CN113080986A - 一种基于可穿戴设备的运动性疲劳检测方法和系统 - Google Patents

一种基于可穿戴设备的运动性疲劳检测方法和系统 Download PDF

Info

Publication number
CN113080986A
CN113080986A CN202110495396.1A CN202110495396A CN113080986A CN 113080986 A CN113080986 A CN 113080986A CN 202110495396 A CN202110495396 A CN 202110495396A CN 113080986 A CN113080986 A CN 113080986A
Authority
CN
China
Prior art keywords
fatigue
heart rate
features
rate variability
feature
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.)
Granted
Application number
CN202110495396.1A
Other languages
English (en)
Other versions
CN113080986B (zh
Inventor
孙方敏
李烨
倪志强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202110495396.1A priority Critical patent/CN113080986B/zh
Publication of CN113080986A publication Critical patent/CN113080986A/zh
Application granted granted Critical
Publication of CN113080986B publication Critical patent/CN113080986B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Abstract

本发明公开了一种基于可穿戴设备的运动性疲劳检测方法和系统。该方法包括：对于利用可穿戴设备采集的运动过程中的心电信号，提取R波并计算RR间期序列；对所述RR间期序列进行心率变异性分析，提取心率变异性时域特征、心率变异性频域特征、心率变异性时频域特征以及心率变异性非线性特征；根据特征与疲劳状态之间的独立性、相关程度、重要性程度和冗余性中的一项或多项筛选出优化特征集；利用所述优化特征集构建训练集，并训练分类器，获得用于检测疲劳状态的分类模型，其中所述训练集的每条样本反映一组优化特征与疲劳状态等级之间的对应关系。利用本发明能够提高运动性疲劳检测的效率和准确性。

Description

一种基于可穿戴设备的运动性疲劳检测方法和系统
技术领域
本发明涉及计算机科学技术领域，更具体地，涉及一种基于可穿戴设备的运动性疲劳检测方法和系统。
背景技术
随着人民健康意识的增强，越来越多的人开始关注和设法应对亚健康状态。近年来兴起的马拉松、户外徒步、骑行、瑜伽等有氧运动，源于民众对健康的越来越重视。科学合理的运动对人体健康有很多益处，包括减小患抑郁风险，提高睡眠质量，提高免疫力，改善心血管健康，降低肥胖，以及减少其它与生活方式有关的危险因素的发生等。然而，不当运动不但对健康不利而且可能会对人体造成伤害。科学合理的运动包括科学的运动时间、运动频率、运动强度及运动动作，其中个体疲劳状态的准确检测是制定科学合理的运动时间、运动频率和运动强度的基础，可以避免过度疲劳机体损伤并且保证运动效果。
运动性疲劳是指身体的生理过程无法在一定程度上持续当前运动或维持特定的运动强度。因此，运动性疲劳实质上是身体的一种自我保护机制，通过疲劳的感受向大脑传达身体需要休息的信号，提醒运动人员降低或暂停运动，避免人体长期处于疲劳状态或进入过度疲劳状态而造成损伤。适量的运动性疲劳有利于身体素质的提高，但长期疲劳或过度疲劳会对身体造成损伤。由于疲劳是个体的一种主观感受，具有主观性、个体差异性、时变性等特点，对运动性疲劳的客观、量化评估仍然是运动科学、康复科学等领域的关键问题。
目前运动性疲劳常用的检测方法有疲劳检测主观量表法、生理生化(如血乳酸等)指标检测法等，但是这些评价方法都有各自的缺点，其中主观量表法受主观因素影响大，疲劳检测准确度低。而生理生化指标测定法操作复杂、有创伤，不易被用户接受。因此，有效的无创检测方法已成为运动性疲劳检测中的重要研究方向。
在现有技术中，专利申请CN202010660308.4提出了基于贝叶斯最优化XGBoost算法的疲劳预测方法，该方法借助多种相关生理指标(心率、血氧饱和度、血压等)使用贝叶斯最优化的XGBoost算法实现了对测试者疲劳值的预测。然而该方法将采集的生理指标直接输入到模型，没有进行特征提取，也没有对这些指标进行筛选，疲劳度预测准确率低，且可解释性弱。专利申请CN202010401609.5通过计算测试者长时间运动负荷平均值与最近连续多天运动负荷平均值的差值，将疲劳度自定义为若干不同的疲劳等级，该方法过于简单，缺少科学性，疲劳检测效果较差。专利申请CN201810329785.5提出了基于多生理参数的运动性疲劳监测方法，使用采集到的生理信号作为特征，建立了基于BP神经网络的疲劳预测模型。该方法提取的特征比较单一，仅在时域上提取了均值、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等特征，并未考虑到频域和非线性域上的特征。
综上所述，现有的运动性疲劳检测方法都比较简单，没有全面地提取疲劳相关特征，也没有考虑输入特征与疲劳状态的相关性，疲劳检测准确率有待提高。
发明内容
本发明的目的是克服上述现有技术的缺陷，提供一种基于可穿戴设备的运动性疲劳检测方法和系统，通过多角度的特征提取，并结合逐层次的特征筛选，提高了运动性疲劳检测的效率和准确性。
根据本发明的第一方面，提供了一种基于可穿戴设备的运动性疲劳检测方法。该方法包括以下步骤：
对于利用可穿戴设备采集的运动过程中的心电信号，提取R波并计算RR间期序列；
对所述RR间期序列进行心率变异性分析，提取心率变异性时域特征、心率变异性频域特征、心率变异性时频域特征以及心率变异性非线性特征；
根据特征与疲劳状态之间的独立性、相关程度、重要性程度和冗余性中的一项或多项筛选出优化特征集；
利用所述优化特征集构建训练集，并训练分类器，获得用于检测疲劳状态的分类模型，其中所述训练集的每条样本反映一组优化特征与疲劳状态等级之间的对应关系。
根据本发明的第二方面，提供一种基于可穿戴设备的运动性疲劳检测系统。该系统包括：
数据集获取单元：用于对利用可穿戴设备采集的运动过程中的心电信号，提取R波并计算RR间期序列；
特征提取单元：用于对所述RR间期序列进行心率变异性分析，提取心率变异性时域特征、心率变异性频域特征、心率变异性时频域特征以及心率变异性非线性特征；
特征筛选单元：用于根据特征与疲劳状态之间的独立性、相关程度、重要性程度和冗余性中的一项或多项筛选出优化特征集；
分类预测单元：用于利用所述优化特征集构建训练集，并训练分类器，获得用于检测疲劳状态的分类模型，其中所述训练集的每条样本反映一组优化特征与疲劳状态等级之间的对应关系。
与现有技术相比，本发明的优点在于，通过对可穿戴心电设备采集的心电信号进行心率变异性分析，提取心率变异性在时域、频域、时频域和非线性域上的各种特征，并通过多层特征筛选方法挖掘与运动性疲劳状态具有相关性的可穿戴生理特征，利用机器学习分类算法建立疲劳程度分类器，提高了对运动性疲劳检测的准确率。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是根据本发明一个实施例的基于可穿戴设备的运动性疲劳检测方法流程图；
图2是根据本发明一个实施例的心率变异性特征提取流程图；
图3是根据本发明一个实施例的特征变量与疲劳状态的卡方独立性检验示意图；
图4是根据本发明一个实施例的特征变量与疲劳状态的最大互信息系数示意图；
图5是根据本发明一个实施例的基于LightGBM改进的GBDT的特征重要性评估结果示意图；
图6是根据本发明一个实施例的Pearson相关系数绝对值大于0.99的特征的示意图；
图7是根据本发明一个实施例的疲劳实验数据采集现场示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明旨在基于可穿戴心电设备连续采集的心电信号，提出一种有效的运动性疲劳量化评估方法，为精准、可靠的运动性疲劳检测提供无创式、可穿戴的解决方案。
简言之，本发明基于可穿戴心电设备采集到的运动过程中的心电信号，提取心率变异性在时域、频域、非线性域上的特征，进而通过多层次的特征筛选选出与运动性疲劳相关性强的独立特征，并利用筛选出的疲劳特征建立基于机器学习的疲劳状态分类模型，实现疲劳程度的检测。所述心率变异性指的是连续心动周期之间的微小的时间变异常数，它可以反映自主神经系统活性，定量评估心脏交感神经与迷走神经张力及其平衡性。研究表明，心率变异性在疲劳检测中起着重要的作用。
具体地，参见图1所示，所提供的基于可穿戴设备的运动性疲劳检测方法包括以下步骤。
步骤S1，采集运动过程中的心电信号，提取RR间期序列。
首先，对基于可穿戴设备采集的运动过程中的心电信号使用QRS波检测方法提取R波并计算RR间期(即两个R波之间的时限)；然后对得到的RR间期序列使用滑动窗口的方法进行数据增强，考虑到部分心率变异性指标的计算需要至少5分钟的RR间期数据，优选地，设置窗口大小为300秒，训练数据集滑动窗口的滑动步长设置为60秒(即训练数据集样本之间有240秒的数据重合)。测试数据集窗口大小设置为300秒，滑动窗口步长为300秒(即测试数据集样本之间没有数据重合)。此外，由于RR间期序列的不均匀性，每个样本的数据个数可能不相等。
通过使用滑动窗口在训练数据集上做数据分割，实现了扩充样本数目的效果，可以提高后续疲劳检测的准确率。
步骤S2，提取心率变异性特征，获得多方面的特征。
参见图2所示，对RR间期序列进行心率变异性分析，包括异常间期检测，异常间期修正和消除低频趋势等过程，最终得到所有的心率变异性指标。例如，异常间期检测选择中值过滤法，异常间期修正选择直接移除法，消除低频趋势选择离散小波变换法。时域分析方法选择Welch法、Burg法和Lomb-Scargle法；时频域分析方法选择加窗的Burg法、加窗Lomb-Scargle法和连续小波变换；非线性分析方法选择样本熵、Poincaré散点图和消除波动趋势法。
参见下表1，经过心率变异性分析，得到心率变异性(HRV)时域特征10个，频域和时频特征各39个(由于频域和时频域分析都采用了3种方法)，非线性特征7个，共95个特征。
表1所有心率变异性特征示例
Figure BDA0003054050930000061
步骤S3，根据特征与疲劳状态是否相关、相关程度、重要性程度和冗余性筛选心率变异性特征，获得优化特征集。
在一个实施例中，根据以下步骤进行特征筛选：
步骤S31，利用卡方检验排除非相关特征
首先，利用卡方检验的统计学方法排除其中与疲劳状态无关的特征指标。例如，对所有特征求四分位数，并按四分位数区间将其离散为0-3这四个数字。然后做出原假设H0：特征与疲劳状态相互独立，并将所有特征变量逐一与疲劳状态变量进行卡方检验，对于其中结果P值大于0.01接受原假设(即该特征与疲劳状态独立)的特征，将其去除，得到剩下与疲劳状态相关的特征。卡方值的计算公式为：
Figure BDA0003054050930000071
其中，Ai是实际频数，Ti是对应的理论频数。卡方值越大则说明实际频数和理论频数差距越大，即两个变量越有可能存在相关性。
结果如图3所示，P值大于0.01接受原假设(即该特征与疲劳状态独立)的特征有两个：FDAR.peakLF和FDAR.peakVLF，而其余的特征全部都小于0.01拒绝原假设(即该特征与疲劳状态不独立)。最后将这两个特征删除后剩下50个特征，用于下一步的特征选择。
步骤S32，基于最大信息系数排除弱相关特征
例如，通过最大信息系数方法删除其中与疲劳状态相关性小的特征。计算各种特征与疲劳状态的最大信息系数来定义它们之间的相关性，删除小于最大信息系数0.1的弱相关特征。
在计算最大信息系数之前，首先需要计算互信息，互信息定义为
Figure BDA0003054050930000072
其中p(x)，p(y)是边缘概率密度分布，p(x，y)是X和Y的联合概率密度分布。
接着，将两个随机变量画成散点图，并将X的值域分成m段，Y的值域分成n段，得到m×n的网格且m×n＜B＝data_size0.6。这样分割数据点的网格有很多种，需要求出每种网格中最大的互信息值。最后将互信息的值归一化到[0,1]，即：
Figure BDA0003054050930000073
最大信息系数(或称最大互信息系数)的值越大，表明该特征与疲劳状态的相关性越强，则该特征越倾向于被保留；最大信息系数的值越小，表明该特征与疲劳状态的相关性越弱，则该特征越倾向于被删除。
图4展示了计算好的各个特征与疲劳状态的最大互信息系数，结果表明MIC小于0.1的弱相关特征有20个，删除后剩下30个相关性较强的特征。
步骤S33，利用LightGBM中的梯度提升决策树模型删除对重要性贡献小的特征。
借助LightGBM中的梯度提升决策树模型删除对重要性贡献小的特征。首先采用基于LightGBM改进的梯度提升决策树模型评估剩下特征的重要性，并按着重要性的大小对特征进行降序排序，然后依次取出特征计算归一化后的重要性累加和，找出其中对于重要性累计到0.99没有贡献的特征并删除。
图5(a)是各个特征在GBDT分类器模型中的重要性，图5(b)则展示了归一化后的重要性随特征个数增加的累加和，其中SD1特征对于重要性累计到0.99没有贡献，因此将其视为非必需特征，并从特征集中删除，特征维数降为29。
步骤S34，通过皮尔逊相关系数法排除冗余的特征。
例如，计算剩下所有特征之间的皮尔逊相关系数，公式如下：
Figure BDA0003054050930000081
两个特征相关系数的绝对值越大，则表明两个特征之间的可替代性越强，冗余性越强；绝对值越小，则表明两个特征之间的不可替代性越强，冗余性越弱。例如，阈值设为0.99，与其它特征之间皮尔逊(Pearson)相关系数绝对值超出阈值则视为冗余特征被去除，最终得到用于建模的最优特征集。
如图6所示，共有六项特征超出阈值，分别是FDWelch.aLF、TFAR.aVLF、TFAR.aHF、TFWavelet.aVLF、TFWavelet.aLF和TFWavelet.aHF，将其作为冗余特征删除，剩下23个特征参见表2，这些特征组成用于下一步建模工作的最优特征集。
表2特征选择后的最优特征集
Figure BDA0003054050930000082
Figure BDA0003054050930000091
该步骤S3中，通过多层次心率变异性特征选择，首先采用卡方检验评估了各种心率变异性特征与疲劳状态的关联性，删除了其中与疲劳状态相互独立的特征；接着利用最大信息系数和LightGBM中的梯度提升决策树模型确定了剩下的特征在疲劳状态检测中的重要性，并从中挑选出重要性强的特征；然后使用皮尔逊相关系数去除了其中冗余特征，剩下特征组成最优特征集，完成了对心率变异性特征的筛选工作。通过这种方式，能有效排除对疲劳检测结果作用不大的特征，从而提高预测效率并保证了预测准确性。
步骤S4，利用优化特征集构建训练集和测试集，训练分类器。
利用筛选出的特征构建训练集和测试集。训练集的每条样本反映一组优化特征与疲劳状态等级之间的对应关系，等级数量可根据实际需要设置，例如包括轻度疲劳、中度疲劳和重度疲劳等。
以样本中的心率变异性特征作为模型的输入，以疲劳状态等级作为输出，使用逻辑回归、支持向量机、K近邻、LightGBM等机器学习分类算法建立分类器进行训练，完成对心率变异性特征的疲劳状态分类，分类结果表示疲劳状态程度。训练效果可进一步利用测试集评估。
步骤S5，利用经训练的分类器，实现对心率变异性特征的疲劳状态分类。
在实际应用中，利用可穿戴设备实时采集运动过程中的心电信号使用QRS波检测方法提取R波并计算RR间期；提取心率变异性特征，获得多方面的特征；进行特征筛选，获得最优特征集输入到训练好的分类器，即可获得运动疲劳程度。特征提取和特征筛选等过程与训练过程类似，在此不再赘述。
相应地，本发明还提供一种基于可穿戴设备的运动性疲劳检测方法和系统，用于实现上述方法的一个方面或多个方面。例如，该系统包括：数据集获取单元，其用于对利用可穿戴设备采集的运动过程中的心电信号，提取R波并计算RR间期序列；特征提取单元，其用于对所述RR间期序列进行心率变异性分析，提取心率变异性时域特征、心率变异性频域特征、心率变异性时频域特征以及心率变异性非线性特征；特征筛选单元，其用于根据特征与疲劳状态之间的独立性、相关程度、重要性程度和冗余性中的一项或多项筛选出优化特征集；分类预测单元，其用于利用所述优化特征集构建训练集，并训练分类器，获得用于检测疲劳状态的分类模型，其中所述训练集的每条样本反映一组优化特征与疲劳状态等级之间的对应关系。
为进一步验证本发明的效果，进行了实验验证。实验招募了55名身体健康的具有运动能力的受试者，其中29名男性，26名女性，年龄在23-43岁之间。每名受试者进行2-3次实验，总共55次实验数据。测试数据采集平台如图7所示，受试者佩戴运动心率带，在跑台上进行递增负荷运动测试，当受试者心率达到最大心率(最大心率值由受试者的性别、年龄等参数计算出)或当受试者感觉极度疲劳或身体不适时，停止跑台测试。在测试过程中，使用运动心率带对受试者进行心电信号进行采集，同时每隔一段时间通过询问受试者主观感受填写主观疲劳量表，将主观疲劳量表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。
实验采用十折交叉验证法，将55次数据集分成十份，轮流将其中9份作为训练数据，1份作为测试数据，迭代进行10轮测试。分类器算法选用逻辑回归、支持向量机、K近邻、LightGBM等机器学习分类算法，将训练集导入各个不同的分类器中，得到训练识别模型，再将测试集导入到该识别模型中进行预测识别，从而得到分类结果。
经验证，在特征选择的基础上，所设计的基于LightGBM的疲劳程度评估方法，平均准确率达到83％。结果如表3。
表3分类结果
Figure BDA0003054050930000101
Figure BDA0003054050930000111
综上所述，与现有技术相比，本发明只需采集心电信号便可以实现疲劳检测，无需采集血氧饱和度、血压、呼吸率等其他生理参数，简化了数据采集流程；使用滑动窗口的数据增强方法，提高了模型的泛化能力，并提升了模型的鲁棒性；采用了心率变异性指标作为疲劳检测的特征，更有效地表征疲劳状态的信息，并且提取的特征更全面，包括时域、频域、时频域和非线性域等四个方面的特征；在特征选择上，使用了逐层特征选择方法删除对模型贡献不大的特征，得到最优特征集，从而有效地增加模型的泛化能力，提高了疲劳检测的准确率。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++、Python等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种基于可穿戴设备的运动性疲劳检测方法，包括以下步骤：
对于利用可穿戴设备采集的运动过程中的心电信号，提取R波并计算RR间期序列；
对所述RR间期序列进行心率变异性分析，提取心率变异性时域特征、心率变异性频域特征、心率变异性时频域特征以及心率变异性非线性特征；
根据特征与疲劳状态之间的独立性、相关程度、重要性程度和冗余性中的一项或多项筛选出优化特征集；
利用所述优化特征集构建训练集，并训练分类器，获得用于检测疲劳状态的分类模型，其中所述训练集的每条样本反映一组优化特征与疲劳状态等级之间的对应关系。
2.根据权利要求1所述的方法，其中，在构建所述训练集过程中，对得到的RR间期序列使用滑动窗口进行数据增强，设置窗口大小为300秒，训练集滑动窗口的滑动步长设置为60秒，并将测试集窗口大小设置为300秒，测试集滑动窗口的滑动窗口步长设置为300秒。
3.根据权利要求1所述的方法，其中，当根据特征与疲劳状态之间的独立性进行特征筛选时，执行以下步骤：
对各特征求四分位数，并按四分位数区间离散为0-3四个数字；
将特征与疲劳状态相互独立作为原假设H0，并将所有特征变量逐一与疲劳状态变量进行卡方检验，排除结果P值大于设定阈值的特征，进而得到与疲劳状态相关的特征。
4.根据权利要求1所述的方法，其中，根据特征与疲劳状态之间的相关程度进行特征筛选时，执行以下步骤：
计算特征之间的互信息；
将互信息的值归一化到[0,1]范围，获得各特征与疲劳状态的最大互信息系数MIC；
将MIC小于设定阈值的特征作为弱相关特征删除。
5.根据权利要求1所述的方法，其中，当根据特征与疲劳状态之间的重要性程度进行特征筛选时，执行以下步骤：
采用LightGBM中的梯度提升决策树模型评估各特征的重要性，并按重要性程度进行降序排序；
依次取出特征计算归一化后的重要性累加，找出对于重要性累计到0.99没有贡献的特征并删除。
6.根据权利要求1所述的方法，其中，当根据特征与疲劳状态之间的冗余性进行特征筛选时，通过皮尔逊相关系数法对特征做冗余性分析，排除冗余的特征。
7.根据权利要求1所述的方法，所述分类器包括逻辑回归、支持向量机、K近邻或LightGBM。
8.一种基于可穿戴设备的运动性疲劳检测系统，包括：
数据集获取单元：用于对利用可穿戴设备采集的运动过程中的心电信号，提取R波并计算RR间期序列；
特征提取单元：用于对所述RR间期序列进行心率变异性分析，提取心率变异性时域特征、心率变异性频域特征、心率变异性时频域特征以及心率变异性非线性特征；
特征筛选单元：用于根据特征与疲劳状态之间的独立性、相关程度、重要性程度和冗余性中的一项或多项筛选出优化特征集；
分类预测单元：用于利用所述优化特征集构建训练集，并训练分类器，获得用于检测疲劳状态的分类模型，其中所述训练集的每条样本反映一组优化特征与疲劳状态等级之间的对应关系。
9.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述的方法的步骤。
CN202110495396.1A 2021-05-07 2021-05-07 一种基于可穿戴设备的运动性疲劳检测方法和系统 Active CN113080986B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110495396.1A CN113080986B (zh) 2021-05-07 2021-05-07 一种基于可穿戴设备的运动性疲劳检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110495396.1A CN113080986B (zh) 2021-05-07 2021-05-07 一种基于可穿戴设备的运动性疲劳检测方法和系统

Publications (2)

Publication Number Publication Date
CN113080986A true CN113080986A (zh) 2021-07-09
CN113080986B CN113080986B (zh) 2022-11-15

Family

ID=76681629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110495396.1A Active CN113080986B (zh) 2021-05-07 2021-05-07 一种基于可穿戴设备的运动性疲劳检测方法和系统

Country Status (1)

Country Link
CN (1) CN113080986B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113827216A (zh) * 2021-09-18 2021-12-24 特斯联科技集团有限公司 一种基于微动算法无感监测心率的方法和系统
CN114088645A (zh) * 2021-10-15 2022-02-25 扬州大学 一种种子活性与健康在线快速检测系统及检测方法
CN114190940A (zh) * 2021-11-23 2022-03-18 粒恩医疗科技（深圳）有限公司 一种疲劳检测方法、装置、电子设备及存储介质
CN114287939A (zh) * 2021-12-13 2022-04-08 上海航盛实业有限公司 一种疲劳驾驶检测方法及系统
CN114343642A (zh) * 2021-10-22 2022-04-15 厦门大学 一种基于心率变异性指标的疲劳驾驶检测方法、系统
CN114595625A (zh) * 2022-01-25 2022-06-07 天津大学 一种基于数据驱动方法的焊接结构疲劳性能分析方法
CN114659785A (zh) * 2021-12-27 2022-06-24 三一重能股份有限公司 一种风力发电机传动链的故障检测方法及装置
CN115067945A (zh) * 2022-08-22 2022-09-20 深圳市海清视讯科技有限公司 疲劳检测方法、装置、设备及存储介质
CN115778390A (zh) * 2023-01-31 2023-03-14 武汉理工大学 基于线性预测分析与堆叠融合的混合模态疲劳检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824420A (zh) * 2013-12-26 2014-05-28 苏州清研微视电子科技有限公司 基于心率变异性非接触式测量的疲劳驾驶识别系统
CN105809190A (zh) * 2016-03-03 2016-07-27 南京邮电大学 一种基于特征选取的svm级联分类器方法
US20170069216A1 (en) * 2014-04-24 2017-03-09 Cognoa, Inc. Methods and apparatus to determine developmental progress with artificial intelligence and user input
CN108852377A (zh) * 2018-04-13 2018-11-23 中国科学院苏州生物医学工程技术研究所 基于多生理参数的人体运动性疲劳监测系统
CN109767308A (zh) * 2018-11-30 2019-05-17 连连银通电子支付有限公司 金融欺诈检测中时间与成本特征选择方法、设备、介质
CN110298509A (zh) * 2019-06-28 2019-10-01 佰聆数据股份有限公司 一种结合短期负荷预测的大工业行业用电优化方法
CN111104572A (zh) * 2019-12-12 2020-05-05 北京金山云网络技术有限公司 用于模型训练的特征选择方法、装置及电子设备
CN112149884A (zh) * 2020-09-07 2020-12-29 南京莱斯网信技术研究院有限公司 一种面向大规模学员的学业预警监测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824420A (zh) * 2013-12-26 2014-05-28 苏州清研微视电子科技有限公司 基于心率变异性非接触式测量的疲劳驾驶识别系统
US20170069216A1 (en) * 2014-04-24 2017-03-09 Cognoa, Inc. Methods and apparatus to determine developmental progress with artificial intelligence and user input
CN105809190A (zh) * 2016-03-03 2016-07-27 南京邮电大学 一种基于特征选取的svm级联分类器方法
CN108852377A (zh) * 2018-04-13 2018-11-23 中国科学院苏州生物医学工程技术研究所 基于多生理参数的人体运动性疲劳监测系统
CN109767308A (zh) * 2018-11-30 2019-05-17 连连银通电子支付有限公司 金融欺诈检测中时间与成本特征选择方法、设备、介质
CN110298509A (zh) * 2019-06-28 2019-10-01 佰聆数据股份有限公司 一种结合短期负荷预测的大工业行业用电优化方法
CN111104572A (zh) * 2019-12-12 2020-05-05 北京金山云网络技术有限公司 用于模型训练的特征选择方法、装置及电子设备
CN112149884A (zh) * 2020-09-07 2020-12-29 南京莱斯网信技术研究院有限公司 一种面向大规模学员的学业预警监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱坤: "基于心率变异性运动疲劳程度判别技术的研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113827216A (zh) * 2021-09-18 2021-12-24 特斯联科技集团有限公司 一种基于微动算法无感监测心率的方法和系统
CN114088645A (zh) * 2021-10-15 2022-02-25 扬州大学 一种种子活性与健康在线快速检测系统及检测方法
CN114343642A (zh) * 2021-10-22 2022-04-15 厦门大学 一种基于心率变异性指标的疲劳驾驶检测方法、系统
CN114190940A (zh) * 2021-11-23 2022-03-18 粒恩医疗科技（深圳）有限公司 一种疲劳检测方法、装置、电子设备及存储介质
CN114190940B (zh) * 2021-11-23 2024-04-02 粒恩医疗科技（深圳）有限公司 一种疲劳检测方法、装置、电子设备及存储介质
CN114287939A (zh) * 2021-12-13 2022-04-08 上海航盛实业有限公司 一种疲劳驾驶检测方法及系统
CN114659785A (zh) * 2021-12-27 2022-06-24 三一重能股份有限公司 一种风力发电机传动链的故障检测方法及装置
CN114595625A (zh) * 2022-01-25 2022-06-07 天津大学 一种基于数据驱动方法的焊接结构疲劳性能分析方法
CN115067945A (zh) * 2022-08-22 2022-09-20 深圳市海清视讯科技有限公司 疲劳检测方法、装置、设备及存储介质
CN115778390A (zh) * 2023-01-31 2023-03-14 武汉理工大学 基于线性预测分析与堆叠融合的混合模态疲劳检测方法

Also Published As

Publication number Publication date
CN113080986B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
CN113080986B (zh) 一种基于可穿戴设备的运动性疲劳检测方法和系统
Satapathy et al. EEG signal classification using PSO trained RBF neural network for epilepsy identification
Boon et al. Paroxysmal atrial fibrillation prediction based on HRV analysis and non-dominated sorting genetic algorithm III
WO2022233027A1 (zh) 一种基于可穿戴设备的运动性疲劳检测方法和系统
Restrepo et al. Maximum approximate entropy and r threshold: A new approach for regularity changes detection
US11062792B2 (en) Discovering genomes to use in machine learning techniques
Shaban Automated screening of parkinson's disease using deep learning based electroencephalography
Rubin et al. Time, frequency & complexity analysis for recognizing panic states from physiologic time-series.
CN112641451A (zh) 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统
Wang et al. An efficient method to detect sleep hypopnea-apnea events based on EEG signals
Macias et al. Knowledge extraction based on wavelets and DNN for classification of physiological signals: Arousals case
Ang A Novel SVM and K-NN Classifier Based Machine Learning Technique for Epileptic Seizure Detection.
Choi et al. Depression level classification using machine learning classifiers based on actigraphy data
Ibrahim et al. EEG-Based Epileptic Seizures Detection with Adaptive Learning Capability.
Lucena et al. The performance of short-term heart rate variability in the detection of congestive heart failure
Assam et al. Prediction of freezing of gait from parkinson's disease movement time series using conditional random fields
CN116030937B (zh) 一种生成跑步运动处方的方法
Karimi Moridani An automated method for sleep apnoea detection using HRV
Vaezi et al. Sleep Stage Classification using Laplacian Score Feature Selection Method by Single Channel EEG.
Göker Welch Spectral Analysis and Deep Learning Approach for Diagnosing Alzheimer's Disease from Resting-State EEG Recordings
Malhotra et al. Improved ECG based stress prediction using optimization and machine learning techniques
CN111466877B (zh) 一种基于lstm网络的氧减状态预测方法
Akbilgic et al. Categorizing atrial fibrillation via symbolic pattern recognition
Lopes Genetic programming for epileptic pattern recognition in electroencephalographic signals
Nagar et al. Analysis of EEG signals using Machine Learning for the Detection and Diagnosis of Epilepsy

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
GR01 Patent grant
GR01 Patent grant