CN114886433A - 一种具备环境适应能力的运动负荷评估方法 - Google Patents
一种具备环境适应能力的运动负荷评估方法 Download PDFInfo
- Publication number
- CN114886433A CN114886433A CN202210600182.0A CN202210600182A CN114886433A CN 114886433 A CN114886433 A CN 114886433A CN 202210600182 A CN202210600182 A CN 202210600182A CN 114886433 A CN114886433 A CN 114886433A
- Authority
- CN
- China
- Prior art keywords
- data
- frequency power
- heart rate
- interval time
- peak interval
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- 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
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/363—Detecting tachycardia or bradycardia
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
- A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
- A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
- A61B2560/0252—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value using ambient temperature
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physical Education & Sports Medicine (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种具备环境适应能力的运动负荷评估方法,包括训练阶段和预测阶段,训练阶段,让对象人员开始运动;测量对象人员的心电数据和所处环境的温度、相对湿度数据;基于所测量的心电数据计算心率差值特征;基于所测量的心电数据计算心率变异性特征;利用心率差值特征、心率变异性特征、周围环境温度和相对湿度数据,训练并验证基于分类器模型的运动负荷评估模型,选择在测试集上具有最高识别率的训练模型应用于预测阶段。本发明结合周围环境温度、相对湿度以及对象人员的生理数据,在不需要询问对象人员的情况下,能够准确预测出对象人员的运动负荷,且具有环境适应能力。
Description
技术领域
本发明涉及一种具备环境适应能力的运动负荷评估方法,并且更具体地,涉及使用温度、相对湿度、心电数据来预测运动负荷的方法。
背景技术
无论普通人健身锻炼或是运动员日常训练,都需要根据自身情况调整运动方案,结合多种负荷的运动达到提升运动能力的效果。不合理的运动方案无法让运动员达到运动期望效果,甚至导致运动员受伤。因此,合理进行运动负荷评估对于提升训练效率至关重要。
传统的运动负荷评估方案为主观评估。主观评估通常基于对受训者的问卷调查,准确地获取受训者的主观感知状态,例如自感疲劳分级(RPE)、疲劳性量表(FS-14)等。但主动评估通常是一种事后评估方式,无法实时、动态地评估人体运动负荷,且问卷调查耗时耗力。
目前现有的运动负荷评估研究方向为客观评估。客观评估通常基于受训者的心率、呼吸频率、脑电信号等生理参数以及主观评估获取的感知状态,通过构建生理参数与感知状态的关系模型,实现量化、准确、实时的人体运动负荷评估。然而,当前客观评估方法主要在适宜环境下进行生理参数与感知状态关系的建模,忽略了环境因素的影响。
因此,提供一种具备环境适应能力的运动负荷评估方法,指导运动人员在多变环境的条件下进行训练,增强运动负荷评估设备的环境适用性,是本领域技术人员亟待解决的技术问题。
发明内容
为了克服已有技术的不足,针对现有运动负荷评估方案对环境因素忽略的问题,本发明提出了一种具备环境适应能力的运动负荷评估方法,使用温度、相对湿度、心电数据来预测运动负荷,结合周围环境温度、相对湿度以及对象人员的生理数据,在不需要询问对象人员的情况下,能够准确预测出对象人员的运动负荷,且具有环境适应能力。
本发明解决其技术问题所采用的技术方案是:
一种具备环境适应能力的运动负荷评估方法,所述方法包括训练阶段和预测阶段,所述的训练阶段包括以下步骤:
步骤S1:召集对象人员,让对象人员保持身体静止、呼吸平稳,然后让对象人员进入运动状态,并在稳定状态下进行运动,询问获得对象人员的运动负荷;
步骤S2:测量对象人员在他/她进行运动的时段中的心电数据,测量对象人员在他/她进行运动的时段中周围环境温度与相对湿度的数据;
步骤S3:利用步骤S2中采集得到的心电数据计算心率差值特征;
步骤S4:利用步骤S2中采集得到的心电数据计算心率变异性特征;
步骤S5:利用步骤S1、步骤S2、步骤S3、步骤S4所获得的周围环境温度与相对湿度的数据、心率差值特征、心率变异性特征构建样本集Sample;
步骤S6:将样本集Sample划分为训练数据SampleT和测试数据SampleV,利用模型训练数据SampleT训练分类器模型,并在测试数据SampleV上进行模型测试;
所述的预测阶段包括以下步骤:
步骤T1:选定一名对象人员,让对象人员保持身体静止、呼吸平稳,然后让对象人员进入运动状态,并在稳定状态下进行运动;
步骤T2:测量对象人员在他/她进行运动的时段中的心电数据,测量对象人员在他/她进行运动的时段中周围环境温度与相对湿度的数据;
步骤T3:利用步骤T2中采集得到的心电数据计算心率差值特征、心率变异性特征;
步骤T4:利用步骤T2、步骤T3所获得的周围环境温度与相对湿度的数据、心率差值特征、心率变异性特征和步骤S6训练好的分类器模型预测对象人员的运动负荷。
进一步,所述的步骤S1的过程为:
召集多位对象人员Pj∈[P1,P2,...,PL],L为对象人员数量,j=1,2,...,L,维持对象人员Pj周围的环境状态,所述的环境状态是指对象人员Pj所处的环境的温度、相对湿度,让对象人员Pj保持身体静止、呼吸平稳,然后让对象人员Pj开始运动,对象人员Pj在运动中维持稳定的运动状态不变,所述的运动状态是指对象人员Pj的运动速度,询问获得当前对象人员Pj的运动负荷Ri,所述的运动负荷Ri是基于自感疲劳分级制定,包括从身体静止到体力极限的十个RPE等级;改变环境状态、运动状态和对象人员,从而获得多组运动负荷Ri,共同组成运动负荷样本集R=[R1,R2,...,RM],M为所有采集得到的样本数目,i=1,2,...,M。
再进一步,所述的步骤S2的过程为:
利用心电信号采集设备测量对象人员Pj的心电数据Ei,所述的心电数据Ei包括身体静止时的心电数据Ei|resting和运动中的心电数据Ei|sport,利用环境温度计与环境湿度计测量对象人员Pj所处环境的温度Ti、相对湿度Si,改变环境状态、运动状态和对象人员,从而获得多组心电数据Ei、温度数据Ti、相对湿度数据Si,组成心电数据样本集E=[E1,E2,...,EM]、温度数据样本集T=[T1,T2,...,TM]、相对湿度数据样本集S=[S1,S2,...,SM],M为所有采集得到的样本数目,i=1,2,...,M。
更讲一步,所述的步骤S3的过程为:
利用R峰识别算法对步骤S2中心电数据Ei进行信号处理,获取步骤S2中心电数据的R峰位置并计算R峰间隔时间,利用R峰间隔时间的均值计算心率HRi,其计算公式为:
计算心率差值HDi替代心率HRi,作为步骤S3的心率差值特征,心率差值HDi的计算公式为:
HDi=HRi|sport-HRi|resting
其中,HRi|sport是指利用Ei中包含的Ei|sport计算所得的心率,HRi|resting是指利用Ei中包含的Ei|resting计算所得的心率;
利用步骤S2中心电数据样本集E中每组心电数据Ei计算心率差值HDi,组成心率差值样本集HD=[HD1,HD2,...,HDM],M为所有采集得到的样本数目,i=1,2,...,M。
所述的步骤S4的过程为:
使用频域变换法将步骤S3中由心电数据Ei包含的Fi|sport计算得到的R峰间隔时间转换为频域形式,其计算公式为:
f(t)i→F(w)i
其中,f(t)i表示R峰间隔时间的时域函数,F(w)i表示R峰间隔时间的频谱函数,分别计算R峰间隔时间频域形式的低频功率LFi和高频功率HFi,计算所获的低频功率和高频功率的比值,获得低频功率与高频功率之比LHi,以低频功率LFi、低频功率与高频功率之比LHi作为心率变异性特征;
所述的低频功率LFi,表示R峰间隔时间在0.04-0.15Hz区间的功率值,用于评估人体疲劳程度,其计算公式如下:
其中,w是指频率,F(w)i表示R峰间隔时间的频谱函数,LFi是指R峰间隔时间的低频功率;
所述的高频功率HFi,表示R峰间隔时间在0.15-0.4Hz区间的功率值,其计算公式如下:
其中,w是指频率,F(w)i表示R峰间隔时间的频谱函数,HFi是指R峰间隔时间的高频功率;
所述的低频功率与高频功率之比LHi,其计算公式如下:
其中,w是指频率,F(w)i表示R峰间隔时间的频谱函数,LHi是指R峰间隔时间的低频功率与高频功率的比值;
利用步骤S2中心电数据样本集E中每条心电数据计算低频功率LFi、低频功率与高频功率之比LHi,组成低频功率样本集LF=[LF1,LF2,...,LFM]、LH=[LH1,LH2,...,LHM],M为所有采集得到的样本数目,i=1,2,...,M。
所述的步骤S5的过程为:
利用步骤S1、步骤S2、步骤S3、步骤S4所获得的周围环境温度样本集T与相对湿度样本集S、心率差值样本集HD、低频功率样本集LF、低频功率与高频功率之比样本集LH构建多组特征矩阵Features_Inputi,所述的特征矩阵Features_Inputi表示为:
Features_Inputi={Ti,Si,HDi,LFi,LHi}
每个特征矩阵由五个点值数据组成,分别为:环境温度Ti、相对湿度Si,、心率差值数据HDi、低频功率LFi,、低频功率与高频功率之比LHi,每个特征矩阵Features_Inputi对应运动负荷样本集R中的运动负荷Ri,将该对应的运动负荷Ri作为特征矩阵Features_Inputi的运动负荷标签,所有特征矩阵共同构成样本集Sample=[Features_Input1,Features_Input2,...,Features_InputM],M为所有采集得到的样本数目,i=1,2,...,M。
所述的步骤S6的过程为:
将步骤S5所述的样本数据集Sample划分为训练数据SampleT和测试数据SampleV,所述的训练数据用于训练模型,所述的测试数据用于模型性能测试,对模型的预测效果进行评价;所述的评价依据的评价标准基于准确率Accuracy,所述的准确率通过利用测试数据预测运动负荷,并将预测结果同特征矩阵运动负荷标签进行比较得到,所述的准确率Accuracy计算公式如下:
其中,指代所述的分类器模型输出的预测的运动负荷,Ri指代测试数据数据集特征矩阵中的运动负荷标签,g(i)指代对第i个样本预测正误的判断函数,g(i)=1代表预测正确,g(i)=0代表预测错误,N为测试数据中预测正确的样本数量,V为测试数据样本数量;
利用训练数据训练分类器模型,然后利用经测试数据测试训练后的分类器模型,生成准确率;根据所述的准确率进一步调优分类器模型,并重复利用训练数据训练分类器模型,使得准确率尽可能的达到最大值,所述的调优为调整分类器模型的模型参数。
进一步,所述的步骤T1的过程为:
选定一位对象人员P,维持对象人员P周围的环境状态,所述的环境状态是指对象人员P所处的环境的温度、相对湿度,让对象人员P保持身体静止、呼吸平稳,然后让对象人员P开始运动,对象人员P在运动中维持稳定的运动状态不变,所述的运动状态是指对象人员P的运动速度。
所述的步骤T2的过程为:
利用心电信号采集设备测量对象人员P的心电数据EP,所述的心电数据EP包括身体静止时测得的心电数据EP|resting和运动中测得的心电数据EP|sport,利用环境温度计与环境湿度计测量运动中对象人员P所处环境的温度TP、相对湿度SP。
所述的步骤T3的过程为:
利用R峰识别算法对步骤T2中心电数据EP进行信号处理,获取步骤T2中心电数据的R峰位置并计算R峰间隔时间。利用R峰间隔时间的均值计算心率HRP,其计算公式为:
计算心率差值HDP替代心率HRP,作为步骤S3的心率差值特征,心率差值HDP的计算公式为:
HDP=HRP|sport-HRP|resting
其中,HRP|sport是指利用EP中包含的EP|sport计算所得的心率,HRP|resting是指利用EP中包含的EP|resting计算所得的心率;
使用频域变换法将步骤T3中由心电数据EP包含的EP|sport计算得到的R峰间隔时间转换为频域形式,其计算公式为:
f(t)P→F(w)P
其中,f(t)P表示R峰间隔时间的时域函数,F(w)P表示R峰间隔时间的频谱函数,分别计算R峰间隔时间频域形式的低频功率LFP和高频功率HFP,计算所获的低频功率和高频功率的比值,获得低频功率与高频功率之比LHP,以低频功率LFP、低频功率与高频功率之比LHP作为心率变异性特征。
所述的低频功率LFP,表示R峰间隔时间在0.04-0.15Hz区间的功率值,用于评估人体疲劳程度,其计算公式如下:
其中,w是指频率,F(w)P表示R峰间隔时间的频谱函数,LFP是指R峰间隔时间的低频功率。
所述的高频功率HFP,表示R峰间隔时间在0.15-0.4Hz区间的功率值,其计算公式如下:
其中,w是指频率,F(w)P表示R峰间隔时间的频谱函数,HFP是指R峰间隔时间的高频功率;
所述的低频功率与高频功率之比LHP,其计算公式如下:
其中,w是指频率,F(w)P表示R峰间隔时间的频谱函数,LHP是指R峰间隔时间的低频功率与高频功率的比值。
再进一步,所述的步骤T4的过程为:
利用步骤T2、步骤T3所获得的周围环境温度TP与相对湿度SP、心率差值HDP、低频功率LFP、低频功率与高频功率之比LHP构建特征矩阵Features_InputP,所述的特征矩阵Features_InputP表示为:
Features_Inputi={TP,SP,HDP,LFP,LHP}
每个特征矩阵由五个点值数据组成,分别为:环境温度TP、相对湿度SP、心率差值HDP、低频功率LFP、低频功率与高频功率之比LHP,将特征矩阵输入到训练阶段步骤S6训练完毕的分类器模型当中,即可预测对象人员的运动负荷RP。
本发明的有益效果主要表现在:利用运动中对象人员的心电数据、周围环境的温度数据、周围环境的相对湿度数据,在不需要询问对象人员的情况下,准确预测出运动负荷。更重要的是此方案因为考虑了不同温度、相对湿度的环境条件对运动负荷评估的影响,因此评估结果对环境条件中的温度、相对湿度具有很强的适应性。
附图说明
图1是一种具备环境适应能力的运动负荷评估方法的流程图。
图2是用于具体说明本发明实例训练阶段的操作流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种具备环境适应能力的运动负荷评估方法具备环境适应能力的运动负荷评估方法,所述方法包括训练阶段和预测阶段。
所述的训练阶段包括以下步骤:
步骤S1:召集对象人员,让对象人员保持身体静止、呼吸平稳,然后让对象人员进入运动状态,并在稳定状态下进行运动,询问获得对象人员的运动负荷;
所述的步骤S1的过程为:召集多位对象人员Pj∈[P1,P2,...,PL],L为对象人员数量,j=1,2,...,L,维持对象人员Pj周围的环境状态,所述的环境状态是指对象人员Pj所处的环境的温度、相对湿度;让对象人员Pj保持身体静止、呼吸平稳,然后让对象人员Pj开始运动,对象人员Pj在运动中维持稳定的运动状态不变,所述的运动状态是指对象人员Pj的运动速度,询问获得当前对象人员Pj的运动负荷Ri,所述的运动负荷Ri是基于自感疲劳分级制定,具体来说,该发明的所述的运动负荷使用的是公认的经过修正的Borg指数获得的值,简称为RPE等级,包括从身体静止到体力极限的十个等级,改变环境状态、运动状态和对象人员,从而获得多组运动负荷Ri,共同组成运动负荷样本集R=[R1,R2,...,RM],M为所有采集得到的样本数目,i=1,2,...,M;
需要说明的是,本实例的对象人员数量L为20人,男性,年龄在22岁左右,身体健康程度良好,受试期间没有运动损伤,自愿参加实验且在实验期间没有服用药物或含酒精饮料;
需要说明的是,本实例的环境状态具体情况为:温度、相对湿度交叉条件如表1所示,其中√为完成的环境条件,-为无法实现的环境条件,总计完成17种环境条件。
表1
需要说明的是,本实例的运动状态具体情况为:每名对象人员在每种环境条件下对应9种运动状态,所述的9种运动状态,是指本实例中对象人员在当前环境条件下进行运动,RPE达到前九级时的9种运动速度,考虑到对象人员生命安全和身体承受极限,本实例没有获取RPE等级10的运动速度。
需要说明的是,一组单轮采集流程会获取一组样本数据,所有采集得到的样本数目M在此实例中为20*17*9=3060。
步骤S2:测量对象人员在他/她进行运动的时段中的心电数据,测量对象人员在他/她进行运动的时段中周围环境温度与相对湿度的数据;
所述的步骤S2的过程为:利用心电信号采集设备测量对象人员Pj的心电数据Ei,所述的心电数据Ei包括身体静止时的心电数据Ei|resting和运动中的心电数据Ei|sport,时长各为1min。利用环境温度计与环境湿度计测量对象人员Pj所处环境的温度Ti、相对湿度Si。改变环境状态、运动状态和对象人员,从而获得多组心电数据Ei、温度数据Ti、相对湿度数据Si,组成心电数据样本集E=[E1,E2,...,EM]、温度数据样本集T=[T1,T2,...,TM]、相对湿度数据样本集S=[S1,S2,...,SM],M为所有采集得到的样本数目,i=1,2,...,M。
步骤S3:利用步骤S2中采集得到的心电数据计算心率差值特征;
所述的步骤S3的过程为:利用R峰识别算法对步骤S2中心电数据Ei进行信号处理,获取步骤S2中心电数据的R峰位置并计算R峰间隔时间。利用R峰间隔时间的均值计算心率HRi,其计算公式为:
计算心率差值HDi替代心率HRi,作为步骤S3的心率差值特征,心率差值HDi的计算方法为:
HDi=HRi|sport-HRi|resting
其中,HRi|sport是指利用Ei中包含的Ei|sport计算所得的心率,HRi|resting是指利用Ei中包含的Ei|resting计算所得的心率。
利用步骤S2中心电数据样本集E中每组心电数据Ei计算心率差值HDi,组成心率差值样本集HD=[HD1,HD2,...,HDM],M为所有采集得到的样本数目,i=1,2,...,M。
进一步说明,所述的R峰识别算法可选择领域内通用心电预处理算法,本实例中选用Pan-Tompkins算法。
步骤S4:利用步骤S2中采集得到的心电数据计算心率变异性特征;
使用频域变换法将步骤S2中由心电数据EP包含的EP|sport计算得到的R峰间隔时间转换为频域形式,本实例的频域变换法为快速傅里叶变换算法,其计算公式为:
其中,f(n)P表示R峰间隔时间的离散时间序列,n为时间序列编号,F(w)P表示R峰间隔时间的频谱函数,w为频率。分别计算R峰间隔时间频域形式的低频功率LFP和高频功率HFP。计算所获的低频功率和高频功率的比值,获得低频功率与高频功率之比LHP。以低频功率LFP、低频功率与高频功率之比LHP作为心率变异性特征。
步骤S4中所述的低频功率LFP,表示R峰间隔时间在0.04-0.15Hz区间的功率值,可用于评估人体疲劳程度,其计算公式如下:
其中,w是指频率,F(w)P表示R峰间隔时间的频谱函数,LFP是指R峰间隔时间的低频功率;
步骤S4中所述的高频功率HFP,表示R峰间隔时间在0.15-0.4Hz区间的功率值,其计算公式如下:
其中,w是指频率,F(w)P表示R峰间隔时间的频谱函数,HFP是指R峰间隔时间的高频功率;
步骤S4中所述的低频功率与高频功率之比LHP,其计算公式如下:
其中,w是指频率,F(w)P表示R峰间隔时间的频谱函数,LHP是指R峰间隔时间的低频功率与高频功率的比值;
利用步骤S2中心电数据样本集E中每条心电数据计算低频功率LFi、低频功率与高频功率之比LHi,组成低频功率样本集LF=[LF1,LF2,...,LFM]、LH=[LH1,LH2,...,LHM],M为所有采集得到的样本数目,i=1,2,...,M。
步骤S5:利用步骤S1、步骤S2、步骤S3、步骤S4所获得的周围环境温度与相对湿度的数据、心率差值特征、心率变异性特征构建样本集Sample;
所述的步骤S5的过程为:利用步骤S1、步骤S2、步骤S3、步骤S4所获得的周围环境温度样本集T与相对湿度样本集S、心率差值样本集HD、低频功率样本集LF、低频功率与高频功率之比样本集LH构建多组特征矩阵Features_Inputi,所述的特征矩阵Features_Inputi表示为:
Features_Inputi={Ti,Si,HDi,LFi,LHi}
每个特征矩阵由五个点值数据组成,分别为:环境温度Ti、相对湿度Si,、心率差值数据HDi、低频功率LFi、低频功率与高频功率之比LHi。每个特征矩阵Features_Inputi对应运动负荷样本集R中的运动负荷Ri,将该对应的运动负荷Ri作为特征矩阵Features_Inputi的运动负荷标签。所有特征矩阵共同构成样本集Sample=[Features_Input1,Features_Input2,...,Features_InputM],M为所有采集得到的样本数目,i=1,2,...,M。
步骤S6:将样本集S划分为训练数据ST和测试数据SV,利用模型训练数据ST训练分类器模型,并在测试数据SV上进行模型测试。
所述的步骤S6的过程为:将步骤S5所述的样本数据集Sample划分为训练数据SampleT和测试数据SampleV,所述的训练数据用于训练模型,所述的测试数据用于模型性能测试,对模型的预测效果进行评价。所述的评价依据的评价标准基于准确率Accuracy,所述的准确率通过利用测试数据预测运动负荷,并将预测结果同特征矩阵运动负荷标签进行比较得到。所述的准确率Accuracy计算公式如下:
其中,指代所述的分类器模型输出的预测的运动负荷,Ri指代测试数据数据集特征矩阵中的运动负荷标签,g(i)指代对第i个样本预测正误的判断函数,g(i)=1代表预测正确,g(i)=0代表预测错误,N为测试数据中预测正确的样本数量,V为测试数据样本数量。
利用训练数据训练分类器模型,然后利用经测试数据测试训练后的分类器模型,生成准确率。根据所述的准确率进一步调优分类器模型,并重复利用训练数据训练分类器模型,使得准确率尽可能的达到最大值,所述的调优为调整分类器模型的模型参数。
需要说明的是,所述的分类器模型可选择通用的分类器模型,本实例使用的是随机森林模型,将样本按照运动负荷等级进行十分类。
为了量化本发明优越的运动负荷评估性能,构建基础模型与本发明进行对比。所述的基础模型与本发明的模型区别在于:基础模型特征矩阵没有引入周围环境温度数据集T、相对湿度数据集S,所述的基础模型特征矩阵Features_Input_basei可表示为:
Features_Input_basei={HDi,LFi,LHi}
每个特征矩阵由三个点值数据组成,分别为:心率差值数据HDi、低频功率LFi,、低频功率与高频功率之比LHi。每个特征矩阵Features_Input_basei对应运动负荷样本集R中的运动负荷Ri,将该对应的运动负荷Ri作为特征矩阵Features_Input_basei的运动负荷标签。所有特征矩阵共同构成样本集Sample_base=[Features_Input_base1,Features_Input_base2,...,Features_Input_baseM],M为所有采集得到的样本数目,i=1,2,...,M。
基于上述方法,本发明与基础模型在测试数据上进行模型性能测试。测试结果如表2所示。评价标准为准确率,准确率高说明模型的识别效果好。相较于基础模型,本发明具有明显的性能优势。
模型 | 准确率(%) |
基础模型 | 69.28 |
本发明 | 86.25 |
表2
所述的预测阶段包括以下步骤:
步骤T1:选定一名对象人员,让对象人员保持身体静止、呼吸平稳,然后让对象人员进入运动状态,并在稳定状态下进行运动;
所述的步骤T1的过程为:选定一位对象人员P,维持对象人员P周围的环境状态,所述的环境状态是指对象人员P所处的环境的温度、相对湿度。让对象人员P保持身体静止、呼吸平稳。然后让对象人员P开始运动,对象人员P在运动中维持稳定的运动状态不变。所述的运动状态是指对象人员P的运动速度。
需要说明的是,本实例中的环境状态需取自表1中的17种环境条件。
步骤T2:测量对象人员在他/她进行运动的时段中的心电数据,测量对象人员在他/她进行运动的时段中周围环境温度与相对湿度的数据;
所述的步骤T2的过程为:利用心电信号采集设备测量对象人员P的心电数据EP,所述的心电数据EP包括身体静止时的心电数据EP|resting和运动中的心电数据EP|sport,利用环境温度计与环境湿度计测量运动中对象人员P所处环境的温度TP、相对湿度SP。
步骤T3:利用步骤T2中采集得到的心电数据计算心率差值特征、心率变异性特征;
所述的步骤T3的过程为:利用R峰识别算法对步骤T2中心电数据EP进行信号处理,获取步骤T2中心电数据的R峰位置并计算R峰间隔时间。利用R峰间隔时间的均值计算心率HRP,其计算公式为:
计算心率差值HDP替代心率HRP,作为步骤S3的心率差值特征,心率差值HDP的计算公式为:
HDP=HRP|sport-HRP|resting
其中,HRP|sport是指利用EP中包含的EP|sport计算所得的心率,HRP|resting是指利用EP中包含的EP|resting计算所得的心率。
使用频域变换法将步骤T2中由心电数据EP包含的EP|sport计算得到的R峰间隔时间转换为频域形式,本实例的频域变换法为快速傅里叶变换算法,其计算方法为:
其中,f(n)P表示R峰间隔时间的离散时间序列,n为时间序列编号,F(w)P表示R峰间隔时间的频谱函数,w为频率。分别计算R峰间隔时间频域形式的低频功率LFP和高频功率HFP。计算所获的低频功率和高频功率的比值,获得低频功率与高频功率之比LHP。以低频功率LFP、低频功率与高频功率之比LHP作为心率变异性特征。
步骤T3中所述的低频功率LFP,表示R峰间隔时间在0.04-0.15Hz区间的功率值,可用于评估人体疲劳程度,其计算公式如下:
其中,w是指频率,F(w)P表示R峰间隔时间的频谱函数,LFP是指R峰间隔时间的低频功率。
步骤T3中所述的高频功率HFP,表示R峰间隔时间在0.15-0.4Hz区间的功率值,其计算公式如下:
其中,w是指频率,F(w)P表示R峰间隔时间的频谱函数,HFP是指R峰间隔时间的高频功率。
步骤T3中所述的低频功率与高频功率之比LHP,其计算公式如下:
其中,w是指频率,F(w)P表示R峰间隔时间的频谱函数,LHP是指R峰间隔时间的低频功率与高频功率的比值。
步骤T4:利用步骤T2、步骤T3所获得的周围环境温度与相对湿度的数据、心率差值特征、心率变异性特征和步骤S6训练好的分类器模型预测对象人员的运动负荷;
所述的步骤T4的过程为:利用步骤T2、步骤T3所获得的周围环境温度TP与相对湿度SP、心率差值HDP、低频功率LFP、低频功率与高频功率之比LHP构建特征矩阵Features_InputP,所述的特征矩阵Features_InputP可表示为:
Features_Inputi={TP,SP,HDP,LFP,LHP}
每个特征矩阵由五个点值数据组成,分别为:环境温度TP、相对湿度SP、心率差值HDP、低频功率LFP、低频功率与高频功率之比LHP。将特征矩阵输入到训练阶段步骤S6训练完毕的分类器模型当中,即可预测对象人员的运动负荷RP。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举,仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式,本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。
Claims (10)
1.一种具备环境适应能力的运动负荷评估方法,所述方法包括训练阶段和预测阶段,其特征在于,所述的训练阶段包括以下步骤:
步骤S1:召集对象人员,让对象人员保持身体静止、呼吸平稳,然后让对象人员进入运动状态,并在稳定状态下进行运动,询问获得对象人员的运动负荷;
步骤S2:测量对象人员在他/她进行运动的时段中的心电数据,测量对象人员在他/她进行运动的时段中周围环境温度与相对湿度的数据;
步骤S3:利用步骤S2中采集得到的心电数据计算心率差值特征;
步骤S4:利用步骤S2中采集得到的心电数据计算心率变异性特征;
步骤S5:利用步骤S1、步骤S2、步骤S3、步骤S4所获得的周围环境温度与相对湿度的数据、心率差值特征、心率变异性特征构建样本集Sample;
步骤S6:将样本集Sample划分为训练数据SampleT和测试数据SampleV,利用模型训练数据SampleT训练分类器模型,并在测试数据SampleV上进行模型测试;
所述的预测阶段包括以下步骤:
步骤T1:选定一名对象人员,让对象人员保持身体静止、呼吸平稳,然后让对象人员进入运动状态,并在稳定状态下进行运动;
步骤T2:测量对象人员在他/她进行运动的时段中的心电数据,测量对象人员在他/她进行运动的时段中周围环境温度与相对湿度的数据;
步骤T3:利用步骤T2中采集得到的心电数据计算心率差值特征、心率变异性特征;
步骤T4:利用步骤T2、步骤T3所获得的周围环境温度与相对湿度的数据、心率差值特征、心率变异性特征和步骤S6训练好的分类器模型预测对象人员的运动负荷。
2.如权利要求1所述的一种具备环境适应能力的运动负荷评估方法,其特征在于,所述的步骤S1的过程为:
召集多位对象人员Pj∈[P1,P2,...,PL],L为对象人员数量,j=1,2,...,L,维持对象人员Pj周围的环境状态,所述的环境状态是指对象人员Pj所处的环境的温度、相对湿度,让对象人员Pj保持身体静止、呼吸平稳,然后让对象人员Pj开始运动,对象人员Pj在运动中维持稳定的运动状态不变,所述的运动状态是指对象人员Pj的运动速度,询问获得当前对象人员Pj的运动负荷Ri,所述的运动负荷Ri是基于自感疲劳分级制定,包括从身体静止到体力极限的十个RPE等级;改变环境状态、运动状态和对象人员,从而获得多组运动负荷Ri,共同组成运动负荷样本集R=[R1,R2,...,RM],M为所有采集得到的样本数目,i=1,2,...,M。
3.如权利要求2所述的一种具备环境适应能力的运动负荷评估方法,其特征在于,所述的步骤S2的过程为:
利用心电信号采集设备测量对象人员Pj的心电数据Ei,所述的心电数据Ei包括身体静止时的心电数据Ei|resting和运动中的心电数据Ei|sport,利用环境温度计与环境湿度计测量对象人员Pj所处环境的温度Ti、相对湿度Si,改变环境状态、运动状态和对象人员,从而获得多组心电数据Ei、温度数据Ti、相对湿度数据Si,组成心电数据样本集E=[E1,E2,...,EM]、温度数据样本集T=[T1,T2,...,TM]、相对湿度数据样本集S=[S1,S2,...,SM],M为所有采集得到的样本数目,i=1,2,...,M。
4.如权利要求3所述的一种具备环境适应能力的运动负荷评估方法,其特征在于,所述的步骤S3的过程为:
利用R峰识别算法对步骤S2中心电数据Ei进行信号处理,获取步骤S2中心电数据的R峰位置并计算R峰间隔时间,利用R峰间隔时间的均值计算心率HRi,其计算公式为:
计算心率差值HDi替代心率HRi,作为步骤S3的心率差值特征,心率差值HDi的计算公式为:
HDi=HRi|sport-HRi|resting
其中,HRi|sport是指利用Ei中包含的Ei|sport计算所得的心率,HRi|resting是指利用Ei中包含的Ei|resting计算所得的心率;
利用步骤S2中心电数据样本集E中每组心电数据Ei计算心率差值HDi,组成心率差值样本集HD=[HD1,HD2,...,HDM],M为所有采集得到的样本数目,i=1,2,...,M。
5.如权利要求4所述的一种具备环境适应能力的运动负荷评估方法,其特征在于,所述的步骤S4的过程为:
使用频域变换法将步骤S3中由心电数据Ei包含的Ei|sport计算得到的R峰间隔时间转换为频域形式,其计算公式为:
f(t)i→F(w)i
其中,f(t)i表示R峰间隔时间的时域函数,F(w)i表示R峰间隔时间的频谱函数,分别计算R峰间隔时间频域形式的低频功率LFi和高频功率HFi,计算所获的低频功率和高频功率的比值,获得低频功率与高频功率之比LHi,以低频功率LFi、低频功率与高频功率之比LHi作为心率变异性特征;
所述的低频功率LFi,表示R峰间隔时间在0.04-0.15Hz区间的功率值,用于评估人体疲劳程度,其计算公式如下:
其中,w是指频率,F(w)i表示R峰间隔时间的频谱函数,LFi是指R峰间隔时间的低频功率;
所述的高频功率HFi,表示R峰间隔时间在0.15-0.4Hz区间的功率值,其计算公式如下:
其中,w是指频率,F(w)i表示R峰间隔时间的频谱函数,HFi是指R峰间隔时间的高频功率;
所述的低频功率与高频功率之比LHi,其计算公式如下:
其中,w是指频率,F(w)i表示R峰间隔时间的频谱函数,LHi是指R峰间隔时间的低频功率与高频功率的比值;
利用步骤S2中心电数据样本集E中每条心电数据计算低频功率LFi、低频功率与高频功率之比LHi,组成低频功率样本集LF=[LF1,LF2,...,LFM]、LH=[LH1,LH2,...,LHM],M为所有采集得到的样本数目,i=1,2,...,M。
6.如权利要求5所述的一种具备环境适应能力的运动负荷评估方法,其特征在于,所述的步骤S5的过程为:
利用步骤S1、步骤S2、步骤S3、步骤S4所获得的周围环境温度样本集T与相对湿度样本集S、心率差值样本集HD、低频功率样本集LF、低频功率与高频功率之比样本集LH构建多组特征矩阵Features_Inputi,所述的特征矩阵Features_Inputi表示为:
Features_Inputi={Ti,Si,HDi,LFi,LHi}
每个特征矩阵由五个点值数据组成,分别为:环境温度Ti、相对湿度Si,、心率差值数据HDi、低频功率LFi,、低频功率与高频功率之比LHi,每个特征矩阵Features_Inputi对应运动负荷样本集R中的运动负荷Ri,将该对应的运动负荷Ri作为特征矩阵Features_Inputi的运动负荷标签,所有特征矩阵共同构成样本集Sample=[Features_Input1,Features_Input2,...,Features_InputM],M为所有采集得到的样本数目,i=1,2,...,M。
7.如权利要求6所述的一种具备环境适应能力的运动负荷评估方法,其特征在于,所述的步骤S6的过程为:
将步骤S5所述的样本数据集Sample划分为训练数据SampleT和测试数据SampleV,所述的训练数据用于训练模型,所述的测试数据用于模型性能测试,对模型的预测效果进行评价;所述的评价依据的评价标准基于准确率Accuracy,所述的准确率通过利用测试数据预测运动负荷,并将预测结果同特征矩阵运动负荷标签进行比较得到,所述的准确率Accuracy计算公式如下:
其中,指代所述的分类器模型输出的预测的运动负荷,Ri指代测试数据数据集特征矩阵中的运动负荷标签,g(i)指代对第i个样本预测正误的判断函数,g(i)=1代表预测正确,g(i)=0代表预测错误,N为测试数据中预测正确的样本数量,V为测试数据样本数量;
利用训练数据训练分类器模型,然后利用经测试数据测试训练后的分类器模型,生成准确率;根据所述的准确率进一步调优分类器模型,并重复利用训练数据训练分类器模型,使得准确率尽可能的达到最大值,所述的调优为调整分类器模型的模型参数。
8.如权利要求1~7之一所述的一种具备环境适应能力的运动负荷评估方法,其特征在于,所述的步骤T1的过程为:
选定一位对象人员P,维持对象人员P周围的环境状态,所述的环境状态是指对象人员P所处的环境的温度、相对湿度,让对象人员P保持身体静止、呼吸平稳,然后让对象人员P开始运动,对象人员P在运动中维持稳定的运动状态不变,所述的运动状态是指对象人员P的运动速度;
所述的步骤T2的过程为:
利用心电信号采集设备测量对象人员P的心电数据EP,所述的心电数据EP包括身体静止时测得的心电数据EP|resting和运动中测得的心电数据EP|sport,利用环境温度计与环境湿度计测量运动中对象人员P所处环境的温度TP、相对湿度SP。
9.如权利要求8所述的一种具备环境适应能力的运动负荷评估方法,其特征在于,所述的步骤T3的过程为:
利用R峰识别算法对步骤T2中心电数据EP进行信号处理,获取步骤T2中心电数据的R峰位置并计算R峰间隔时间,利用R峰间隔时间的均值计算心率HRP,其计算公式为:
计算心率差值HDP替代心率HRP,作为步骤S3的心率差值特征,心率差值HDP的计算公式为:
HDP=HRP|sport-HRP|resting
其中,HRP|sport是指利用EP中包含的EP|sport计算所得的心率,HRP|resting是指利用EP中包含的EP|resting计算所得的心率;
使用频域变换法将步骤T3中由心电数据EP包含的EP|sport计算得到的R峰间隔时间转换为频域形式,其计算公式为:
f(t)P→F(w)P
其中,f(t)P表示R峰间隔时间的时域函数,F(w)P表示R峰间隔时间的频谱函数,分别计算R峰间隔时间频域形式的低频功率LFP和高频功率HFP,计算所获的低频功率和高频功率的比值,获得低频功率与高频功率之比LHP,以低频功率LFP、低频功率与高频功率之比LHP作为心率变异性特征;
所述的低频功率LFP,表示R峰间隔时间在0.04-0.15Hz区间的功率值,用于评估人体疲劳程度,其计算公式如下:
其中,w是指频率,F(w)P表示R峰间隔时间的频谱函数,LFP是指R峰间隔时间的低频功率;
所述的高频功率HFP,表示R峰间隔时间在0.15-0.4Hz区间的功率值,其计算公式如下:
其中,w是指频率,F(w)P表示R峰间隔时间的频谱函数,HFP是指R峰间隔时间的高频功率;
所述的低频功率与高频功率之比LHP,其计算公式如下:
其中,w是指频率,F(w)P表示R峰间隔时间的频谱函数,LHP是指R峰间隔时间的低频功率与高频功率的比值。
10.如权利要求9所述的一种具备环境适应能力的运动负荷评估方法,其特征在于,所述的步骤T4的过程为:
利用步骤T2、步骤T3所获得的周围环境温度TP与相对湿度SP、心率差值HDP、低频功率LFP、低频功率与高频功率之比LHP构建特征矩阵Features_InputP,所述的特征矩阵Features_InputP表示为:
Features_Inputi={TP,SP,HDP,LFP,LHP}
每个特征矩阵由五个点值数据组成,分别为:环境温度TP、相对湿度SP、心率差值HDP、低频功率LFP、低频功率与高频功率之比LHP,将特征矩阵输入到训练阶段步骤S6训练完毕的分类器模型当中,即可预测对象人员的运动负荷RP。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210600182.0A CN114886433A (zh) | 2022-05-27 | 2022-05-27 | 一种具备环境适应能力的运动负荷评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210600182.0A CN114886433A (zh) | 2022-05-27 | 2022-05-27 | 一种具备环境适应能力的运动负荷评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114886433A true CN114886433A (zh) | 2022-08-12 |
Family
ID=82725766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210600182.0A Pending CN114886433A (zh) | 2022-05-27 | 2022-05-27 | 一种具备环境适应能力的运动负荷评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114886433A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117435907A (zh) * | 2023-08-14 | 2024-01-23 | 北京体育大学 | 一种基于数据分析的体育记录检测方法及装置 |
-
2022
- 2022-05-27 CN CN202210600182.0A patent/CN114886433A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117435907A (zh) * | 2023-08-14 | 2024-01-23 | 北京体育大学 | 一种基于数据分析的体育记录检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Musa et al. | The application of Artificial Neural Network and k-Nearest Neighbour classification models in the scouting of high-performance archers from a selected fitness and motor skill performance parameters | |
CN104997523B (zh) | 一种上肢康复机器人康复训练运动功能评价方法 | |
Abut et al. | Machine learning and statistical methods for the prediction of maximal oxygen uptake: recent advances | |
CN107610009B (zh) | 一种基于神经网络的三位一体招生录取概率预测方法 | |
CN107463766A (zh) | 血糖预测模型的生成方法、装置及计算机可读存储介质 | |
CN105868532B (zh) | 一种智能评估心脏衰老程度的方法及系统 | |
Novatchkov et al. | Machine learning methods for the automatic evaluation of exercises on sensor-equipped weight training machines | |
Machado et al. | Influence of regression model and incremental test protocol on the relationship between lactate threshold using the maximal-deviation method and performance in female runners | |
CN110477920A (zh) | 基于跑步机坡度和速度的次极量心肺耐力测试方法和装置 | |
Brent et al. | Development of a performance assessment tool for rock climbers | |
CN114886433A (zh) | 一种具备环境适应能力的运动负荷评估方法 | |
CN114943629A (zh) | 一种健康管理保健服务系统及其健康管理方法 | |
CN114004253A (zh) | 一种基于脑间互动性的信息流估计方法及系统 | |
CN110353692B (zh) | 基于生物信号的体能、疲劳、恢复能力的评测系统及方法 | |
CN106037703A (zh) | 一种基于智能化健身车的心肺耐力间接测试方法 | |
CN115563484A (zh) | 一种基于生理唤醒识别的街道绿化品质检测方法 | |
CN103637800A (zh) | 基于八段阻抗模型的人体成分分析的方法 | |
CN115068920A (zh) | 运动训练方法、装置、设备及存储介质 | |
CN106372454A (zh) | 一种评定鸭肉质评定的评估方法 | |
CN109583272B (zh) | 一种能够获取人体生活状态的足迹系统 | |
CN116453656B (zh) | 一种心理健康评估预警系统及方法 | |
CN106295202B (zh) | 基于Hale指数的青少年健康状况动态分析方法 | |
CN117172977A (zh) | 一种针对学员训练的训练建议生成方法及系统 | |
CN116090879A (zh) | 一种基于眼动数据的飞行训练品质评估方法 | |
CN109919101A (zh) | 一种基于手机客户端的用户体验评价方法及系统 |
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 |