CN113261974A - 一种基于多生理信号的运动疲劳监测方法 - Google Patents
一种基于多生理信号的运动疲劳监测方法 Download PDFInfo
- Publication number
- CN113261974A CN113261974A CN202110630320.5A CN202110630320A CN113261974A CN 113261974 A CN113261974 A CN 113261974A CN 202110630320 A CN202110630320 A CN 202110630320A CN 113261974 A CN113261974 A CN 113261974A
- Authority
- CN
- China
- Prior art keywords
- fatigue
- monitoring
- intervals
- power
- frequency
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 206010016256 fatigue Diseases 0.000 claims abstract description 75
- 239000013598 vector Substances 0.000 claims abstract description 40
- 238000012706 support-vector machine Methods 0.000 claims abstract description 15
- 210000004556 brain Anatomy 0.000 claims abstract description 13
- 238000000513 principal component analysis Methods 0.000 claims abstract description 13
- 208000019914 Mental Fatigue Diseases 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 230000000737 periodic effect Effects 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 13
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000000392 somatic effect Effects 0.000 claims description 5
- 230000000747 cardiac effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 208000030523 mesoaxial synostotic syndactyly with phalangeal reduction Diseases 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 4
- 208000025978 Athletic injury Diseases 0.000 description 3
- 230000003183 myoelectrical effect Effects 0.000 description 3
- 206010041738 Sports injury Diseases 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000001020 rhythmical effect Effects 0.000 description 2
- 206010020651 Hyperkinesia Diseases 0.000 description 1
- 208000000269 Hyperkinesis Diseases 0.000 description 1
- 206010049565 Muscle fatigue Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000037078 sports performance Effects 0.000 description 1
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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
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
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,RRi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、fmid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xk(k=1,2,...,n),x∈RN,引入非线性映射函数Φ,将数据xk转变为Φ(xk),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(xk)线性表示:
式中αj为方程系数,左乘Φ(xk)得:
λ(Φ(xk)·V)=Φ(xk)·CV,k=1,2,...,n;
Kij=Φ(xi)Φ(xj),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:
hi(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(xi,yi),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:
yi[(ω·xi+b)]≥1,i=1,2,...,n;
由支持向量可以得到yk[(ω×xk+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:
αi≥0,i=1,2,...,m;
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,RRi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、fmid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xk(k=1,2,...,n),x∈RN,引入非线性映射函数Φ,将数据xk转变为Φ(xk),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(xk)线性表示
式中αj为方程系数,左乘Φ(xk)得
λ(Φ(xk)·V)=Φ(xk)·CV,k=1,2,...,n;
Kij=Φ(xi)Φ(xj),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,hi(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(xi,yi),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
yi[(ω·xi+b)]≥1,i=1,2,...,n;
由支持向量可以得到yk[(ω×xk+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
αi≥0,i=1,2,...,m;
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。
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xk(k=1,2,...,n),x∈RN,引入非线性映射函数Φ,将数据xk转变为Φ(xk),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(xk)线性表示:
式中αj为方程系数,左乘Φ(xk)得:
λ(Φ(xk)·V)=Φ(xk)·CV,k=1,2,...,n;
Kij=Φ(xi)Φ(xj),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:
hi(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(xi,yi),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:
yi[(ω·xi+b)]≥1,i=1,2,...,n;
由支持向量可以得到yk[(ω×xk+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:
αi≥0,i=1,2,...,m;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110630320.5A CN113261974A (zh) | 2021-06-07 | 2021-06-07 | 一种基于多生理信号的运动疲劳监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110630320.5A CN113261974A (zh) | 2021-06-07 | 2021-06-07 | 一种基于多生理信号的运动疲劳监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113261974A true CN113261974A (zh) | 2021-08-17 |
Family
ID=77234279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110630320.5A Pending CN113261974A (zh) | 2021-06-07 | 2021-06-07 | 一种基于多生理信号的运动疲劳监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113261974A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115985464A (zh) * | 2023-03-17 | 2023-04-18 | 山东大学齐鲁医院 | 一种基于多模态数据融合的肌肉疲劳度分类方法及系统 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102715889A (zh) * | 2012-06-11 | 2012-10-10 | 天津大学 | 一种脑力负荷检测方法 |
CN102779229A (zh) * | 2012-06-14 | 2012-11-14 | 天津大学 | 一种基于脑功能状态的自适应自动化方法 |
CN103919565A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种疲劳驾驶脑电信号特征提取与识别的方法 |
CN103989485A (zh) * | 2014-05-07 | 2014-08-20 | 朱晓斐 | 基于脑电波的人体疲劳度评价方法 |
CN104305964A (zh) * | 2014-11-11 | 2015-01-28 | 东南大学 | 头戴式疲劳检测装置及方法 |
CN105105708A (zh) * | 2015-07-08 | 2015-12-02 | 奥美之路(北京)健康科技股份有限公司 | 运动疲劳风险评估模型 |
CN205964038U (zh) * | 2016-05-10 | 2017-02-22 | 华南理工大学 | 基于nirs‑eeg的穿戴式多模态脑功能检测装置 |
CN106504475A (zh) * | 2016-10-15 | 2017-03-15 | 北海益生源农贸有限责任公司 | 基于脑电信号的疲劳驾驶检测方法 |
CN106691474A (zh) * | 2016-11-25 | 2017-05-24 | 中原电子技术研究所(中国电子科技集团公司第二十七研究所) | 融合脑电信号与生理信号的疲劳检测系统 |
CN107049239A (zh) * | 2016-12-28 | 2017-08-18 | 苏州国科康成医疗科技有限公司 | 基于可穿戴设备的癫痫脑电特征提取方法 |
CN107536617A (zh) * | 2016-06-27 | 2018-01-05 | 现代自动车株式会社 | 基于驾驶员的生物识别信号检测驾驶员状态的装置和方法 |
CN107679762A (zh) * | 2017-10-20 | 2018-02-09 | 易维太古(北京)健康管理有限公司 | 一种基于企业员工体况信息融合的健康评价商业模式 |
CN108272463A (zh) * | 2017-08-07 | 2018-07-13 | 上海交通大学 | 一种基于脑电信号的飞行员疲劳检测方法 |
CN108717534A (zh) * | 2018-05-24 | 2018-10-30 | 中国航天员科研训练中心 | 基于功能性近红外光谱技术的操作者功能状态评估技术 |
CN109480872A (zh) * | 2018-11-08 | 2019-03-19 | 哈尔滨工业大学 | 基于脑电信号频带能量比特征的驾驶疲劳检测方法 |
CN109846459A (zh) * | 2019-01-18 | 2019-06-07 | 长安大学 | 一种疲劳驾驶状态监测方法 |
CN110251119A (zh) * | 2019-05-28 | 2019-09-20 | 深圳和而泰家居在线网络科技有限公司 | 分类模型获取方法、hrv数据分类方法、装置及相关产品 |
CN111150410A (zh) * | 2020-01-17 | 2020-05-15 | 哈尔滨工业大学 | 基于心电信号与肌电信号融合的心理压力评测方法 |
CN112130663A (zh) * | 2020-08-31 | 2020-12-25 | 上海大学 | 一种基于eeg-nirs的目标识别训练系统及方法 |
CN112336590A (zh) * | 2020-11-30 | 2021-02-09 | 北京精密机电控制设备研究所 | 基于多传感信息的助力外骨骼运动意图与步态规划方法 |
-
2021
- 2021-06-07 CN CN202110630320.5A patent/CN113261974A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102715889A (zh) * | 2012-06-11 | 2012-10-10 | 天津大学 | 一种脑力负荷检测方法 |
CN102779229A (zh) * | 2012-06-14 | 2012-11-14 | 天津大学 | 一种基于脑功能状态的自适应自动化方法 |
CN103919565A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种疲劳驾驶脑电信号特征提取与识别的方法 |
CN103989485A (zh) * | 2014-05-07 | 2014-08-20 | 朱晓斐 | 基于脑电波的人体疲劳度评价方法 |
CN104305964A (zh) * | 2014-11-11 | 2015-01-28 | 东南大学 | 头戴式疲劳检测装置及方法 |
CN105105708A (zh) * | 2015-07-08 | 2015-12-02 | 奥美之路(北京)健康科技股份有限公司 | 运动疲劳风险评估模型 |
CN205964038U (zh) * | 2016-05-10 | 2017-02-22 | 华南理工大学 | 基于nirs‑eeg的穿戴式多模态脑功能检测装置 |
CN107536617A (zh) * | 2016-06-27 | 2018-01-05 | 现代自动车株式会社 | 基于驾驶员的生物识别信号检测驾驶员状态的装置和方法 |
CN106504475A (zh) * | 2016-10-15 | 2017-03-15 | 北海益生源农贸有限责任公司 | 基于脑电信号的疲劳驾驶检测方法 |
CN106691474A (zh) * | 2016-11-25 | 2017-05-24 | 中原电子技术研究所(中国电子科技集团公司第二十七研究所) | 融合脑电信号与生理信号的疲劳检测系统 |
CN107049239A (zh) * | 2016-12-28 | 2017-08-18 | 苏州国科康成医疗科技有限公司 | 基于可穿戴设备的癫痫脑电特征提取方法 |
CN108272463A (zh) * | 2017-08-07 | 2018-07-13 | 上海交通大学 | 一种基于脑电信号的飞行员疲劳检测方法 |
CN107679762A (zh) * | 2017-10-20 | 2018-02-09 | 易维太古(北京)健康管理有限公司 | 一种基于企业员工体况信息融合的健康评价商业模式 |
CN108717534A (zh) * | 2018-05-24 | 2018-10-30 | 中国航天员科研训练中心 | 基于功能性近红外光谱技术的操作者功能状态评估技术 |
CN109480872A (zh) * | 2018-11-08 | 2019-03-19 | 哈尔滨工业大学 | 基于脑电信号频带能量比特征的驾驶疲劳检测方法 |
CN109846459A (zh) * | 2019-01-18 | 2019-06-07 | 长安大学 | 一种疲劳驾驶状态监测方法 |
CN110251119A (zh) * | 2019-05-28 | 2019-09-20 | 深圳和而泰家居在线网络科技有限公司 | 分类模型获取方法、hrv数据分类方法、装置及相关产品 |
CN111150410A (zh) * | 2020-01-17 | 2020-05-15 | 哈尔滨工业大学 | 基于心电信号与肌电信号融合的心理压力评测方法 |
CN112130663A (zh) * | 2020-08-31 | 2020-12-25 | 上海大学 | 一种基于eeg-nirs的目标识别训练系统及方法 |
CN112336590A (zh) * | 2020-11-30 | 2021-02-09 | 北京精密机电控制设备研究所 | 基于多传感信息的助力外骨骼运动意图与步态规划方法 |
Non-Patent Citations (2)
Title |
---|
张崇: "基于多心理生理参数和核学习算法的脑疲劳估计", 《科学通报》 * |
郑超英: "一种基于核主成分分析的驾驶疲劳状态预测方法", 《南昌大学学报(理科版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115985464A (zh) * | 2023-03-17 | 2023-04-18 | 山东大学齐鲁医院 | 一种基于多模态数据融合的肌肉疲劳度分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106725428B (zh) | 一种心电信号分类方法及装置 | |
Nayak et al. | A review on the nonlinear dynamical system analysis of electrocardiogram signal | |
CN106709469B (zh) | 基于脑电和肌电多特征的自动睡眠分期方法 | |
CN105147248A (zh) | 基于生理信息的抑郁症评估系统及其评估方法 | |
CN204931634U (zh) | 基于生理信息的抑郁症评估系统 | |
CN114010171B (zh) | 一种基于心跳数据的分类器设置方法 | |
Kelwade et al. | Prediction of cardiac arrhythmia using artificial neural network | |
CN114052744B (zh) | 基于脉冲神经网络的心电信号分类方法 | |
Kelwade et al. | Radial basis function neural network for prediction of cardiac arrhythmias based on heart rate time series | |
CN112120697A (zh) | 一种基于表面肌电信号的肌肉疲劳提前预测与分类方法 | |
CN113274033A (zh) | 基于脑肌电交叉频率耦合的运动功能监测管理方法 | |
CN114533086A (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
CN111832537B (zh) | 异常心电信号识别方法及异常心电信号识别装置 | |
Yang et al. | Fast removal of ocular artifacts from electroencephalogram signals using spatial constraint independent component analysis based recursive least squares in brain-computer interface | |
Thilagavathy et al. | Real-time ECG signal feature extraction and classification using support vector machine | |
CN113261974A (zh) | 一种基于多生理信号的运动疲劳监测方法 | |
CN115568866A (zh) | 一种神经损伤的评价系统及其方法 | |
CN109770920A (zh) | 基于穿戴式心电信号的紧张情绪判别方法及其系统 | |
CN114387668A (zh) | 一种基于多层次神经肌肉耦合特征信息融合的分类方法 | |
CN111887811B (zh) | 基于脑电信号特征的大脑异常放电检测方法及系统 | |
Jiang et al. | Topological data analysis approach to extract the persistent homology features of ballistocardiogram signal in unobstructive atrial fibrillation detection | |
Wang et al. | Classification of surface electromyographic signals by means of multifractal singularity spectrum | |
Ding-Fei et al. | Study of feature extraction based on autoregressive modeling in EGG automatic diagnosis | |
Luo | ECG signal analysis for fatigue and abnormal event detection during sport and exercise | |
Bhimraj et al. | Autonomous noise removal from EEG signals using independent component analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210817 |