特征，得到优化特征。

9.根据权利要求8所述的基于多生理参数的人体运动性疲劳监测系统，其特征在于，所述BP神经网络模型训练的具体步骤包括：

5-1)将所述步骤1)采集的实验数据分为训练集和测试集，利用训练集数据建立BP神经网络模型，并依据所述步骤1)中的方法对疲劳程度进行分类：

5-2)将由上述步骤3)得到的优化特征作为神经网络的输入层节点，将隐含层数设为1层，隐含层节点数设为S，且其中m为输入层节点数，n为输出层节点数，a为0-10之间的常数；输出层为疲劳程度的三组分类，其节点数n为3；

5-3)将训练集中的每个数据经输入层、隐含层计算处理后至输出层，若疲劳程度的预测误差低于设置的目标误差或未达到设定的迭代次数，则根据预测误差反向修正BP神经网络模型的参数，使BP神经网络模型对疲劳程度的预测值向期望值不断逼近，得到训练后的BP神经网络模型。

10.根据权利要求9所述的基于多生理参数的人体运动性疲劳监测系统，其特征在于，所述模型测试与优化具体包括：利用所述步骤5-3)建立的BP神经网络模型对测试集数据进行识别率测试，若识别率低于80％则增加训练集数据对模型进行参数修改至识别率达到标准，以得到最终优化后的BP神经网络模型；

所述模型应用具体包括：利用所述步骤5-3)得到的最终优化后的BP神经网络模型对采集的数据进行疲劳程度分类，并得到分类结果；

所述评估结果输出具体包括：所述后台主机获取分类结果信息，并通过屏幕实时显示。