CN112863681A - 一种多参数筛选预测最大摄氧量的方法 - Google Patents
一种多参数筛选预测最大摄氧量的方法 Download PDFInfo
- Publication number
- CN112863681A CN112863681A CN202110268339.XA CN202110268339A CN112863681A CN 112863681 A CN112863681 A CN 112863681A CN 202110268339 A CN202110268339 A CN 202110268339A CN 112863681 A CN112863681 A CN 112863681A
- Authority
- CN
- China
- Prior art keywords
- oxygen uptake
- model
- maximum oxygen
- parameters
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 82
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 82
- 239000001301 oxygen Substances 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012216 screening Methods 0.000 title claims abstract description 18
- 230000033001 locomotion Effects 0.000 claims abstract description 17
- 230000002612 cardiopulmonary effect Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims abstract description 14
- 230000002503 metabolic effect Effects 0.000 claims abstract description 12
- 239000007789 gas Substances 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000010219 correlation analysis Methods 0.000 claims abstract description 6
- 230000036541 health Effects 0.000 claims abstract description 5
- 230000000241 respiratory effect Effects 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000004217 heart function Effects 0.000 claims description 6
- 230000004199 lung function Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 238000012417 linear regression Methods 0.000 description 15
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 10
- 230000036284 oxygen consumption Effects 0.000 description 8
- 238000009423 ventilation Methods 0.000 description 7
- 230000037396 body weight Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 description 5
- 239000001569 carbon dioxide Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004899 motility Effects 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000036314 physical performance Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种多参数筛选预测最大摄氧量的方法。主要解决现有最大摄氧量预测模型存在的预测精度底的技术问题。本发明的技术方案是：其具体步骤为：1：对若干名受试者健康筛查后，测量身高等并通过BMI获取身体质量指数，然后录入系统；受试者连接心肺功能仪面罩及与之配套的红外心率采集装置和气体采集装置，采集22项呼吸气体代谢数据；2：提取非运动参数以及运动中最大摄氧量的21个运动参数，构建第一数据集；3：将第一数据集以最大摄氧量和其他各参数进行偏相关分析；4：使用R语言BayesFactor包构建贝叶斯因子回归模型；5：对最优模型进行模型性能评估；6：对原始数据进行线性拟合，对拟合结果排序，确定用于最大摄氧量模型的模型结构及性能。
Description
技术领域
本发明涉及一种多参数筛选预测最大摄氧量的方法。
背景技术
随着经济的发展，体育竞技水平的提高，运动员及教练越来越重视运动训练过程中心肺功能的指标，通过常规运动训练维持或提高心肺功能的方式日渐深入人心。心肺功能是指机体摄取氧气并将转化氧气成为能量的能力，最大摄氧量(VO2max)是指人体在极量运动时的最大摄氧能力，反应心肺摄入与利用氧气的最大值，被认为是真正评断机体心肺功能的主要单一指标、黄金标准。目前，越来越多的研究认为最大摄氧量可准确反映运动功能，该指标值的大小关系到机体氧气有效转换率的高低，最大摄氧量越高的个体一般运动能力也越好。因此，最大摄氧量得到了体育学界的广泛使用，用以监测专业运动员的体能。然而，如何高效、准确地获取最大摄氧量值一直是国内外科学家研究的热点。
综合最大摄氧量测量方法的相关研究发现：随着统计技术和计算机模型的发展，通过构建预测模型评估法作为间接测量最大摄氧量的方法之一，近年来得到了极大地发展和应用。但是，不同研究者对自变量的入选参数量不等、筛选步骤不同、标准不一等原因，导致构建的模型性能和普适范围也不尽相同。这是由于构建预测模型主要关键点在于数学模型的选择和自变量的选择。因此，用于最大摄氧量预测模型的自变量的选择是模型性能优劣的核心。
国内外大量文献显示，最大摄氧量预测模型变量选择多基于受试者个体的非运动特征参数(如年龄、性别、体重、身高、身体质量指数等)和运动特征参数(如心率、肺活量、运动负荷、运动成绩等)；现有相关其他模型还引入新变量，或考虑生理功能的关系，或结合问卷调查信息；研究构建模型中回归分析是使用最多的建模方法。但是，现有模型中多数模型考虑的变量相对较少，且入选变量的选择多具有主观性和易测性，缺乏对自变量和最大摄氧量(VO2max)间相关关系的分析，或变量筛选过程缺乏足够的理论支撑，且所选受试者不区分性别、年龄、工作等因素，用于构建预测模型的数据特征不明显等原因，导致不同的预测模型拟合优度各不相同，或同一模型用于其他受试群体时，预测精度表现也极不稳定，甚至大大降低。
发明内容
本发明的目的是解决上述现有技术存在的问题，提供一种多参数筛选预测最大摄氧量的方法。
为实现上述目的，本发明采用的技术方案是：
一种多参数筛选预测最大摄氧量的方法，其特征是，具体步骤为：
步骤1：对若干名受试者健康筛查后，测量身高和体重并通过BMI获取身体质量指数，然后录入Quark b2型运动心肺功能系统；受试者连接心肺功能仪面罩及与之配套的红外心率采集装置和气体采集装置，进行1min静息代谢气体数据观测；之后以起始负荷为零，以50W/3min负荷递增的方式在功率自行车运动到力竭，再零负荷蹬车2min后结束测试，全程由心肺功能仪每2秒钟自动记录一次数据，最终实现运动全过程中的22项呼吸气体代谢数据的采集；
步骤2：提取每一位受试者3项非运动参数以及运动全过程中最大摄氧量时间点对应的21个运动参数，并汇总所有受试者数据构建用于后续分析的第一数据集；
步骤3：将步骤2中的第一数据集以最大摄氧量和其他各参数进行偏相关分析，剔除所有与最大摄氧量不具有显著偏相关关系变量的影响后，度量与最大摄氧量显著偏相关的任意两变量间的相关性，精准的反应两个变量之间的内在联系，提取与最大摄氧量具有显著偏相关性的11个运动参数以及每一位受试者身高、体重及身体质量指数(BMI)一起合成第二数据集；偏相关关系的显著性统计量控制为p<0.05；
步骤4：基于步骤3中合成的第二数据集，使用R语言BayesFactor包构建贝叶斯因子回归模型，获得若干种模型组合；
步骤5：基于步骤4中所得的模型组合，筛选出性能最优的前四种模型，并对所选的4种最优模型进行模型性能评估；
步骤6：基于4种最优模型结构，对原始数据进行线性拟合，对拟合结果排序，确定用于最大摄氧量模型的模型结构及性能。
进一步地，所述模型组合共为65535种。
进一步地，所述模型性能评估的性能指标为拟合程度(R2)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)、赤池信息量准则(AIC)和贝叶斯信息准则(BIC)。
本发明的有益效果是：
贝叶斯线性回归是统计学领域中一个相对较新的领域，近年来在许多领域都备受欢迎。它是基于拉普拉斯先验得到稀疏解进而确定模型参数的后验分布，优先考虑理论上有用的参数值，可将超高维问题大大简化为低维问题，实现变量的筛选，且通过计算模型优劣的关键指标——贝叶斯因子值，将最优模型与任意复杂度的其它模型进行比较，平衡因过分强调数据的细节部分造成数据过度拟合，最终选择出不一定参数最复杂但却最合适的参数模型，以验证模型的合理性，从而解决了现有技术存在的上述问题。本发明采用贝叶斯回归模型探究最大摄氧量与各运动和非运动参数间的线性关系，有助于了解不同运动参数与非运动参数的不同组合，实现对最大摄氧量较高精度的预测。
附图说明
图1是本发明基于贝叶斯线性回归最优6种模型参数组合的相对效应图；
图2是本发明四种最大摄氧量(VO2max)多元线性回归模型的拟合性能比较。
具体实施方式
下面结合实施例对本发明作进一步的描述。
实施例1
本实施例中的一种多参数筛选预测最大摄氧量的方法，其特征是，具体步骤为：
步骤1：对若干名受试者健康筛查后，测量身高和体重获取身体质量指数(BMI)，然后录入Quark b2型运动心肺功能数据系统；受试者连接心肺功能仪面罩及与之配套的红外心率采集装置和气体采集装置，进行1min静息代谢气体数据观测；之后以起始负荷为零，以50W/3min负荷递增的方式在功率自行车运动到力竭，再零负荷蹬车2min后结束测试，全程由心肺功能仪每2秒钟自动记录一次数据，最终实现运动全过程中的22项呼吸气体代谢数据的采集；
步骤2：提取每一位受试者3项非运动参数以及运动全过程中最大摄氧量时间点对应的21个运动参数，并汇总所有受试者数据构建用于后续分析的第一数据集；
步骤3：将步骤2中的第一数据集以最大摄氧量和其他各参数进行偏相关分析，剔除所有与最大摄氧量不具有显著偏相关关系变量的影响后，度量与最大摄氧量显著偏相关的任意两变量间的相关性，精准的反应两个变量之间的内在联系，提取与最大摄氧量具有显著偏相关性的11个运动参数以及每一位受试者身高、体重及身体质量指数(BMI)一起合成第二数据集；偏相关关系的显著性统计量控制为p<0.05；
步骤4：基于步骤3中合成的第二数据集，使用R语言BayesFactor包构建贝叶斯因子回归模型，获得若干种模型组合；所述模型组合共为65535种。
步骤5：基于步骤4中所得的模型组合，筛选出性能最优的前四种模型，并对所选的4种最优模型进行模型性能评估；所述模型性能评估的性能指标为拟合程度(R2)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)、赤池信息量准则(AIC)和贝叶斯信息准则(BIC)。
步骤6：基于4种最优模型结构，对原始数据进行线性拟合，对拟合结果排序，确定用于最大摄氧量模型的模型结构及性能。
为进一步验证本发明方法，对某高校25名男性游泳运动员为研究对象，进行了多参数筛选预测最大摄氧量的评估。
第一步：对25名受试者健康筛查后，
通过Monark功率自行车(Monark 874E，瑞典)与意大利Quark b2型运动心肺功能系统采集4项非运动参数和22项运动参数：非运动性参数包括身高(Height)、体重(Weight)、身体质量指数(BMI)和心率(HR)；22项运动心肺功能参数包括每分钟通气量(VE，L/min)、潮气量(VT，L)、生理无效腔(VD，mL)、每分钟摄氧量(VO2，mL/min)、每分钟二氧化碳排出量(VCO2，mL/min)、呼吸熵(R＝VCO2/VO2)、心率(HR，bpm)、最大心率(HRmax，bpm)、相对摄氧量(VO2/Kg，mL/min/kg)、每搏氧耗量(VO2/HR，mL/bpm)、呼吸频率(Rf，b/min)、氧气呼出量(O2exp，mL)、二氧化碳呼出量(CO2exp，mL)、吸气时间(Ti，s)、呼气时间(Te，s)、呼吸时间(Ttot，s)、吸气时间占比(Ti/Ttot)、氧通气当量(VE/VO2)、二氧化碳通气当量(VE/VCO2)、呼出气体中氧气浓度(FeO2，％)、呼出气体中二氧化碳浓度(FeCO2，％)、代谢当量(METS)。
运动测试以起始负荷为零，以50W/3min负荷递增的方式在功率自行车运动到力竭，再零负荷蹬车2min后结束测试，全程由心肺功能仪每2秒钟自动记录一次数据，
第二步：提取每一位受试者3项非运动参数以及运动全过程中最大摄氧量时间点对应的21个运动参数，并汇总所有受试者数据构建用于后续分析的第一数据集；
第三步：将第二步中的第一数据集以最大摄氧量和其他各参数进行偏相关分析，
结果为：21项心肺功能参数与最大摄氧量偏相关分析显示：与有显著相关性的参数有11项，其中最大摄氧量(VO2max)与每分钟通气量(VE)、每分钟二氧化碳排出量(VCO2)、相对摄氧量(VO2/Kg)、每搏氧耗量(VO2/HR)、代谢当量(METS)呈极显著相关(p<0.001)，与呼吸频率(Rf)、潮气量(VT)、O2呼出量(O2exp)、吸气时间(Ti)、呼气时间(Te)、呼吸时间(Ttot)呈显著相关(p<0.05)，而且吸气时间(Ti)、呼气时间(Te)、呼吸时间(Ttot)与最大摄氧量(VO2max)呈负相关。该结果尚未发现最大摄氧量(VO2max)与心率(HR)和最大心率(HRmax)的显著相关性(pHR＝0.085，pHRmax＝0.094)。具体分析结果见表1。
表1心肺功能21项参数与最大摄氧量(VO2max)偏相关分析结果
*p<0.05,**p<0.01,***p<0.001
提取与最大摄氧量具有显著偏相关性的变量以及每一位受试者身高、体重及BMI一起合成第二数据集。
第四步：使用R语言BayesFactor包构建贝叶斯因子回归模型：基于与最大摄氧量(VO2max)显著偏相关的11项运动性指标和4种非运动性指标构建贝叶斯线性回归模型，获得共计65535种参数组合(parameter combinations)；通过计算贝叶斯因子效应值(bfeffects)(各参数组合下贝叶斯因子值与最大贝叶斯因子值的比率)来评估各参数组合的优劣。贝叶斯因子效应值介于0～1之间，越接近1代表该参数组合模型与最优组合模型差异越小。提取的前6种最优参数模型组合如图1所示。其中：
最优参数组合贝叶斯模型一：VO2/HR+METS+Weight
贝叶斯模型二：VO2/Kg+VO2/HR+Weight
贝叶斯模型三：VE+VO2/HR+METS+Weight
贝叶斯模型四：VE+VO2/Kg+VO2/HR+Weight
上述4种贝叶斯模型的相对最优贝叶斯因子效应分别值为1.00、0.9962、0.8108和0.8081(图1)，而第5种和第6种参数组合的相对最优贝叶斯因子效应值仅为0.1711和0.1705(图1)。选择前四种最优参数组合，这四种组合共包含了每搏氧耗量(VO2/HR)、代谢当量(METS)、体重(Weight)、相对摄氧量(VO2/Kg)、每分钟通气量(VE)五个参数，且每种组合均包含参数每搏氧耗量(VO2/HR)和体重(Weight)。
第五步：4种最优模型的性能评估：利用多元线性回归分析法分别线性拟合最大摄氧量(VO2max)，四种模型结构及参数如表2所示。各模型参数的统计学检验均揭示4种多元线性回归模型系数均具有显著性(p<0.05)，除了模型Bayes 3rd和模型Bayes 4th中参数VE的回归系数显著性最低(p<0.05)，其余各模型参数的回归系数均具有极显著意义(p<0.001)。多元线性回归模型相对较高的拟合程度(R2)仍然验证了贝叶斯线性回归所获取的参数组合的有效性。相对于多元线性回归模型的构建和验证的繁杂性，这一结果揭示了贝叶斯线性回归对线性模型参数的筛选更具有合理性、便捷性和有效性。
表2四种最大摄氧量(VO2max)多元线性回归模型结构
四种最大摄氧量(VO2max)多元线性回归模型分别为：
贝叶斯模型一：
最大摄氧量＝－2106.070+28.640×体重+54.610×每搏氧耗量+177.590×代谢当量
贝叶斯模型二：
最大摄氧量＝－2106.120+28.650×体重+54.610×每搏氧耗量+50.740×相对摄氧量贝叶斯模型三：
最大摄氧量＝－1656.261+21.915×体重+63.628×每搏氧耗量+141.724×代谢当量+3.401×每分钟通气量
贝叶斯模型四：
最大摄氧量＝－1656.203+21.914×体重+63.636×每搏氧耗量+40.489×相对摄氧量+3.402×每分钟通气量
这四种多元线性回归模型的性能比较见表3。这些指标均揭示了这四种模型具有相对较高的可靠性能。模型性能指标均方根误差(RMSE)、平均绝对百分比误差(MAPE)、赤池信息量准则(AIC)和贝叶斯信息准则(BIC)均揭示了模型贝叶斯模型三(Bayes 3rd)和贝叶斯模型四(Bayes 4th)具有相对更高的模型性能，即模型性能优劣为Bayes 3rd>Bayes 4th>Bayes best>Bayes 2nd。
表3四种最大摄氧量(VO2max)多元线性回归模型的性能参数比较
第六步：对4种最大摄氧量(VO2max)多元线性回归模型最大摄氧量(VO2max)模拟值与实测值进行拟合，如图2所示，横坐标为运动中最大摄氧量(VO2max)的实测值，纵坐标为最大摄氧量的回归模拟值，数据的分布情况见图中边缘分布图。对四个模型实测值和模拟值的拟合及相关性检验揭示最大摄氧量(VO2max)的多元线性回归拟合值与其实测值均无显著性差异(p<0.001，rpearson>0.99)；其中，模型Bayes 3rd和模型Bayes 4th相对较优，相关系数r均大于0.995,其95％CI均为[0.989，0.998]，而贝叶斯模型一(Bayes best)和贝叶斯模型二(Bayes 2nd)的相关系数r稍小于模型贝叶斯模型三(Bayes 3rd)贝叶斯模型四(Bayes 4th)，其95％置信区间均为[0.985，0.997]。故确定模型Bayes 3rd和模型Bayes 4th为用于最大摄氧量模型的模型结构。
Claims (3)
1.一种多参数筛选预测最大摄氧量的方法，其特征是，具体步骤为：
步骤1：对若干名受试者健康筛查后，测量身高和体重并通过BMI获取身体质量指数，然后录入Quark b2型运动心肺功能系统；受试者连接心肺功能仪面罩及与之配套的红外心率采集装置和气体采集装置，进行1min静息代谢气体数据观测；之后以起始负荷为零，以50W/3min负荷递增的方式在功率自行车运动到力竭，再零负荷蹬车2min后结束测试，全程由心肺功能仪每2秒钟自动记录一次数据，最终实现运动全过程中的22项呼吸气体代谢数据的采集；
步骤2：提取每一位受试者3项非运动参数以及运动全过程中最大摄氧量时间点对应的21个运动参数，并汇总所有受试者数据构建用于后续分析的第一数据集；
步骤3：将步骤2中的第一数据集以最大摄氧量和其他各参数进行偏相关分析，剔除所有与最大摄氧量不具有显著偏相关关系变量的影响后，度量与最大摄氧量显著偏相关的任意两变量间的相关性，精准的反应两个变量之间的内在联系，提取与最大摄氧量具有显著偏相关性的11个运动参数以及每一位受试者身高、体重及身体质量指数一起合成第二数据集；偏相关关系的显著性统计量控制为p<0.05；
步骤4：基于步骤3中合成的第二数据集，使用R语言BayesFactor包构建贝叶斯因子回归模型，获得若干种模型组合；
步骤5：基于步骤4中所得的模型组合，筛选出性能最优的前四种模型，并对所选的4种最优模型进行模型性能评估；
步骤6：基于4种最优模型结构，对原始数据进行线性拟合，对拟合结果排序，确定用于最大摄氧量模型的模型结构及性能。
2.根据权利要求1所述的一种多参数筛选预测最大摄氧量的方法，其特征是：所述模型组合共为65535种。
3.根据权利要求1或2所述的一种多参数筛选预测最大摄氧量的方法，其特征是：所述模型性能评估的性能指标为拟合程度(R2)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)、赤池信息量准则(AIC)和贝叶斯信息准则(BIC)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110268339.XA CN112863681A (zh) | 2021-03-12 | 2021-03-12 | 一种多参数筛选预测最大摄氧量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110268339.XA CN112863681A (zh) | 2021-03-12 | 2021-03-12 | 一种多参数筛选预测最大摄氧量的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112863681A true CN112863681A (zh) | 2021-05-28 |
Family
ID=75995184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110268339.XA Pending CN112863681A (zh) | 2021-03-12 | 2021-03-12 | 一种多参数筛选预测最大摄氧量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112863681A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115120191A (zh) * | 2022-04-14 | 2022-09-30 | 广东小天才科技有限公司 | 体质水平估计方法、装置、可穿戴设备及存储介质 |
| CN117198517A (zh) * | 2023-06-27 | 2023-12-08 | 安徽省立医院(中国科学技术大学附属第一医院) | 基于机器学习的运动反应性评估和预测模型的建模方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107291656A (zh) * | 2016-04-06 | 2017-10-24 | 奥美之路(北京)健康科技股份有限公司 | 一种心肺功能的运动测试方案和计算方法 |
-
2021
- 2021-03-12 CN CN202110268339.XA patent/CN112863681A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107291656A (zh) * | 2016-04-06 | 2017-10-24 | 奥美之路(北京)健康科技股份有限公司 | 一种心肺功能的运动测试方案和计算方法 |
Non-Patent Citations (2)
| Title |
|---|
| 付海霞: "递增负荷运动下摄氧量与心肺功能的关联性研究", 硕士电子期刊, vol. 2021, no. 1, pages 1 * |
| 王念辉;洪平;苏中军;: "基于身高、体重及肺活量的大学一年级男生最大摄氧量推算方法研究", 中国运动医学杂志, no. 03 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115120191A (zh) * | 2022-04-14 | 2022-09-30 | 广东小天才科技有限公司 | 体质水平估计方法、装置、可穿戴设备及存储介质 |
| CN117198517A (zh) * | 2023-06-27 | 2023-12-08 | 安徽省立医院(中国科学技术大学附属第一医院) | 基于机器学习的运动反应性评估和预测模型的建模方法 |
| CN117198517B (zh) * | 2023-06-27 | 2024-04-30 | 安徽省立医院(中国科学技术大学附属第一医院) | 基于机器学习的运动反应性评估和预测模型的建模方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Casaburi et al. | Mediation of reduced ventilatory response to exercise after endurance training | |
| Maud et al. | Physiological assessment of human fitness | |
| Cahalin et al. | The relationship of the 6-min walk test to maximal oxygen consumption in transplant candidates with end-stage lung disease | |
| CN112863681A (zh) | 一种多参数筛选预测最大摄氧量的方法 | |
| CN107291656A (zh) | 一种心肺功能的运动测试方案和计算方法 | |
| Rowland et al. | Development of ventilatory responses to exercise in normal white children: a longitudinal study | |
| CN106295805A (zh) | 基于bp神经网络的人体最大摄氧量评价方法及其应用 | |
| CN111261300A (zh) | 肺功能参数正常预计值的获取方法 | |
| CN109875544B (zh) | 用于运动员精准选材的心脏机能评定方法 | |
| CN110353692B (zh) | 基于生物信号的体能、疲劳、恢复能力的评测系统及方法 | |
| CN116451110A (zh) | 基于信号能量特征和脉搏周期的血糖预测模型构建方法 | |
| CN112582067A (zh) | 基于大数据的年龄估计模型训练、年龄估计方法和装置 | |
| CN1275179C (zh) | 人体亚健康状态的计算机评测方法 | |
| CN109350069A (zh) | 一种通过负荷心率推算青少年日常活动摄氧量和运动强度的方法 | |
| CN116763289A (zh) | 基于单一呼出气体的能量代谢评估方法及系统 | |
| Kolumbet et al. | Peculiarities of cyclists' respiratory adaptation to strenuous muscular activity in different training periods | |
| Heigenhauser et al. | Estimation of cardiac output by the CO2 rebreathing method during tethered swimming | |
| CN112043251B (zh) | 动静态切换下的心肺功能评估方法、装置、设备、存储介质及系统 | |
| CN114533048A (zh) | 一种基于可穿戴加速度传感器的身体活动强度分级算法 | |
| Adams | Relationship and possible causal effect of selected variables to treadmill endurance running performance | |
| CN113221012A (zh) | 一种基于群体画像的社区健身活动推荐方法 | |
| CN117877748B (zh) | 一种多参数心肺功能测试设备及其数据处理方法 | |
| Abut et al. | Performance comparison of different machine learning methods for prediction of maximal oxygen uptake from submaximal data | |
| Wei et al. | Influence of Outdoor Volleyball on Human Cardiopulmonary Function in Haze Environment | |
| CN117883076B (zh) | 一种基于大数据的人体运动能量消耗监测系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210528 |