CN114366025A - 一种运动员生理指标检测系统及方法 - Google Patents
一种运动员生理指标检测系统及方法 Download PDFInfo
- Publication number
- CN114366025A CN114366025A CN202111627818.2A CN202111627818A CN114366025A CN 114366025 A CN114366025 A CN 114366025A CN 202111627818 A CN202111627818 A CN 202111627818A CN 114366025 A CN114366025 A CN 114366025A
- Authority
- CN
- China
- Prior art keywords
- physiological
- physiological index
- signal
- modal
- module
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000004891 communication Methods 0.000 claims abstract description 22
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000012706 support-vector machine Methods 0.000 claims description 30
- 230000003321 amplification Effects 0.000 claims description 25
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 239000010410 layer Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000003938 response to stress Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 101001068052 Homo sapiens Lysine-specific demethylase hairless Proteins 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 102000053615 human HR Human genes 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- OIAMJVOJMHWVRN-UHFFFAOYSA-N CC=1C=C(C=C(C1C)C)O.CC1=C(C=C(C=C1C)C)O Chemical compound CC=1C=C(C=C(C1C)C)O.CC1=C(C=C(C=C1C)C)O OIAMJVOJMHWVRN-UHFFFAOYSA-N 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003054 hormonal effect Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000037147 athletic performance Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002003 electrode paste Substances 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000001900 immune effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910001092 metal group alloy Inorganic materials 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 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
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种运动员生理指标检测系统及方法；该系统包括信号采集电极、信号处理设备和移动设备端；信号采集电极与信号处理设备电连接；信号处理设备与移动设备端无线通信连接；信号采集电极将采集的运动员多模态生理信号发送至信号处理设备；信号处理设备对接收的多模态生理信号进行预处理，并从预处理后的多模态生理信号中提取出特征值，通过对特征值进行训练获得生理指标分数以及对应的生理指标等级，并发送至移动设备端；移动设备端展示生理指标分数以及对应的生理指标等级；通过该系统可以在日常训练中对运动员的生理指标参数进行监测，确保所制定的运动训练计划不会对运动员产生负面影响。
Description
技术领域
本发明属于生理指标检测技术领域，特别是一种运动员生理指标检测系统及方法。
背景技术
许多运动员、教练和辅助人员正在采用越来越科学的方法来设计和监控训练计划。适当的负荷监测可以帮助确定运动员是否适应了训练计划，并将发生非功能性过度伸展、疾病和/或受伤的风险降至最低。为了了解训练负荷及其对运动员的影响，有许多潜在的生理信号可供使用。然而，这些生理信号中很少有强有力的科学证据支持它们的使用，而且现有技术中还没有一个单一的、明确的生理信号在文献中描述。现有的高体能项目通常使用的监测内容包括心率恢复、生化/激素/免疫评估、问卷和日记、精神运动速度、睡眠质量和数量。其中日常的生化/激素评估对运动员产生较大的生理伤害和心理负担，但是这种伤害和负担是没有明显的伤痕的，因此无法通过可穿戴设备有效检测出来；此外，现有的监测设备智能监测到数据，而不能对用户显示直观的数据分析结果。
因此，如何对运动员的生理指标进行检测，从而有助于实现对运动员在日常训练中的无伤监测，并提供有效的数据分析和解释，成为了当下运动疲劳研究的重点。
发明内容
鉴于上述问题，本发明提供一种至少解决上述部分技术问题的一种运动员生理指标检测系统及方法，通过该系统可以在日常训练中对运动员的生理指标参数进行监测，确保所制定的运动训练计划不会对运动员产生负面影响。
一方面，本发明实施例提供了一种运动员生理指标检测系统，包括：信号采集电极、信号处理设备和移动设备端；
所述信号采集电极与信号处理设备电连接；所述信号处理设备与移动设备端无线通信连接；
所述信号采集电极将采集的运动员多模态生理信号，发送至所述信号处理设备；
所述信号处理设备对接收的所述多模态生理信号进行预处理，并从预处理后的多模态生理信号中提取出特征值，通过对所述特征值进行训练获得生理指标分数以及对应的生理指标等级，并将所述生理指标分数以及对应的生理指标等级发送至所述移动设备端；
所述移动设备端展示所述生理指标分数以及对应的生理指标等级。
进一步地，还包括数据平台服务器；
所述数据平台服务器与所述移动设备端无线通信连接；
所述移动设备端将所述生理指标分数以及对应的生理指标等级转发至所述数据平台服务器，由所述数据平台服务器对所述生理指标分数以及对应的生理指标等级进行存储并分析。
进一步地，所述信号采集电极为干电极或湿电极。
进一步地，所述信号处理设备包括：微处理器以及与所述微处理器连接的预处理组件、通信模块；
所述预处理组件，用于对所述多模态生理信号进行放大、滤波和下采样处理；
所述微处理器，用于从预处理后的多模态生理信号中提取出特征值，并通过SVM算法和CNN算法对所述特征值进行训练，获得生理指标分数以及对应的生理指标等级；并通过所述通信模块将所述生理指标分数以及对应的生理指标等级发送至所述移动设备端。
进一步地，所述预处理组件包括依次连接的初级信号放大模块，次级信号放大模块，滤波电路模块和高精度采样模块；
所述初级信号放大模块和次级信号放大模块，用于对所述多模态生理信号进行放大处理；
所述滤波电路模块，用于消除经放大处理后所述多模态生理信号的工频干扰和基线漂移；
所述高精度采样模块，用于对经消除工频干扰和基线漂移处理后的所述多模态生理信号进行AD信号采集。
进一步地，所述初级信号放大模块的输入阻抗为10MΩ以上。
进一步地，所述高精度采样模块的采样频率为250HZ以上，采样位数为16位以上。
进一步地，所述信号处理设备还包括指示控制模块；
所述指示控制模块与所述微处理器连接；
所述微处理器控制所述指示控制模块表征所述通信模块和移动设备端的连接状态。
另一方面，本发明实施例提供了一种运动员生理指标检测方法，应用上述中的系统，包括：
S1、采集运动员的多模态生理信号；
S2、对所述多模态生理信号进行预处理，并从预处理后的多模态生理信号中提取出特征值，通过对所述特征值进行训练获得生理指标分数以及对应的生理指标等级；
S3、对所述生理指标分数以及对应的生理指标等级进行展示。
进一步地，所述S2具体包括：
S21、对所述多模态生理信号进行放大处理；
S22、消除经放大处理后所述多模态生理信号的工频干扰和基线漂移；
S23、对经消除工频干扰和基线漂移处理后的所述多模态生理信号进行AD信号采集；
S24、从所述S23处理后的多模态生理信号中提取出特征值，并通过SVM算法和CNN算法对所述特征值进行训练，获得生理指标分数以及对应的生理指标等级。
与现有技术相比，本发明记载的一种运动员生理指标检测系统及方法，具有如下有益效果：
(1)本发明可以提供一个利用多模态信号检测运动疲劳程度的装置和方法，是一种使用方便、成本低廉、可大规模推广的解决方案。
(2)设备符合低功耗要求，可以及在便携式设备中实施。
(3)可以在日常训练中对运动员的生理参数进行监测，不会对其运动产生负面影响。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的运动员生理指标检测系统框架图。
图2为本发明实施例提供的运动员生理指标检测方法流程图。
图3为本发明实施例提供的CNN测量运动疲劳模型结构图。
图4为本发明实施例提供的CNN分类模型工作示意图。
图5为本发明实施例提供的SVM分类模型工作示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
参见图1所示，本发明实施例提供了一种运动员生理指标检测系统，包括信号采集电极100、信号处理设备110、移动设备端120和数据平台服务器130；
其中，信号采集电极100与信号处理设备110电连接；信号处理设备110与移动设备端120无线通信连接；移动设备端120与数据平台服务器130无线通信连接；
信号采集电极100将采集到的运动员多模态生理信号发送至信号处理设备110；信号处理设备110对接收的多模态生理信号进行预处理，并从预处理后的多模态生理信号中提取出特征值，通过对特征值进行训练获得生理指标分数以及对应的生理指标等级，并将生理指标分数以及对应的生理指标等级发送至移动设备端120；移动设备端120展示生理指标分数以及对应的生理指标等级。之后，移动设备端120将生理指标分数以及对应的生理指标等级转发至数据平台服务器130，由数据平台服务器对生理指标分数以及对应的生理指标等级进行存储并分析。
接下来对上述信号采集电极100、信号处理设备110、移动设备端120和数据平台服务器130进行详细说明。
1、信号采集电极100：
本发明实施例中的信号采集电极100是一种多模态生理信号采集设备，其主要用于采集心电信号、加速度信号和脉搏波信号，通过电极贴和外接脉搏指套获取信号，可以连续实时记录待测者的运动生理信号。该信号采集电极100由导电性能良好材质制作而成，可以是干电极，如金属、金属合金电极和导电布等；也可以是湿电极。本发明中的信号采集电极100分别固定在系统的两侧。
2、信号处理设备110：
本发明实施例中的信号处理设备110包括：微处理器115以及与微处理器115连接的预处理组件、指示控制模块116和通信模块117；其中预处理组件用于对多模态生理信号进行放大、滤波和下采样处理，从而得到较为纯净的多模态生理信号；微处理器115用于从预处理后的多模态生理信号中提取出特征值，并通过SVM算法和CNN算法对特征值进行训练，获得生理指标分数以及对应的生理指标等级；并通过通信模块117将生理指标分数以及对应的生理指标等级发送至移动设备端120；指示控制模块116与所述微处理器连接，在微处理器115的控制下，指示控制模块116用于表征通信模块117和移动设备端120以及本地存储模块的连接状态；当通信模块116和移动客户端120处于连接状态时，连接指示灯提示；当解析模块获取的信号质量不稳定或无信号时，通过声音或者指示灯提示。
其中，预处理组件包括依次连接的初级信号放大模块111，次级信号放大模块112，滤波电路模块113和高精度采样模块114；在本发明实施例中，初级信号放大模块111、次级放大模块112、滤波电路模块113、高精度采样模块114，甚至微处理器115都可以集成在一个芯片内部，以减小设备的尺寸和体积，适用于可穿戴设备。
初级信号放大模块111为微弱信号的第一级放大电路，用于将信号采集电极100采集到的心电信号、脉搏波信号和加速度进行初级放大，并将电流信号转换成电压信号；初级信号放大模块111的输入阻抗为10MΩ以上，远大于电极与皮肤间的阻抗，以便于获取更高幅值的信号；此外，初级信号放大模块111还具有低噪声、高共模抑制比、低漂移、非线性等特点，能够提供合适的动态范围；次级信号放大模块112用于进一步放大初级信号放大模块111处理后的信号，以提高增益；滤波电路模块113用于消除工频干扰、基线漂移、外部可能存在的噪声，以及肌电干扰；高精度采样模块114用于采集滤波电路模块113处理后的信号，并进行高精度AD信号采集；高精度采样模块114具有很高的采样频率和采样精度，其采样频率为250HZ以上，采样位数为16位以上，从而确保能够提取有效的多模态生理信号；
微处理器115内嵌高性能主控芯片，具体可为STM32、FPGA、DSP等类型的单片机系统，用于从预处理后的多模态生理信号中提取出特征值，并通过SVM算法和CNN算法对所述特征值进行训练，获得生理指标分数以及对应的生理指标等级；并通过所述通信模块将所述生理指标分数以及对应的生理指标等级发送至所述移动设备端；主控芯片通过串口与通信模块117进行通信，串口通信模块通过蓝牙或WIFI与移动设备端120进行通信。
3、移动设备端120和数据平台服务器130：
本发明实施例中的移动设备端120可以是手机、平板、电脑等移动设备；移动设备端120可以充当中转设备，通过WIFI或4G将生理指标分数以及对应的生理指标等级传输给数据平台服务器130，由数据平台服务器130进行存储和分析，以获得运动员长期的生理指标数据。移动设备端120还配置有与该系统相应的APP，可以对微处理器115的计算结果(生理指标分数以及对应的生理指标等级)的实时显示。移动设备端120还集成了本地存储模块，将生理指标分数以及对应的生理指标等级实时地存储在本地，在处理数据时随时取用。
数据平台服务器130对移动设备端120发送来的数据进行大数据分析，配置成对长期采集的数据汇总分析并起到长期跟踪冰雪运动员的训练疲劳度健康状况，并提供指导建议。此外，数据平台服务器130还包括显示屏，可以对数据进行实时显示。
本发明实施例还提供了一种运动员生理指标检测方法，应用上述中的系统，如图2所示，该方法具体包括：
S1、采集运动员的多模态生理信号；
S2、对所述多模态生理信号进行预处理，并从预处理后的多模态生理信号中提取出特征值，通过对所述特征值进行训练获得生理指标分数以及对应的生理指标等级；
S3、对所述生理指标分数以及对应的生理指标等级进行展示、存储与分析。
其中，步骤S2中的预处理方法包括放大、低通滤波、下采样；
具体包括：
S21、对所述多模态生理信号进行放大处理；
S22、消除经放大处理后所述多模态生理信号的工频干扰和基线漂移；
S23、对经消除工频干扰和基线漂移处理后的所述多模态生理信号进行AD信号采集；
S24、从所述S23处理后的多模态生理信号中提取出特征值，并通过SVM算法和CNN算法对所述特征值进行训练，获得生理指标分数以及对应的生理指标等级。
其中，步骤S24具体包括：
S241、利用各种滤波方法、小波变换、阈值插值提取算法，傅里叶变换等方法提取和生理指标相关的特征值；
首先，训练冲量：
TRIMP＝D(ΔHRratio)ec(ΔHRratio)
ΔHRratio＝(HRex-HRrest)/(HRmax-HRrest)
其中，TRIMP表示内部训练负荷；D表示训练时长；c表示常数，对于女性是1.67，对于男性是1.92；HRrest表示运动员在休息时的平均心率；HRex表示运动员在运动时的平均心率；HRmax表示运动员的最大心率；
其次，构建适应度与疲劳的应激响应模型；此处根据生理指标分数以及对应的等级设定阈值，当运动员的生理指标分数以及等级超过阈值时，则认为该运动员处于疲劳状态；
performance＝Fitness-Fatigue
其中，
表示运动员的performance量化指标；p*表示运动表现的基本值；k1、k2分别表示增益项；τ1、τ2分别表示时间常数；
表示k2在第h天的值；k3表示在计算
时所需的一个增益；wh表示w(t)在第h天的值，w(t)表示每天训练冲量的离散函数。
通过最小化模型性能与实际性能(RSS)之间的残差平方和来确定模型参数集；其中Fitness表示运动冲量；Fatigue则表示疲劳冲量。
上述关于训练冲量的计算和应激响应的构建是基于已经经过各种滤波方法、小波变换、阈值插值提取算法，傅里叶变换等处理过后的心电(从心电信号中得到了最大心率、最小心率、心率变异性等特征值)，才得到了计算训练冲量和构建应激响应模型的基础。虽然训练冲量和构建应激响应模型是现有的计算方法，但并未普遍的用在运动疲劳评估中(更多的用在过度训练/欠缺训练状态的评估中)。并且，在本发明实施例的运动员生理指标评估(运动员疲劳度评估)中，是将训练冲量和构建应激响应模型评估所得到的结果，作为评估模型的一维输入(相当于一个人工提取的特征值)输入进入机器学习模型中，最终达到运动疲劳度分类的效果；此处的疲劳度评估是指评估运动员在参加完运动后的生理指标情况，以及以当前的生理指标情况是否有余力继续参与之后的训练。
S242、利用机器学习和深度学习模型进行数据分类，即利用得到多模态信号的特征值和多模态信号的原始数据进行评分与分类：根据权威规范的运动疲劳度自测量表《RPE：theratingofperceivedexertion》，采用CNN、支持向量机(SVM)等机器学习对多模态生理信号对应的生理指标分数进行等级划分；
接下来对SVM和CNN进行具体说明。
(1)SVM测量运动疲劳模型
支持向量机(SupportVectorMachine,SVM)，是一种按监督学习的方式对数据进行二元或多元分类的线性分类器。SVM的学习策略为“在核函数映射的特征空间中求解间隔最大的分类”，根据结构风险最小原理和VC维(Vapnik-ChervonenkisDimension)理论，SVM能够兼顾模型的复杂性和学习能力，求得最佳分类方案，这使SVM在识别高维小样本模式的工作中表现出独特优势。
将多模态生理信号谱密度熵和小波包熵，依次标记为xi(i＝1,2,3,....，N)，设定输入样本集合为X＝{(x1,y1),…,(xN,yN)}，分类标签yn∈{1,2,3,4}，n＝1，2，...，N。最终目的即找到决策函数y＝f(x)，用于识别样本类别。分类器的优化目标及约束条件如下：
式中：上标ij表示第i类和第j类之间的二分类SVM参数，下标t表示第i类和第j类的集中样本索引，φ表示从输入空间到特征空间的非线性映射函数，w表示6维空间向量，ξ为松弛变量。
针对本专利疲劳分类，一共需6个SVM分类器，平均每个分类器包含N/6个样本，每个对偶问题包含2N/6个变量。第i类和第j类之间的二分类SVM的决策函数如下：
式中，α为拉格朗日乘子，b为标量。该公式用于识别样本属于i类还是j类。最后，采用投票策略(VotingStrategy)对测试样本进行分类。每个二分类SVM根据其决策函数对新数据Xnew进行投票，如i类和j类间的二分类SVM预测Xnew为i类，则i类加1票，反之则j类加1票。在所有的二分类SVM均分类结束后，得票最多的分类标签就是对Xnew的类别预测。如果出现平票，则归属于索引较小的类别。
(2)CNN测量运动疲劳模型
CNN最初应用于图像识别，经典的CNN网络主要由输入层、卷积层、池化层、全连接层和输出层构成。首先，在输入层输入信号，由卷积层和池化层配合，基于局部感受野，设定多个卷积核(滤波器)对输入信号进行卷积运算，逐层提取目标特征。池化层的作用在于保留数据特征的情况下，降低数据维度以减少计算量而达到快速计算的目的。
基于生理信号的时-空特性，本专利创新地设计了一种CNN结构，如图3。在卷积层中，针对性设置向量式而非矩阵式的卷积核，单层卷积运算，只提取其中的时间或空间特征，在第二层卷积层再另行提取空间(或时间)特征，进而对运动疲劳进行分类。具体如图3所示。在特征提取时，需兼顾时间与空间特征，分类部分则与BP神经网络类似。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种运动员生理指标检测系统，其特征在于，包括：信号采集电极、信号处理设备和移动设备端；
所述信号采集电极与信号处理设备电连接；所述信号处理设备与移动设备端无线通信连接；
所述信号采集电极将采集的运动员多模态生理信号，发送至所述信号处理设备；
所述信号处理设备对接收的所述多模态生理信号进行预处理，并从预处理后的多模态生理信号中提取出特征值，通过对所述特征值进行训练获得生理指标分数以及对应的生理指标等级，并将所述生理指标分数以及对应的生理指标等级发送至所述移动设备端；
所述移动设备端展示所述生理指标分数以及对应的生理指标等级。
2.如权利要求1所述的一种运动员生理指标检测系统，其特征在于，还包括数据平台服务器；
所述数据平台服务器与所述移动设备端无线通信连接；
所述移动设备端将所述生理指标分数以及对应的生理指标等级转发至所述数据平台服务器，由所述数据平台服务器对所述生理指标分数以及对应的生理指标等级进行存储并分析。
3.如权利要求1所述的一种运动员生理指标检测系统，其特征在于，所述信号采集电极为干电极或湿电极。
4.如权利要求1所述的一种运动员生理指标检测系统，其特征在于，所述信号处理设备包括：微处理器以及与所述微处理器连接的预处理组件、通信模块；
所述预处理组件，用于对所述多模态生理信号进行放大、滤波和下采样处理；
所述微处理器，用于从预处理后的多模态生理信号中提取出特征值，并通过SVM算法和CNN算法对所述特征值进行训练，获得生理指标分数以及对应的生理指标等级；并通过所述通信模块将所述生理指标分数以及对应的生理指标等级发送至所述移动设备端。
5.如权利要求4所述的一种运动员生理指标检测系统，其特征在于，所述预处理组件包括依次连接的初级信号放大模块，次级信号放大模块，滤波电路模块和高精度采样模块；
所述初级信号放大模块和次级信号放大模块，用于对所述多模态生理信号进行放大处理；
所述滤波电路模块，用于消除经放大处理后所述多模态生理信号的工频干扰和基线漂移；
所述高精度采样模块，用于对经消除工频干扰和基线漂移处理后的所述多模态生理信号进行AD信号采集。
6.如权利要求5所述的一种运动员生理指标检测系统，其特征在于，所述初级信号放大模块的输入阻抗为10MΩ以上。
7.如权利要求5所述的一种运动员生理指标检测系统，其特征在于，所述高精度采样模块的采样频率为250HZ以上，采样位数16位以上。
8.如权利要求4所述的一种运动员生理指标检测系统，其特征在于，所述信号处理设备还包括指示控制模块；
所述指示控制模块与所述微处理器连接；
所述微处理器控制所述指示控制模块表征所述通信模块和移动设备端的连接状态。
9.一种运动员生理指标检测方法，其特征在于，应用权利要求1-8任一项所述的系统，包括：
S1、采集运动员的多模态生理信号；
S2、对所述多模态生理信号进行预处理，并从预处理后的多模态生理信号中提取出特征值，通过对所述特征值进行训练获得生理指标分数以及对应的生理指标等级；
S3、对所述生理指标分数以及对应的生理指标等级进行展示。
10.如权利要求9所述的一种运动员生理指标检测方法，其特征在于，所述S2具体包括：
S21、对所述多模态生理信号进行放大处理；
S22、消除经放大处理后所述多模态生理信号的工频干扰和基线漂移；
S23、对经消除工频干扰和基线漂移处理后的所述多模态生理信号进行AD信号采集；
S24、从所述S23处理后的多模态生理信号中提取出特征值，并通过SVM算法和CNN算法对所述特征值进行训练，获得生理指标分数以及对应的生理指标等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111627818.2A CN114366025B (zh) | 2021-12-28 | 2021-12-28 | 一种运动员生理指标检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111627818.2A CN114366025B (zh) | 2021-12-28 | 2021-12-28 | 一种运动员生理指标检测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114366025A true CN114366025A (zh) | 2022-04-19 |
| CN114366025B CN114366025B (zh) | 2023-12-26 |
Family
ID=81141628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111627818.2A Active CN114366025B (zh) | 2021-12-28 | 2021-12-28 | 一种运动员生理指标检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114366025B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102805618A (zh) * | 2012-07-30 | 2012-12-05 | 北京市体育科学研究所 | 一种无线式运动员生理参数检测终端及其检测方法 |
| CN107609597A (zh) * | 2017-09-26 | 2018-01-19 | 嘉世达电梯有限公司 | 一种电梯轿厢人数检测系统及其检测方法 |
| CN107736886A (zh) * | 2016-08-14 | 2018-02-27 | 郑州动量科技有限公司 | 运用实时心率遥感运动负荷监测与评估方法及其系统 |
| US20180060732A1 (en) * | 2016-08-25 | 2018-03-01 | TCL Research America Inc. | Personalized intelligent wake-up system and method based on multimodal deep neural network |
| CN108392211A (zh) * | 2018-01-11 | 2018-08-14 | 浙江大学 | 一种基于多信息融合的疲劳检测方法 |
| EP3391809A1 (en) * | 2017-04-21 | 2018-10-24 | Koninklijke Philips N.V. | Fitness level prediction device, system and method |
| CN108968941A (zh) * | 2018-05-25 | 2018-12-11 | 深圳市太空科技南方研究院 | 一种心律失常检测方法、装置及终端 |
| US20190133468A1 (en) * | 2017-11-03 | 2019-05-09 | Samsung Electronics Co., Ltd. | Method and apparatus for high accuracy photoplethysmogram based atrial fibrillation detection using wearable device |
| CN109922719A (zh) * | 2016-11-07 | 2019-06-21 | 皇家飞利浦有限公司 | 用于量化对象的身体疲劳的系统、方法和计算机程序 |
| CN111012345A (zh) * | 2019-12-31 | 2020-04-17 | 中科诺泰(山东)智能科技有限公司 | 眼部疲劳度检测系统及方法 |
| US20200367800A1 (en) * | 2019-01-23 | 2020-11-26 | Wuyi University | Method for identifying driving fatigue based on cnn-lstm deep learning model |
-
2021
- 2021-12-28 CN CN202111627818.2A patent/CN114366025B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102805618A (zh) * | 2012-07-30 | 2012-12-05 | 北京市体育科学研究所 | 一种无线式运动员生理参数检测终端及其检测方法 |
| CN107736886A (zh) * | 2016-08-14 | 2018-02-27 | 郑州动量科技有限公司 | 运用实时心率遥感运动负荷监测与评估方法及其系统 |
| US20180060732A1 (en) * | 2016-08-25 | 2018-03-01 | TCL Research America Inc. | Personalized intelligent wake-up system and method based on multimodal deep neural network |
| CN109922719A (zh) * | 2016-11-07 | 2019-06-21 | 皇家飞利浦有限公司 | 用于量化对象的身体疲劳的系统、方法和计算机程序 |
| EP3391809A1 (en) * | 2017-04-21 | 2018-10-24 | Koninklijke Philips N.V. | Fitness level prediction device, system and method |
| CN107609597A (zh) * | 2017-09-26 | 2018-01-19 | 嘉世达电梯有限公司 | 一种电梯轿厢人数检测系统及其检测方法 |
| US20190133468A1 (en) * | 2017-11-03 | 2019-05-09 | Samsung Electronics Co., Ltd. | Method and apparatus for high accuracy photoplethysmogram based atrial fibrillation detection using wearable device |
| CN108392211A (zh) * | 2018-01-11 | 2018-08-14 | 浙江大学 | 一种基于多信息融合的疲劳检测方法 |
| CN108968941A (zh) * | 2018-05-25 | 2018-12-11 | 深圳市太空科技南方研究院 | 一种心律失常检测方法、装置及终端 |
| US20200367800A1 (en) * | 2019-01-23 | 2020-11-26 | Wuyi University | Method for identifying driving fatigue based on cnn-lstm deep learning model |
| CN111012345A (zh) * | 2019-12-31 | 2020-04-17 | 中科诺泰(山东)智能科技有限公司 | 眼部疲劳度检测系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王金之 等: "运动监控在过度训练综合征中的研究现状", 《体育科技文献通报》, vol. 25, no. 6 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114366025B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200367800A1 (en) | Method for identifying driving fatigue based on cnn-lstm deep learning model | |
| CN108392211B (zh) | 一种基于多信息融合的疲劳检测方法 | |
| WO2019100565A1 (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
| CN108304917A (zh) | 一种基于lstm网络的p300信号检测方法 | |
| CN110151203B (zh) | 基于多级雪崩式卷积递归网络eeg分析的疲劳驾驶识别方法 | |
| CN107742534A (zh) | 患者存活性预测系统 | |
| Lin et al. | Artificial intelligence of things wearable system for cardiac disease detection | |
| CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
| CN103886341A (zh) | 基于特征组合的步态行为识别方法 | |
| CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
| TWI701681B (zh) | 心房顫動預測模型及其預測系統 | |
| CN105550659A (zh) | 基于随机投影的实时心电分类方法 | |
| Fang et al. | Dual-channel neural network for atrial fibrillation detection from a single lead ECG wave | |
| CN111370124A (zh) | 一种基于面手部识别和大数据的健康分析系统及方法 | |
| CN106559744A (zh) | 一种基于稀疏识别与压缩感知的体域网节能方法 | |
| CN110960211A (zh) | 一种基于嵌入式的心电实时监测系统 | |
| Tong et al. | CNN-based PD hand tremor detection using inertial sensors | |
| CN113288168A (zh) | 一种智能可穿戴疲劳监测及预警系统 | |
| Bazi et al. | Real-time mobile-based electrocardiogram system for remote monitoring of patients with cardiac arrhythmias | |
| CN114512239A (zh) | 基于迁移学习的脑卒中风险预测方法及系统 | |
| AlOmari et al. | Novel hybrid soft computing pattern recognition system SVM–GAPSO for classification of eight different hand motions | |
| CN114366025B (zh) | 一种运动员生理指标检测系统及方法 | |
| Anupama et al. | Real-time EEG based object recognition system using Brain Computer Interface | |
| Terracina et al. | Real-time forecasting and classification of trunk muscle fatigue using surface electromyography | |
| CN210697629U (zh) | 信号采集装置、移动终端和信号分析系统 |
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 |