CN113261974A - 一种基于多生理信号的运动疲劳监测方法 - Google Patents

Abstract

本发明属于运动疲劳监测领域，一种基于多生理信号的运动疲劳监测方法，包括躯体性疲劳和心理性疲劳的监测；躯体性疲劳监测包括心电信号和与运动相关的表面肌电信号采集，对采集的心电信号和肌电信号进行预处理，利用滑窗方法进行周期化分割；采用核主成分分析进行躯体性疲劳的特征向量提取，将提取的特征向量采用支持向量机对躯体性疲劳的特征向量进行分类；心理性疲劳监测包括脑电信号和脑近红外光信号采集；对采集的脑电信号和脑近红外光信号进行预处理，然后分段处理，提取脑力疲劳的特征向量，进而监测心理性疲劳；躯体性疲劳通过计算获得评价，心理性疲劳根据特征变化量获得评价，最后根据专家赋权法评定疲劳状态，获得综合评价。

Description

一种基于多生理信号的运动疲劳监测方法

技术领域

本发明属于运动疲劳监测领域，特别是一种基于多生理信号的运动疲劳监测方法。

背景技术

随着体育事业日益昌盛，竞技体育屡屡突破世界纪录，大众健身也得到广泛普及。由体育活动造成的运动损伤一直是人们密切关注的问题，其中很大一部分原因是运动过度进而导致运动疲劳造成的，所以对运动疲劳的监测就显得尤为重要。若能及时有效的预警运动疲劳，有助于降低运动损伤风险，提升运动表现。

目前对于运动疲劳的监测已经取得一定的进展，但是绝大多数的监测方法没有细化运动疲劳的分类，主要从肌肉疲劳的角度以监测躯体性疲劳为主。

发明内容

为解决上述问题，本发明提出一种基于多生理信号的运动疲劳监测方法，该方法可预警运动疲劳，以防运动损伤。

为实现上述目的，本发明采用的技术方案是：

一种基于多生理信号的运动疲劳监测方法，包括躯体性疲劳和心理性疲劳的监测；

躯体性疲劳监测包括心电信号和与运动相关的表面肌电信号采集，对采集的心电信号和肌电信号进行预处理，利用滑窗方法进行周期化分割，进而提取躯体性疲劳的特征向量；其中，采用核主成分分析进行躯体性疲劳的特征向量提取，将提取的特征向量采用支持向量机对躯体性疲劳的特征向量进行分类；

心理性疲劳监测包括脑电信号和脑近红外光信号采集；对采集的脑电信号和脑近红外光信号进行预处理，然后分段处理，提取脑力疲劳的特征向量，进而监测心理性疲劳；

根据专家赋权法确定分类后的躯体性疲劳以及脑力疲劳各特征向量所占权重，根据加权求和求取综合等级评价。

作为优选的，所述躯体性疲劳的特征向量包括：心率变异性时域指标和心率变异性频域指标，所述心率变异性时域指标包括窦性心搏间期的标准差、每5min NN间期平均值的标准差、相邻NN间期差值的均方根、每5minNN间期标准差的平均值、以及NN％除以整个NN间期的个数的％，其中NN指的是窦性RR间期；

所述心率变异性频域指标包括在选定的时限内总NN间期的变异、VLF范围内的功率、LF范围内的功率、LF功率标化单位、HF范围内的功率、以及HF功率标化单位以及LF与HF之比，其中NN指的是窦性RR间期。

作为优选的，所述躯体性疲劳的特征向量包括：肌电时域指标和肌电频域指标，肌电时域指标包括绝对平均值、标准差、积分肌电值以及均方根值；肌电频域指标包括平均功率频率和中位频率。

作为优选的，所述脑电信号采用0.5～47Hz的FIR带通滤波器去除噪声，并按照频率差异分解为：0.5～3.5Hz的δ波、4～7Hz的θ波、8～13Hz的α波、14～30Hz的β波、大于31Hz的θ波。

作为优选的，所述脑近红外光信号采用0.05～0.5Hz带通滤波去除高频噪声和干扰，用自适应滤波去除运动伪迹。

作为优选的，所述窦性心搏间期的标准差SDNN、每5min NN间期平均值的标准差SDANN、相邻NN间期差值的均方根r-MSSD、每5minNN间期标准差的平均值SDNNindex、以及NN％除以整个NN间期的个数的％PNN50的表达式如下：

PNN50＝PNN50/TotalNN×100％ (5)；

其中，RR_i表示心电间期时长，单位为s；M表示间期总个数。

作为优选的，所述在选定的时限内总NN间期的变异、VLF范围内的功率、LF范围内的功率、LF功率标化单位、HF范围内的功率、以及HF功率标化单位以及LF与HF之比的关系如下：

作为优选的，所述肌电时域指标包括绝对平均值MAV、标准差Std、积分肌电值IEMG以及均方根值RMS的表达式如下：

所述肌电频域指标包括平均功率频率MPF和中位频率MF的表达式如下：

其中，x(t)、x(k)分别是sEMG信号连续和离散化后的幅值；Fs为采样频率，N、N₁、N₂表示信号的长度，f、f_mid和P(f)分别表示信号的频率、中值频率及功率谱密度函数。

作为优选的，使用核主成分分析进行躯体性疲劳的特征向量提取的过程如下：

对于n个输入样本的数据x_k(k＝1，2，...，n)，x∈R^N，引入非线性映射函数Φ，将数据x_k转变为Φ(x_k)，则在新的特征空间中，协方差矩阵C为：

利用迭代法求解特征值λ(λ＞0)与特征向量V(V≠0)：

λV＝CV；

而V可由Φ(x_k)线性表示：

式中α_j为方程系数，左乘Φ(x_k)得：

λ(Φ(x_k)·V)＝Φ(x_k)·CV，k＝1，2，...，n；

K_ij＝Φ(x_i)Φ(x_j)，i，j＝1，2，...，n；

求解核矩阵K的非零特征值λ与特征向量α：

nλα＝Kα；

中心化的特征向量为V，样本数据Φ(x)在V上映射为：

h_i(x)为Φ(x)的第k个非线性主成分向量；

采用支持向量机对躯体性疲劳的特征向量进行分类的方法如下：

给定训练集样本(x_i，y_i)，x∈Rⁿ，y∈(-1，1)，设超平面ω·x+b＝0。为了使训练集样本分类正确，则要求：

y_i[(ω·x_i+b)]≥1，i＝1，2，...，n；

由支持向量可以得到y_k[(ω×x_k+b)]＝1，计算得到分类间隔为2/||ω||，可以转化为带有约条件的最小值问题

引入Lagrange函数L＝(ω,b,α),对ω和b求偏导后带入，从而转化为对偶问题：

α_i≥0,i＝1,2,...,m；

经计算得到最优权值向量ω^*和最优偏置b^*，从而得到最优超平面(ω^*·x)+b＝0，继而得到最优分类函数为

使用本发明的有益效果是：

基于多生理信号的运动疲劳监测，从躯体性疲劳和心理性疲劳两方面监控，能全面有效且更有针对性的细化疲劳监测，用核主成分分析(KPCA)对心电特征和肌电特征进行提取，采用支持向量机(SVM)对疲劳状况进行分类，本发明可通过躯体疲劳和身体疲劳两个方面对实施对象进行监控，本方法细化运动疲劳的类型，从而在多生理信号检测的条件下，为实施对象获取更为详细的疲劳数据，以使实施对象针对不同疲劳类型对训练计划进行调整，能及时有效的预警运动疲劳，有助于降低运动损伤风险，提升运动表现。

附图说明

图1为本发明基于多生理信号的运动疲劳监测方法的流程图。

具体实施方式

为使本技术方案的目的、技术方案和优点更加清楚明了，下面结合具体实施方式，对本技术方案进一步详细说明。应该理解，这些描述只是示例性的，而不是要限制本技术方案的范围。

如图1所示，本发明公开了一种基于多生理信号的运动疲劳监测方法，其包括如下步骤：运动疲劳监测包括躯体性疲劳和心理性疲劳，躯体性疲劳包括心电信号和肌电信号的采集；心电信号和肌电信号采用50Hz自适应陷波器去除工频和谐波干扰，用经验模态分解消除噪声。

对预处理后的心电信号和肌电信号设置4s滑动时间窗，窗移1s，提取信号特征，计算心率变异性。

心电特征如表1、表2所示，包括：

表1心率变异性时域指标

表达式分别为：

PNN50＝PNN50/TotalNN×100％ (5)；

表2心率变异性频域指标

其中，RR_i表示心电间期时长(单位为s)，M表示间期总个数。

心电特征如表3、表4所示，肌电特征包括：

表3肌电时域指标

表达式分别为：

表4肌电频域指标

其中，x(t)、x(k)分别是sEMG信号连续和离散化后的幅值，Fs为采样频率，N、N₁、N₂表示信号的长度，f、f_mid和P(f)分别表示信号的频率、中值频率及功率谱密度函数。

采用核主成分分析进行躯体性疲劳的特征向量提取，将提取的特征向量采用支持向量机对躯体性疲劳的特征向量进行分类；核主成分分析(KPCA)是主成分分析(PCA)的改进算法，是一种非线性特征提取方法，与PCA相比大大减小了计算量，且提供了更优的识别性能。其基本原理如下：首先经过非线性映射，将数据转换到一个高维非线性空间中，然后使用线性PCA再映射到另一个低维空间，具体方式如下：

对于n个输入样本的数据x_k(k＝1,2,...,n),x∈R^N，引入非线性映射函数Φ，将数据x_k转变为Φ(x_k)，则在新的特征空间中，协方差矩阵C为

利用迭代法求解特征值λ(λ＞0)与特征向量V(V≠0)

λV＝CV；

而V可由Φ(x_k)线性表示

式中α_j为方程系数，左乘Φ(x_k)得

λ(Φ(x_k)·V)＝Φ(x_k)·CV，k＝1，2，...，n；

K_ij＝Φ(x_i)Φ(x_j)，i，j＝1，2，...，n；

求解核矩阵K的非零特征值λ与特征向量α

nλα＝Kα；

中心化的特征向量为V，样本数据Φ(x)在V上映射为

其中，h_i(x)为Φ(x)的第k个非线性主成分向量。根据以上方法所提取特征带入支持向量机。

支持向量机(Support Vector Machine，SVM)核心策略是寻找一个最优的超平面，使支持向量到超平面的距离最大，即最大化类与类之间的间隔，能够应用于高维度特征和非线性分界面等情况，是一种典型的二分类模型，如图所示。SVM算法出现后，因其分类性能的优势被广泛研究，主要体现在系统结构简单，全局最优，推广能力强，学习和预测时间短。采用支持向量机对躯体性疲劳的特征向量进行分类的方法如下：

给定训练集样本(x_i，y_i)，x∈Rⁿ，y∈(-1，1)，设超平面ω·x+b＝0。为了使训练集样本分类正确，则要求

y_i[(ω·x_i+b)]≥1，i＝1，2，...，n；

由支持向量可以得到y_k[(ω×x_k+b)]＝1，计算得到分类间隔为2/||ω||，可以转化为带有约条件的最小值问题

引入Lagrange函数L＝(ω,b,α),对ω和b求偏导后带入，从而转化为对偶问题

α_i≥0,i＝1,2,...,m；

经计算得到最优权值向量ω^*和最优偏置b^*，从而得到最优超平面(ω^*·x)+b＝0，继而得到最优分类函数为

运用该方法对躯体性疲劳中的心电和肌电特征进行分类。

心理性疲劳是指精神疲劳，主要包括脑电信号和脑近红外光信号的采集。

脑电信号采用0.5～47Hz的FIR(finite impulse response)带通滤波器去除噪声。脑电信号按照频率差异可分解为：δ(0.5～3.5Hz)、θ(4～7Hz)、α(8～13Hz)、β(14～30Hz)、γ(大于31Hz)。当精神疲劳增加时，θ、α和β节律高频快波相对功率的平均值逐渐降低，而δ节律高幅度慢波相对功率平均值逐渐增加。

脑近红外光信号采用0.05～0.5Hz带通滤波去除高频噪声和干扰，用自适应滤波去除运动伪迹。提取特征脑血氧饱和度,精神疲劳时，脑血氧饱和度下降。

在运动中采集以上信号，对心电信号和肌电信号可通过计算得到疲劳状态评价，脑电和脑近红外光可根据特征变化量对精神疲劳进行评判，根据专家赋权法确定分类后的躯体性疲劳以及脑力疲劳各特征向量所占权重，根据加权求和求取综合等级评价。采集大量数据，用离差法分三级评价，三个等级分别为：轻松、过度、疲累。最终根据结果调整运动负荷，辅助运动训练。

以上内容仅为本发明的较佳实施例，对于本领域的普通技术人员，依据本技术内容的思想，在具体实施方式及应用范围上可以作出许多变化，只要这些变化未脱离本发明的构思，均属于本专利的保护范围。

Claims (9)

1.一种基于多生理信号的运动疲劳监测方法，其特征在于：包括躯体性疲劳和心理性疲劳的监测；

躯体性疲劳监测包括心电信号和与运动相关的表面肌电信号采集，对采集的心电信号和肌电信号进行预处理，利用滑窗方法进行周期化分割，进而提取躯体性疲劳的特征向量；其中，采用核主成分分析进行躯体性疲劳的特征向量提取，将提取的特征向量采用支持向量机对躯体性疲劳的特征向量进行分类；

心理性疲劳监测包括脑电信号和脑近红外光信号采集；对采集的脑电信号和脑近红外光信号进行预处理，然后分段处理，提取脑力疲劳的特征向量，进而监测心理性疲劳；

根据专家赋权法确定分类后的躯体性疲劳以及脑力疲劳各特征向量所占权重，根据加权求和求取综合等级评价。

2.根据权利要求1所述的基于多生理信号的运动疲劳监测方法，其特征在于：所述躯体性疲劳的特征向量包括：心率变异性时域指标和心率变异性频域指标，所述心率变异性时域指标包括窦性心搏间期的标准差、每5min NN间期平均值的标准差、相邻NN间期差值的均方根、每5minNN间期标准差的平均值、以及NN％除以整个NN间期的个数的％，其中NN指的是窦性RR间期；

所述心率变异性频域指标包括在选定的时限内总NN间期的变异、VLF范围内的功率、LF范围内的功率、LF功率标化单位、HF范围内的功率、以及HF功率标化单位以及LF与HF之比，其中NN指的是窦性RR间期。

3.根据权利要求1所述的基于多生理信号的运动疲劳监测方法，其特征在于：所述躯体性疲劳的特征向量包括：肌电时域指标和肌电频域指标，肌电时域指标包括绝对平均值、标准差、积分肌电值以及均方根值；肌电频域指标包括平均功率频率和中位频率。

4.根据权利要求1所述的基于多生理信号的运动疲劳监测方法，其特征在于：所述脑电信号采用0.5～47Hz的FIR带通滤波器去除噪声，并按照频率差异分解为：0.5～3.5Hz的δ波、4～7Hz的θ波、8～13Hz的α波、14～30Hz的β波、大于31Hz的θ波。

5.根据权利要求1所述的基于多生理信号的运动疲劳监测方法，其特征在于：所述脑近红外光信号采用0.05～0.5Hz带通滤波去除高频噪声和干扰，用自适应滤波去除运动伪迹。

6.根据权利要求2所述的基于多生理信号的运动疲劳监测方法，其特征在于：所述窦性心搏间期的标准差SDNN、每5min NN间期平均值的标准差SDANN、相邻NN间期差值的均方根r-MSSD、每5minNN间期标准差的平均值SDNNindex、以及NN％除以整个NN间期的个数的％PNN50的表达式如下：

PNN50＝PNN50/TotalNN×100％ (5)；

其中，RR_i表示心电间期时长，单位为s；M表示间期总个数。

7.根据权利要求2所述的基于多生理信号的运动疲劳监测方法，其特征在于：所述在选定的时限内总NN间期的变异、VLF范围内的功率、LF范围内的功率、LF功率标化单位、HF范围内的功率、以及HF功率标化单位以及LF与HF之比的关系如下：

8.根据权利要求3所述的基于多生理信号的运动疲劳监测方法，其特征在于：所述肌电时域指标包括绝对平均值MAV、标准差Std、积分肌电值IEMG以及均方根值RMS的表达式如下：

所述肌电频域指标包括平均功率频率MPF和中位频率MF的表达式如下：

其中，x(t)、x(k)分别是sEMG信号连续和离散化后的幅值；Fs为采样频率，N、N₁、N₂表示信号的长度，f、f_mid和P(f)分别表示信号的频率、中值频率及功率谱密度函数。

9.根据权利要求1所述的基于多生理信号的运动疲劳监测方法，其特征在于：使用核主成分分析进行躯体性疲劳的特征向量提取的过程如下：

对于n个输入样本的数据x_k(k＝1,2,...,n),x∈R^N，引入非线性映射函数Φ，将数据x_k转变为Φ(x_k)，则在新的特征空间中，协方差矩阵C为：

利用迭代法求解特征值λ(λ＞0)与特征向量V(V≠0)：

λV＝CV；

而V可由Φ(x_k)线性表示：

式中α_j为方程系数，左乘Φ(x_k)得：

λ(Φ(x_k)·V)＝Φ(x_k)·CV,k＝1,2,...,n；

K_ij＝Φ(x_i)Φ(x_j),i,j＝1,2,...,n；

求解核矩阵K的非零特征值λ与特征向量α：

nλα＝Kα；

中心化的特征向量为V，样本数据Φ(x)在V上映射为：

h_i(x)为Φ(x)的第k个非线性主成分向量；

采用支持向量机对躯体性疲劳的特征向量进行分类的方法如下：

给定训练集样本(x_i,y_i)，x∈Rⁿ，y∈(-1,1)，设超平面ω·x+b＝0，为了使训练集样本分类正确，则要求:

y_i[(ω·x_i+b)]≥1，i＝1,2,...,n；

由支持向量可以得到y_k[(ω×x_k+b)]＝1，计算得到分类间隔为2/||ω||，可以转化为带有约条件的最小值问题

引入Lagrange函数L＝(ω,b,α),对ω和b求偏导后带入，从而转化为对偶问题：

α_i≥0,i＝1,2,...,m；

经计算得到最优权值向量ω^*和最优偏置b^*，从而得到最优超平面(ω^*·x)+b＝0，继而得到最优分类函数为

Images