CN114343638A - 一种基于多模态生理参数信号的疲劳程度评估方法及系统 - Google Patents

一种基于多模态生理参数信号的疲劳程度评估方法及系统 Download PDF

Info

Publication number
CN114343638A
CN114343638A CN202210006028.0A CN202210006028A CN114343638A CN 114343638 A CN114343638 A CN 114343638A CN 202210006028 A CN202210006028 A CN 202210006028A CN 114343638 A CN114343638 A CN 114343638A
Authority
CN
China
Prior art keywords
physiological parameter
modal physiological
fatigue degree
learning model
modal
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
CN202210006028.0A
Other languages
English (en)
Other versions
CN114343638B (zh
Inventor
谢凤玲
史东林
何征岭
方震
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.)
HEBEI INSTITUTE OF PHYSICAL EDUCATION
Original Assignee
HEBEI INSTITUTE OF PHYSICAL EDUCATION
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 HEBEI INSTITUTE OF PHYSICAL EDUCATION filed Critical HEBEI INSTITUTE OF PHYSICAL EDUCATION
Priority to CN202210006028.0A priority Critical patent/CN114343638B/zh
Publication of CN114343638A publication Critical patent/CN114343638A/zh
Application granted granted Critical
Publication of CN114343638B publication Critical patent/CN114343638B/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
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • 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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/10—Athletes

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Cardiology (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Educational Technology (AREA)
  • Developmental Disabilities (AREA)
  • Pulmonology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于多模态生理参数信号的疲劳程度评估方法及系统，其中方法主要包括S1、采集多模态生理参数数据；S2、提取多模态生理参数数据的时域、频域和非线性特征；S3、基于步骤S2提取的时域、频域和非线性特征构建用于疲劳程度评估的集成学习模型，并利用集成学习模型对疲劳程度进行评估预测。系统包括用于采集多模态生理参数数据的数据采集模块和用于对采集的数据进行疲劳程度评估的微处理器，以及数据存储模块，低功耗蓝牙模块和供电模块。本发明通过构建多样的特征集合和模型组合，实现最终的集成预测，增强了模型的准确度和泛化性能。

Description

一种基于多模态生理参数信号的疲劳程度评估方法及系统
技术领域
本发明涉及运动疲劳监测技术领域，更具体的说是涉及一种基于多模态生理参数信号的疲劳程度评估方法及系统。
背景技术
疲劳程度评估对于运动员的心理健康、饮食配置和运动表现等具有重要作用。已有的研究通过对运动员运动过程中步数、运动时长等信息进行记录，从而完成评估。然而这些方法过于简单，具有较强的主观性，不够动态和精准。除此以外，人类的行为意识是大脑神经中枢控制的结果，因此另有一些研究通过对脑电的监测来完成评估，然而对于运动员而言，记录运动过程中的脑电信号是复杂而难以实现的。总之，现有的研究无法满足运动员疲劳程度评估的真实需求。
因此，如何准确评估运动过程中疲劳程度，提供一种基于多模态生理参数信号的疲劳程度评估方法及系统是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于多模态生理参数信号的疲劳程度评估方法及系统，用于解决现有技术中对于运动过程中的疲劳程度评估不准确、脑电监测过于复杂的技术问题。
为了实现上述目的，本发明采用如下技术方案：
本发明一方面公开了一种基于多模态生理参数信号的疲劳程度评估方法，包括以下步骤：
S1、采集多模态生理参数数据；
S2、提取多模态生理参数数据的时域、频域和非线性特征；
S3、基于步骤S2提取的时域、频域和非线性特征构建用于疲劳程度评估的集成学习模型，并利用集成学习模型对疲劳程度进行评估预测。
优选的，所述步骤S1中采集的多模态生理参数数据包括脉搏、呼吸率、平均运动速度、运动角速度以及运动加速度。
优选的，所述步骤S2具体包括：
S21、利用巴特沃斯或小波去噪算法对多模态生理参数信号进行预处理；
S22、对于预处理后的多模态生理参数信号，分别提取时域、频域和非线性特征，所述时域特征包括均值、方差、一阶差分均值及二阶差分均值，所述频域特征包括小波包分解能量特征、小波分解系数、快速傅里叶变换频谱及相对能量比值，所述非线性特征包括样本熵、排列熵、小波熵及去趋势波动分析。
优选的，步骤S3具体包括：
S31、将时域、频域和非线性特征进行两两组合，获取重组后的特征子集；
S32、根据重组后的特征子集构造多个单一学习模型；
S33、根据多个单一学习模型，构造集成学习模型，利用集成学习模型对疲劳程度进行评估预测。
优选的，步骤S32中所述单一学习模型包括向量机、决策树或多层感知机。
优选的，步骤S33中还包括利用遗传算法选取集成学习模型中任意组合的最优特征子集，具体包括：
(1)编码:构造由时域、频域和非线性特征构成的特征集合，将染色体定义为一个比特位序列，比特位序列的第i个位点和特征集合中的第i项特征一一对应，如果特征被选中，相应的位点被设置为1，否则设为0；
(2)种群初始化:将种群定义为N条染色体构成的集合，对每一条染色体的位点值进行随机初始化；
(3)适值评估函数值计算:计算单一学习模型中所选特征相对于疲劳程度的评估准确率，并作为适值评估函数值；
(4)选择:对N条染色体按照适值评估函数值的大小进行排序，利用轮盘选择方法选择染色体进行遗传；
(5)交叉:将方法(4)遗传后的染色体用单点位交叉方法进行交叉操作，让每对染色体产生多个个后代染色体；
(6)突变:以固定的概率随机翻转染色体位点，模拟种群变异的过程。
本发明另一方面公开了一种基于多模态生理参数信号的疲劳程度评估系统，包括数据采集模块，微处理器模块，数据存储模块，低功耗蓝牙模块以及供电模块；；
所述数据采集模块用于采集多模态生理参数数据；所述微处理器用于根据采集的多模态生理参数数据建立集成学习模型，并根据权利要求1-6任一项的方法对疲劳程度进行评估预测；所述数据存储模块用于存储数据采集模块采集的多模态生理参数数据；所述低功耗蓝牙模块用于将采集的多模态参数数据及微处理器的评估结果无线传输给远程终端；所述供电模块用于为系统提供电源。
优选的，所述数据采集模块包括光电容积脉搏探头，速度传感器，角速度传感器以及加速度传感器；所述光电容积脉搏探头用于采集运动员运动期间的容积脉搏波信号，并根据容积脉搏波信号计算脉搏及呼吸率；所述速度传感器用于采集运动员活动期间的平均运动速度；所述角速度传感器用于采集运动员活动期间的运动角速度；所述加速度传感器用于采集运动员活动期间的运动加速度。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于多模态生理参数信号的疲劳程度评估方法及系统，通过构建多样的特征集合和模型组合，实现最终的集成预测，能够增强模型的准确度和泛化性能；另一方面基于遗传算法的启发式特征选择方法，能够从大量的特征集合中筛选出使结果受益的特征子集，有效解决多模态生理参数条件下的海量特征问题，在增强模型性能的同时，减少了备选特征集合大小，有助于提高模型计算性能和模型可解释性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的方法流程示意图；
图2为本发明提供的利用遗传算法选取单一学习模型中的最优特征子集流程示意图；
图3为本发明提供的集成学习模型框架示意图；
图4为本发明提供的系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例一方面公开了一种基于多模态生理参数信号的疲劳程度评估方法，如图1所示，包括以下步骤：
S1、采集多模态生理参数数据；
作为一种优选的方案，采集的多模态生理参数数据包括脉搏、呼吸率等直接反映运动员运动期间生理状态的生理参数数据，以及平均运动速度、运动角速度、运动加速度等间接反映运动员运动期间生理状态的运动参数数据。
S2、提取多模态生理参数数据的时域、频域和非线性特征；
作为一种优选的方案，步骤S2具体包括：
S21、利用巴特沃斯或小波去噪算法对多模态生理参数信号进行预处理，以消除低频基线和高频噪声干扰；
S22、对于预处理后的多模态生理参数信号，分别提取时域、频域和非线性特征，所述时域特征包括均值、方差、一阶差分均值及二阶差分均值，所述频域特征包括小波包分解能量特征、小波分解系数、快速傅里叶变换频谱及相对能量比值，所述非线性特征包括样本熵、排列熵、小波熵及去趋势波动分析。
S3、基于步骤S2提取的时域、频域和非线性特征构建用于疲劳程度评估的集成学习模型，并利用集成学习模型对疲劳程度进行评估预测。
具体包括：
S31、将时域、频域和非线性特征进行两两组合，获取重组后的特征子集；
S32、根据重组后的特征子集构造多个单一学习模型；
S33、根据多个单一学习模型，构造集成学习模型，利用集成学习模型对疲劳程度进行评估预测。
作为一种优选的方案单一学习模型包括支持向量机、决策树或多层感知机的单一机器学习模型。
由于从多模态生理参数信号提取的特征维度过大，为了防止模型过拟合，减少噪声对模型的干扰并增加模型的泛化性能，采用遗传算法对学习模型进行特征选择，如图2所示，具体过程如下：
(1)编码:构造由时域、频域和非线性特征构成的特征集合，将染色体定义为一个比特位序列，比特位序列的第i个位点和特征集合中的第i项特征一一对应。如果特征被选中，相应的位点被设置为1，否则设为0；
(2)种群初始化:将种群定义为N个染色体构成的集合，本示例中，将N设置为500；之后，对每一条染色体的位点值进行随机初始化；
(3)适值评估函数值计算:利用基于多则交叉验证准确率的适值评估函数，作为单一学习模型的优化目标。即每一条染色体表示了一种可能的特征选择方式，我们将其选择的特征作为单一学习模型的输入，根据得到的输出值可以进一步计算得到对疲劳程度评估的准确度，该值将作为适值评估函数值；
(4)选择:对N条染色体按照适值评估函数值的大小进行排序，利用轮盘选择方法选择染色体进行遗传，一般地，适值评估函数值高的染色体将会被赋予更高的选择概率，从中总共选择100条染色体，它们代表了当前较优的特征选择方式；
(5)交叉:将上一步轮盘选择方法进行遗传得到的染色体用单点位交叉方法进行交叉操作，让每对染色体产生5个后代染色体，这样可以保证种群大小不变。交叉操作可以对不同的特征方式进行重新组合，生成新的特征方式，有益于得到性能较优的新染色体；
(6)突变:以0.1的概率随机翻转染色体位点，模拟种群变异的过程。突变操作可以为当前的特征集合增加噪声，一方面可以保证种群的多样性，另一方面可以使得选择算法跳出局部最优点，从而可能找到更优的特征选择方式。
另外，通过多次实验测试，设置合适的最大迭代次数为80，并作为算法停止标准。
具体的，如图3所示，本实施例从特征维度和模型维度入手，构建3种不同的特征组合和M个分类模型构成的集成学习模型。首先把时域、频域和非线性特征进行两两组合，得到三种不同的特征子集S1,S2,S3，在此基础之上，构造了包括但不限于支持向量机、决策树、多层感知机在内的M个分类模型{f1,...,fM}，每一种特征组合可以和M个分类模型进行一一组合，最终产生3*M种组合。对于每一种组合，采用前述的遗传算法进行最优特征子集的选择。最终，对3*M种预测结果进行集成学习，得到最后的集成输出预测概率。集成学习主要采用了投票决策的方法，定义为：
Figure BDA0003456768090000061
通过这样的设计，一方面提高特征集合的多样性，另一方面提高模型的多样性。该集成学习模型有两个主要优点，第一，它通过多个简单模型集成而来，对单一模型的性能要求不高；第二，它能够实现并行化训练，因此具有可负担的训练成本。
本发明实施例另一方面公开了一种基于多模态生理参数信号的疲劳程度评估系统，如图4所示，包括数据采集模块，微处理器模块，数据存储模块，低功耗蓝牙模块以及供电模块，本系统可集成在电子手环等可穿戴设备上，便于对运动员运动期间的运动疲劳程度进行实时监测。
其中数据采集模块用于采集多模态生理参数数据；微处理器作为本系统的核心单元，用于根据采集的多模态生理参数数据建立集成学习模型，集成学习模型根据上述公开任一项基于多模态生理参数信号的疲劳程度评估方法对对疲劳程度进行评估预测；数据存储模块用于存储数据采集模块采集的多模态生理参数数据，数据存储模块可以把系统采集的数据实时保存到存储卡中，并能够提供数据导出操作；低功耗蓝牙模块用于将采集的多模态参数数据及微处理器的评估结果无线传输给手机、平板电脑等远程终端，低功耗蓝牙具有功耗低，速度快等优点，有利于在可穿戴式设备上进行使用；供电模块用于为本系统的各个模块提供电源。
作为一种优选的方案，数据采集模块包括光电容积脉搏探头，速度传感器，角速度传感器以及加速度传感器；光电容积脉搏探头用于实时采集运动员运动期间的容积脉搏波信号，并根据容积脉搏波信号计算脉搏及呼吸率等直接反映运动员运动期间生理状态的生理参数数据；速度传感器用于采集运动员活动期间的平均运动速度；角速度传感器用于采集运动员活动期间的运动角速度，如体操运动员进行单杆回环时产生的角速度；加速度传感器用于采集运动员活动期间的运动加速度。
数据采集模块通过采集生理参数数据以及运动数据用来作为疲劳程度评估的依据，然后将采集到的数据通过低功耗蓝牙模块无线传输给数据存储模块，微处理器通过上述公开的疲劳程度评估方法对采集的数据进行评估，从而实现对运动期间疲劳程度的准确评估。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于多模态生理参数信号的疲劳程度评估方法，其特征在于，所述方法包括以下步骤：
S1、采集多模态生理参数数据；
S2、提取多模态生理参数数据的时域、频域和非线性特征；
S3、基于步骤S2提取的时域、频域和非线性特征构建用于疲劳程度评估的集成学习模型，并利用集成学习模型对疲劳程度进行评估预测。
2.根据权利要求1所述的基于多模态生理参数信号的疲劳程度评估方法，其特征在于，所述步骤S1中采集的多模态生理参数数据包括脉搏、呼吸率、平均运动速度、运动角速度以及运动加速度。
3.根据权利要求1所述的基于多模态生理参数信号的疲劳程度评估方法，其特征在于，步骤S2具体包括：
S21、利用巴特沃斯或小波去噪算法对多模态生理参数信号进行预处理；
S22、对于预处理后的多模态生理参数信号，分别提取时域、频域和非线性特征，所述时域特征包括均值、方差、一阶差分均值及二阶差分均值，所述频域特征包括小波包分解能量特征、小波分解系数、快速傅里叶变换频谱及相对能量比值，所述非线性特征包括样本熵、排列熵、小波熵及去趋势波动分析。
4.根据权利要求1所述的基于多模态生理参数信号的疲劳程度评估方法，其特征在于，步骤S3具体包括：
S31、将时域、频域和非线性特征进行两两组合，获取重组后的特征子集；
S32、根据重组后的特征子集构造多个单一学习模型；
S33、根据多个单一学习模型，构造集成学习模型，利用集成学习模型对疲劳程度进行评估预测。
5.根据权利要求4所述的基于多模态生理参数信号的疲劳程度评估方法，其特征在于，步骤S32中所述单一学习模型包括向量机、决策树或多层感知机。
6.根据权利要求4所述的基于多模态生理参数信号的疲劳程度评估方法，其特征在于，步骤S33中还包括利用遗传算法选取集成学习模型中任意组合的最优特征子集，具体包括：
(1)编码:构造由时域、频域和非线性特征构成的特征集合，将染色体定义为一个比特位序列，比特位序列的第i个位点和特征集合中的第i项特征一一对应，如果特征被选中，相应的位点被设置为1，否则设为0；
(2)种群初始化:将种群定义为N条染色体构成的集合，对每一条染色体的位点值进行随机初始化；
(3)适值评估函数值计算:计算单一学习模型中所选特征相对于疲劳程度的评估准确率，并作为适值评估函数值；
(4)选择:对N条染色体按照适值评估函数值的大小进行排序，利用轮盘选择方法选择染色体进行遗传；
(5)交叉:将方法(4)遗传后的染色体用单点位交叉方法进行交叉操作，让每对染色体产生多个个后代染色体；
(6)突变:以固定的概率随机翻转染色体位点，模拟种群变异的过程。
7.一种基于多模态生理参数信号的疲劳程度评估系统，其特征在于，包括数据采集模块，微处理器模块，数据存储模块，低功耗蓝牙模块以及供电模块；
所述数据采集模块用于采集多模态生理参数数据；所述微处理器用于根据采集的多模态生理参数数据建立集成学习模型，并根据权利要求1-6任一项的方法对疲劳程度进行评估预测；所述数据存储模块用于存储数据采集模块采集的多模态生理参数数据；所述低功耗蓝牙模块用于将采集的多模态参数数据及微处理器的评估结果无线传输给远程终端；所述供电模块用于为系统提供电源。
8.根据权利要求7所述的基于多模态生理参数信号的疲劳程度评估系统，其特征在于，所述数据采集模块包括光电容积脉搏探头，速度传感器，角速度传感器以及加速度传感器；所述光电容积脉搏探头用于采集运动员运动期间的容积脉搏波信号，并根据容积脉搏波信号计算脉搏及呼吸率；所述速度传感器用于采集运动员活动期间的平均运动速度；所述角速度传感器用于采集运动员活动期间的运动角速度；所述加速度传感器用于采集运动员活动期间的运动加速度。
CN202210006028.0A 2022-01-05 2022-01-05 一种基于多模态生理参数信号的疲劳程度评估方法及系统 Active CN114343638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210006028.0A CN114343638B (zh) 2022-01-05 2022-01-05 一种基于多模态生理参数信号的疲劳程度评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210006028.0A CN114343638B (zh) 2022-01-05 2022-01-05 一种基于多模态生理参数信号的疲劳程度评估方法及系统

Publications (2)

Publication Number Publication Date
CN114343638A true CN114343638A (zh) 2022-04-15
CN114343638B CN114343638B (zh) 2023-08-22

Family

ID=81107807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210006028.0A Active CN114343638B (zh) 2022-01-05 2022-01-05 一种基于多模态生理参数信号的疲劳程度评估方法及系统

Country Status (1)

Country Link
CN (1) CN114343638B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115290286A (zh) * 2022-10-10 2022-11-04 中国空气动力研究与发展中心高速空气动力研究所 一种亚跨超声速风洞流场稳定性的集成学习评估系统
CN116616708A (zh) * 2023-05-22 2023-08-22 深圳市腾进达信息技术有限公司 一种基于智能穿戴设备的生命体征数据处理方法和系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009136306A1 (en) * 2008-05-08 2009-11-12 Koninklijke Philips Electronics N.V. Method and system for determining a physiological condition
CN101642374A (zh) * 2008-08-04 2010-02-10 南京大学 疲劳检测装置及方法
US20100177943A1 (en) * 2006-08-11 2010-07-15 Koninklijke Philips Electronics N.V. Methods and apparatus to integrate systematic data scaling into genetic algorithm-based feature subset selection
CN103462618A (zh) * 2013-09-04 2013-12-25 江苏大学 一种基于转向盘转角特性的汽车驾驶员疲劳检测方法
US20150182113A1 (en) * 2013-12-31 2015-07-02 Aliphcom Real-time fatigue, personal effectiveness, injury risk device(s)
US20150364022A1 (en) * 2014-06-13 2015-12-17 Nant Health, Llc Alarm fatigue management systems and methods
US20160338640A1 (en) * 2012-10-30 2016-11-24 Vital Connect, Inc. Psychological acute stress measurement using a wireless sensor
CN107822623A (zh) * 2017-10-11 2018-03-23 燕山大学 一种基于多源生理信息的驾驶员疲劳及情绪评价方法
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
CN110916631A (zh) * 2019-12-13 2020-03-27 东南大学 基于可穿戴生理信号监测的学生课堂学习状态评测系统
CN112890834A (zh) * 2021-03-01 2021-06-04 福州大学 面向注意力识别的基于机器学习的眼电信号分类器

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100177943A1 (en) * 2006-08-11 2010-07-15 Koninklijke Philips Electronics N.V. Methods and apparatus to integrate systematic data scaling into genetic algorithm-based feature subset selection
WO2009136306A1 (en) * 2008-05-08 2009-11-12 Koninklijke Philips Electronics N.V. Method and system for determining a physiological condition
CN101642374A (zh) * 2008-08-04 2010-02-10 南京大学 疲劳检测装置及方法
US20160338640A1 (en) * 2012-10-30 2016-11-24 Vital Connect, Inc. Psychological acute stress measurement using a wireless sensor
CN103462618A (zh) * 2013-09-04 2013-12-25 江苏大学 一种基于转向盘转角特性的汽车驾驶员疲劳检测方法
US20150182113A1 (en) * 2013-12-31 2015-07-02 Aliphcom Real-time fatigue, personal effectiveness, injury risk device(s)
US20150364022A1 (en) * 2014-06-13 2015-12-17 Nant Health, Llc Alarm fatigue management systems and methods
CN107822623A (zh) * 2017-10-11 2018-03-23 燕山大学 一种基于多源生理信息的驾驶员疲劳及情绪评价方法
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
CN110916631A (zh) * 2019-12-13 2020-03-27 东南大学 基于可穿戴生理信号监测的学生课堂学习状态评测系统
CN112890834A (zh) * 2021-03-01 2021-06-04 福州大学 面向注意力识别的基于机器学习的眼电信号分类器

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MATEO BAENA-MARÍN ET AL: "Velocity-Based Resistance Training on 1-RM, Jump and Sprint Performance: A Systematic Review of Clinical Trials", 《SPORTS》, vol. 10, no. 8 *
鲁松，乔陆: "驾驶员疲劳状态检测仿真研究", 《计算机仿真》, vol. 29, no. 11 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115290286A (zh) * 2022-10-10 2022-11-04 中国空气动力研究与发展中心高速空气动力研究所 一种亚跨超声速风洞流场稳定性的集成学习评估系统
CN116616708A (zh) * 2023-05-22 2023-08-22 深圳市腾进达信息技术有限公司 一种基于智能穿戴设备的生命体征数据处理方法和系统

Also Published As

Publication number Publication date
CN114343638B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN110292378B (zh) 基于脑波闭环监测的抑郁症远程康复系统
CN114343638B (zh) 一种基于多模态生理参数信号的疲劳程度评估方法及系统
Alshurafa et al. Designing a robust activity recognition framework for health and exergaming using wearable sensors
EP3058443B1 (en) Calculating pace and energy expenditure from athletic movement attributes
CN109480835B (zh) 一种基于长短期记忆神经网络的精神疲劳检测方法
CN108304917A (zh) 一种基于lstm网络的p300信号检测方法
CN106919956A (zh) 基于随机森林的脑电波年龄预测系统
CN110866537B (zh) 一种基于脑电波的用于游戏评估的情感识别方法
KR102424629B1 (ko) 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법
CN106725376B (zh) 体征信号检测方法及装置
CN108903936A (zh) 基于人体信息和环境信息融合的智能矿用头盔控制方法
CN110706816A (zh) 一种基于人工智能进行睡眠环境调控的方法及设备
Crema et al. Characterization of a wearable system for automatic supervision of fitness exercises
Chuang et al. A wearable activity sensor system and its physical activity classification scheme
Phukan et al. Convolutional neural network-based human activity recognition for edge fitness and context-aware health monitoring devices
Chen et al. A novel ensemble deep learning approach for sleep-wake detection using heart rate variability and acceleration
CN109276243A (zh) 脑电心理测试方法及终端设备
CN114224343B (zh) 认知障碍检测方法、装置、设备及存储介质
Contoli et al. A study on the application of TensorFlow compression techniques to Human Activity Recognition
Zhao et al. Attention‐based sensor fusion for emotion recognition from human motion by combining convolutional neural network and weighted kernel support vector machine and using inertial measurement unit signals
Jablonsky et al. Evaluating sensor placement and modality for activity recognition in active games
CN117100267A (zh) 儿童情绪能力评估训练系统及方法
Mallol-Ragolta et al. Outer product-based fusion of smartwatch sensor data for human activity recognition
CN113457108B (zh) 一种基于认知表征的运动成绩提高方法和装置
CN108681412B (zh) 一种基于阵列式触觉传感器的情感识别装置及方法

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
GR01 Patent grant
GR01 Patent grant