CN116978561B - 一种基于模糊熵的运动风险评估方法、系统、设备及介质 - Google Patents
一种基于模糊熵的运动风险评估方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116978561B CN116978561B CN202310877848.1A CN202310877848A CN116978561B CN 116978561 B CN116978561 B CN 116978561B CN 202310877848 A CN202310877848 A CN 202310877848A CN 116978561 B CN116978561 B CN 116978561B
- Authority
- CN
- China
- Prior art keywords
- motion
- fuzzy entropy
- risk
- state
- moment
- 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.)
- Active
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 225
- 238000012502 risk assessment Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000004364 calculation method Methods 0.000 claims abstract description 52
- 238000012546 transfer Methods 0.000 claims abstract description 45
- 230000006870 function Effects 0.000 claims description 53
- 230000007704 transition Effects 0.000 claims description 45
- 230000035772 mutation Effects 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000003657 Likelihood-ratio test Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009084 cardiovascular function Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供了一种基于模糊熵的运动风险评估方法、系统、设备及介质，所述方法包括：获取待评估运动者在待评估时刻的运动强度以及之前不同运动强度下的历史心电信号；将根据历史心电信号得到的不同时段的心跳间期序列分别输入模糊熵模型进行模糊熵计算，得到运动模糊熵序列；根据待评估时刻、将运动模糊熵序列和运动强度输入序列变点识别模型进行变点识别得到的变点识别结果和风险状态转移模型进行风险评估，得到待评估时刻的风险评估结果。本发明不仅能对心率变异性的无序度和复杂度进行可靠量化，而且能实时分析运动负荷的非线性增长规律，有效量化运动风险与运动强度之间的关系，进而提高运动风险评估的可靠性和精准性。
Description
技术领域
本发明涉及运动风险评估技术领域，特别是涉及一种基于模糊熵的运动风险评估方法、系统、计算机设备及存储介质。
背景技术
随着人们生活水平和素质的不断提升，运动健身已逐渐成为人们生活中必不可少的活动。然而，并非所有运动者都受过专业训练或指导，运动健身中极易产生因运动强度过大引起的身体损伤风险，比如，运动干预强度过大会诱导产生心肌缺血等。因此，给运动健身者提供及时有效的运动风险评估意义重大。
现有运动风险评估方法大都局限于对心率变异性(Heart rate variablity，HRV)的计算，比如，计算心跳间期(R-R Interval)的标准差、时序信号的频域和/时域特征等，虽然能在一定程度上满足风险评估需求，但该类评估方法仅类似于事后风险评估，实时性不强且无法给定量的风险评估结果，并不能做到在运动期间根据实时运动负荷变化对运动者未来时刻可能存在运动风险进行可靠的提前预判，且未涉及运动强度和运动风险间的关联研究，即并不能真正有效地避免潜在运动风险发生，为运动者的生命健康提供可靠保障。
发明内容
本发明的目的是提供一种基于模糊熵的运动风险评估方法，通过以生理负荷强度量化指标HRV作为衡量运动负荷的指标，并结合不同运动强度的模糊熵计算、模糊熵序列突变点预测以及状态转移风险预测，实时分析运动负荷的非线性增长规律，给出实时运动风险评估结果，有效解决现有运动风险评估方法的应用缺陷，能有效量化运动风险与运动强度之间的关系，提高运动风险评估的可靠性和精准性，从而有效防范因运动负荷增长过度带来的运动风险。
为了实现上述目的，有必要针对上述技术问题，提供一种基于模糊熵的运动风险评估方法、系统、计算机设备及存储介质。
第一方面，本发明实施例提供了一种基于模糊熵的运动风险评估方法，所述方法包括以下步骤：
获取待评估运动者在待评估时刻的运动强度，以及所述待评估时刻之前的历史运动数据；所述历史运动数据包括不同运动强度下的历史心电信号；
根据所述历史心电信号，得到不同时段的心跳间期序列；
将不同时段的心跳间期序列分别输入预先构建的模糊熵模型进行模糊熵计算，得到对应的运动模糊熵序列；
将所述运动模糊熵序列和所述运动强度输入预先构建的序列变点识别模型进行变点识别，得到变点识别结果；所述变点识别结果包括突变点位置和对应的变点运动强度；
根据所述待评估时刻、所述变点识别结果和预先构建的风险状态转移模型进行风险评估，得到所述待评估时刻的风险评估结果；所述风险状态转移模型包括状态等级分位数和状态转移风险函数。
进一步地，所述获取待评估运动者在待评估时刻的运动强度，以及所述待评估时刻之前的历史运动数据的步骤之前，还包括：
获取不同运动者在不同运动强度下的心电信号数据，构建得到运动心电信号数据集；
根据所述运动心电信号数据集，得到对应的心跳间期序列集；所述心跳间期序列集包括不同运动者在不同运动强度下的心跳间期序列；
根据所述心跳间期序列集，分别构建所述模糊熵模型、所述序列变点识别模型和所述风险状态转移模型。
进一步地，所述模糊熵模型的构建步骤包括：
获取所述心跳间期序列集中最高运动强度和最低运动强度的心跳间期序列；
预设若干组模糊熵计算参数组合，并基于各个模糊熵计算参数组合，分别对最高运动强度和最低运动强度的心跳间期序列进行模糊熵计算，得到对应的最高强度模糊熵值和最低强度模糊熵值；
分别计算各个模糊熵计算参数组合的最高强度模糊熵值和最低强度模糊熵值的差值，并将最大差值对应的模糊熵模型参数组合作为模糊熵计算最优参数组合；
根据所述模糊熵计算最优参数组合，得到所述模糊熵模型。
进一步地，所述序列变点识别模型的构建步骤包括：
根据所述心跳间期序列集和所述模糊熵模型，得到心率变异模糊熵序列集；所述心率变异模糊熵序列集包括不同运动者在不同运动强度下的心率变异模糊熵序列；
根据似然比检验方法和循环二元分割算法，对不同运动强度的心率变异模糊熵序列进行变点位置估计和分布参数拟合，得到所述序列变点识别模型。
进一步地，所述风险状态转移模型的构建步骤包括：
根据所述序列变点识别模型，对所述心率变异模糊熵序列集中不同运动者在不同运动强度下的心率变异模糊熵序列分别进行变点识别，得到变点识别结果集；
对所述变点识别结果集进行统计分析，得到所述状态等级分位数；
根据所述状态等级分位数，得到所述心率变异模糊熵序列集中各个运动者的运动状态；
根据所有运动者的运动状态，构建所述状态转移风险函数；
根据所述状态等级分位数和所述状态转移风险函数，得到所述风险状态转移模型。
进一步地，所述根据所有运动者的运动状态，构建状态转移风险函数的步骤包括：
获取所述心率变异模糊熵序列集中各个运动者的个体生理特征；所述个体生理特征包括身高、体重和肺活量；
根据所有运动者的个体生理特征，通过最大化预设的偏似然函数，估计得到特征状态转移风险关系值；
根据所有运动者的运动状态，得到基准风险函数；
根据所述特征状态转移风险关系值和所述基准风险函数，得到所述状态转移风险函数。
进一步地，所述根据所述待评估时刻、所述变点识别结果和预先构建的风险状态转移模型进行风险评估，得到所述待评估时刻的风险评估结果的步骤包括：
根据所述待评估时刻、所述运动强度和所述模糊熵模型，得到待评估时刻模糊熵，并根据所述待评估时刻模糊熵和所述状态等级分位数，得到待评估时刻运动状态；
根据所述变点运动强度、所述突变点位置和所述模糊熵模型，得到突变时刻模糊熵，并根据所述突变时刻模糊熵和所述状态等级分位数，得到下一运动状态；
获取所述待评估运动者的生理特征，将所述生理特征、所述待评估时刻运动状态、所述下一运动状态和所述待评估时刻输入所述状态转移风险函数，得到对应的状态转移风险概率；
根据所述状态转移风险概率、所述下一运动状态以及对应的突变点位置，得到所述风险评估结果。
第二方面，本发明实施例提供了一种基于模糊熵的运动风险评估系统，所述系统包括：
数据获取模块，用于获取待评估运动者在待评估时刻的运动强度，以及所述待评估时刻之前的历史运动数据；所述历史运动数据包括不同运动强度下的历史心电信号；
指标分析模块，用于根据所述历史心电信号，得到不同时段的心跳间期序列；
模糊熵计算模块，用于将不同时段的心跳间期序列分别输入预先构建的模糊熵模型进行模糊熵计算，得到对应的运动模糊熵序列；
变点识别模块，用于将所述运动模糊熵序列和所述运动强度输入预先构建的序列变点识别模型进行变点识别，得到变点识别结果；所述变点识别结果包括若干个突变点和对应的突变运动强度；
风险评估模块，用于根据所述待评估时刻、所述变点识别结果和预先构建的风险状态转移模型进行风险评估，得到所述待评估时刻的风险评估结果；所述风险状态转移模型包括状态等级分位数和状态转移风险函数。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
上述本申请提供了一种基于模糊熵的运动风险评估方法、系统、计算机设备及存储介质，通过所述方法，实现了获取待评估运动者在待评估时刻之前的与待评估时刻相同运动强度下的历史心电信号，根据历史心电信号得到不同时段的心跳间期序列，并将不同时段的心跳间期序列分别输入预先构建的模糊熵模型进行模糊熵计算，得到对应的运动模糊熵序列后，将运动模糊熵序列和运动强度输入预先构建的序列变点识别模型进行变点识别，得到变点识别结果，以及根据待评估时刻、变点识别结果和预先构建的风险状态转移模型进行风险评估，得到待评估时刻的风险评估结果的技术方案。与现有技术相比，该基于模糊熵的运动风险评估方法，不仅能对心率变异性的无序度和复杂度进行可靠量化，而且能实时分析运动负荷的非线性增长规律，有效量化运动风险与运动强度之间的关系，进而提高运动风险评估的可靠性和精准性，有效防范运动负荷增长过度带来的运动风险，为运动者的生命健康提供可靠保障。
附图说明
图1是本发明实施例中基于模糊熵的运动风险评估方法应用场景示意图；
图2是本发明实施例中基于模糊熵的运动风险评估方法的流程示意图；
图3是本发明实施例中心率变异模糊熵序列的仿真模拟结果示意图；
图4是本发明实施例中运动过程中运动风险状态转移的示意图；
图5是本发明实施例中基于模糊熵的运动风险评估系统的结构示意图；
图6是本发明实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案和有益效果更加清楚明白，下面结合附图及实施例，对本发明作进一步详细说明，显然，以下所描述的实施例是本发明实施例的一部分，仅用于说明本发明，但不用来限制本发明的范围。基于本发明中的实施例，本领域普通技术人员在没有作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。
本发明提供的基于模糊熵的运动风险评估方法，是以不同运动强度下的心率变异性指标HRV为基础数据，采用模糊熵(Fuzzy entropy)算法量化心率变异性的无序度和复杂度，将得到的不同运动强度(功率，单位w)下的运动模糊熵序列进行突变点识别分析，并将对应的变点识别结果作为状态转移风险评估的依据，得到基于运动历史信息估计某个运动强度下运动状态转移(运动模糊熵出现突变点)的概率的实时运动风险评估方法，可应用于如图1所示的终端或服务器上。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器可将采用基于模糊熵的运动风险评估方法对运动者进行实时风险运动评估，并将得到的风险评估结果发送至终端，以供终端使用分析，或保留在服务器以供后续研究使用。下述实施例将对本发明提供的基于模糊熵的运动风险评估方法进行详细阐述。
在一个实施例中，如图2所示，提供了一种基于模糊熵的运动风险评估方法，包括以下步骤：
S11、获取待评估运动者在待评估时刻的运动强度，以及所述待评估时刻之前的历史运动数据；所述历史运动数据包括不同运动强度下的历史心电信号；其中，运动强度可理解为是实际运动过程中运动者所承受的物理负荷，在整个运动过程中，随着运动时长的增加，在不同时间段运动者可根据实际运行需求对运动强度进行调整；对应的，不同运动强度下的心电信号也会不同，不同的心电信号数据所能体现的HRV指标也不相同，所蕴含的潜在运动风险也不同；在实际风险评估中，HRV指标越高则代表心血管功能和抗压能力越强，运动风险越低，反之，则表示运动风险越高。考虑到运动强度与运动风险有直接关系，且实际运动时长以及不同运动强度的切换也会影响运动风险等级，对某一运动时刻某一运动强度下的风险评估只有基于所有历史数据分析才具有可靠性，本实施例优选的，在对某个运动者的某个运动时刻(待评估时刻)进行风险评估时，在获取该运动时刻的运动强度的同时，还要获取该运动者在待评估时刻之前的所有历史心电信号数据作为后续评估分析的基础数据；
在实际风险评估应用中，为了实现对运动风险的实时智能化评估，保证运动风险评估的实时性和高效性，在获取待评估运动者的上述待评估数据之后，需要对其进行自动分析，因此，就需要采集不同运动者不同运动强度下的心电信号数据用于对所需使用的自动化分析模型进行构建；即，在获取待评估运动者在待评估时刻的运动强度，以及所述待评估时刻之前的历史运动数据的步骤之前，还包括：
获取不同运动者在不同运动强度下的心电信号数据，构建得到运动心电信号数据集；其中，不同运动者在不同运动强度下的心电信号数据可采用现有运动风险研究所采集的相关心电信号数据，具体获取方式此处不作限定；需要说明的是，本实施例中构建的运动心电信号数据集是本发明风险评估中使用的模糊熵模型、序列变点识别模型和风险状态转移模型的建模基础；
根据所述运动心电信号数据集，得到对应的心跳间期序列集；所述心跳间期序列集包括不同运动者在不同运动强度下的心跳间期序列；其中，心跳间期序列可理解为是基于不同运动强度下的心电信号数据中峰值R点的间期时间序列，也可称为心电RR间期序列；在实际风险评估中，心跳间期序列中的RR间期差异越大，就说明HRV越高，运动风险越低；相反地，若心跳间期序列中的RR间期差异越小，就说明HRV越小，运动风险越高；
根据所述心跳间期序列集，分别构建所述模糊熵模型、所述序列变点识别模型和所述风险状态转移模型。
上述模糊熵模型可理解为是用于对心跳间期序列进行模糊熵计算的数据模型，其是基于运动心电信号数据集确定了最优模糊熵计算参数的模糊熵计算公式；假设在某个固定的运动强度下，运行者持续进行功率自行车运动，在某个时间段[t-h,t+h]内，测得心跳间期序列u＝{u(1)，u(2)，...，u(N)}，且令m，r和N分别表示相空间维数、相似容限度和心跳间期序列长度，则采用模糊熵计算公式进行模糊熵计算的具体过程如下所示：
1)引入非负整数m(m≤N-2)，对u进行相空间重构，得到：
sm[i]＝{u(i),u(i+1),L,u(i+m-1)}-u0(i),i＝1,2,L,N-m+1 (1)
式中，
2)引入模糊隶属函数A(x)：
其中，r为相似容限度，根据(3)式，令模糊隶属函数为：
式中，
其中，表示窗口向量sm[i]和sm[j]之间的距离，则可得：
即
因此，可得心跳间期序列u的模糊熵表示为：
FuzzyEn(m,r,N)＝lnΦm(r)-lnΦm+1(r) (8)
由于式(8)中模糊熵FuzzyEn(m,r,N)的值依赖于计算参数m，r和N的选取，为了保证采用模糊熵对心率变异性进行精准量化，本实施例针对性设计了一种计算参数m，r和N的最优值选取方法，进而得到理想的模糊熵模型；具体的，所述模糊熵模型的构建步骤包括：
获取所述心跳间期序列集中最高运动强度和最低运动强度的心跳间期序列；其中，心跳间期序列集如上述所述包括有不同运动强度下的心电数据计算得到心跳间期序列，对该序列集中的运动强度进行排序，找出最高运动强度值和最低运动强度值，并得到对应的心跳间期序列，作为参数m，r和N的最优值选取的依据；
预设若干组模糊熵计算参数组合，并基于各个模糊熵计算参数组合，分别对最高运动强度和最低运动强度的心跳间期序列进行模糊熵计算，得到对应的最高强度模糊熵值和最低强度模糊熵值；其中，模糊熵计算参数组合可理解为是根据经验设定的不同侯选组合，或者，按照每个参数的取值范围进行有序罗列组合的方式得到的候选组合，具体模糊熵计算参数组合的预设方式可根据实际应用需求确定，此处不作具体限定；对应的，在每个预设的模糊熵计算参数组合下，都需计算得到最高运动强度下心跳间期序列对应的模糊熵值和最低运动强度下心跳间期序列对应的模糊熵值；
分别计算各个模糊熵计算参数组合的最高强度模糊熵值和最低强度模糊熵值的差值，并将最大差值对应的模糊熵模型参数组合作为模糊熵计算最优参数组合；其中，模糊熵计算最优参数组合选取的原则是基于模糊熵计算要尽可能体现不同运动强度下心率变异性的差异，对心率变异性进行可靠量化的考虑，而优选地保证运动强度之差最大的情况下，模糊熵值差异也最大的筛选原则；即模糊熵计算最优参数组合可理解为是所有预设模糊熵计算参数组合中最高强度模糊熵值和最低强度模糊熵值之差最大的模糊熵计算参数组合；
根据所述模糊熵计算最优参数组合，得到所述模糊熵模型；其中，模糊熵模型可以理解为是将式(8)中的计算参数m，r和N分别替换为通过上述方法步骤得的模糊熵计算最优参数组合中对应的参数值后，确定的能够满足对不同远动强度下的心率变异性进行可靠量化要求的最优模糊熵计算公式。
需要说明的是，上述模糊熵计算最优参数组合的确定也可以利用crossvalidation的思想，将心跳间期序列集中所有心跳间期序列按照一定的比例将划分为训练集和测试集，使用训练集找出m，r和N的最优取值，然后在使用测试集验证参数最优取值的有效性，依此筛选得到。
上述序列变点识别模型可理解为是基于上述心跳间期序列集和模糊熵模型计算得到的不同运动强度下模糊熵序列，拟合得到的可用于对不同运动强度下模糊熵序列进行有效变点识别的正态分布模型；具体的，所述序列变点识别模型的构建步骤包括：
根据所述心跳间期序列集和所述模糊熵模型，得到心率变异模糊熵序列集；所述心率变异模糊熵序列集包括不同运动者在不同运动强度下的心率变异模糊熵序列；其中，心率变异模糊熵序列可理解为在某个运动强度(负荷功率大小为x)下各个观测时刻t对应的最优参数模糊熵FuzzyEnOptim(x,t)组成的模糊熵序列；需要说明的是，观测时刻t对应的最优参数模糊熵FuzzyEnOptim(x,t)可理解为是运动强度(功率为x)下基于[t-h,t+h]这个时间段内的子序列计算得到的最优参数模糊熵，且h为时段调整间隔；若某个心跳间期序列对应的观测点时序t＝{t1,…,tK}有K个观测时刻tk，则这K个观测时刻就会把整个心跳间期序列划分为与各个观测时刻tk对应的K个子序列，例如：对某个运动者观测了6个小时，现在把整个观测时间序列等分为3个子序列，分别计算模糊熵，且K＝3、t1＝1、t2＝3、t3＝5、h＝1，则得到的3个子序列分别为：[0,2]时段的第一个子序列、[2,4]时段的第二个子序列，以及[4,6]时段的第3个子序列；划分得到的每个子序列都对应[tk-h,tk+h]的时间段，采用模糊熵模型就可以计算得到每个子序列的模糊熵，进而得到整个心率变异模糊熵序列。
根据似然比检验方法和循环二元分割算法，对不同运动强度的心率变异模糊熵序列进行变点位置估计和分布参数拟合，得到所述序列变点识别模型；其中，变点位置可理解为是一个时间序列中发生显著变化的点的位置(时刻)，可表示数据的分布、均值、趋势或其他统计特征的突变；例如，某个时间序列长度为K＝500，有500个观测值，且根据图3所示的仿真模拟结果可知，该序列存在3个变点，且变点的位置分别在τ1＝100，τ2＝250，τ3＝420；即，整个时间序列存在3个趋势变化点，被划分成4段，第1-100个观测值属于第一段，第101-250个观测值属于第二段，第251-420个观测值属于第三段，第421-500个观测值属于第四段，各个变点位置τi对应的观测时段为t＝[τi-1+1,τi]，且每个变点位置的观测时段对应的子序列所服从的正态分布也不同，可通过极大似然估计方法对各变点位置对应的观测时段的均值参数θi和公共的正态分布方差参数σ2进行拟合估计得到，模型表示为：FuzzyEnOptim(x,t)＝xθi+ε,ε～N(0,σ2)；
序列变点识别模型可理解为是通过将所有运动强度以及所有子序列对应的模糊熵放到一起组成一个数据集，再基于该数据集估计得到的能够适用于所有运动强度下所有子序列计算得到的模糊熵的变点识别预测的分布模型；在实际应用中，具体采用似然比检验方法和循环二元分割算法(generic binary segmentation algorithm)对长度为K的时间序列FuzzyEnOptim(x,t)，t＝t1,…,tK，进行变点个数识别，变点位置预测，以及由各个变点分割而成的子序列对应的正态分布模型参数的估计的详细过程如下：
第一步：对于整个长度为K的时间序列FuzzyEnOptim(x,t)，t＝t1,…,tK，先找出第一个变点，这个变点会将整个时间序列分开成两段；假设变点的位置在其中一个时间点tk上，但是具体在哪个时间点，亦即的取值是多少，是未知的，先记这个变点位置为k(亦即tk)，然后根据两个子序列分别服从N(xθ1,σ2)和N(xθ2,σ2)的正态分布假设，分别估计出两段子序列上的均值参数θ1和θ2，此时得到的估计量和/>不是一个确定取值，只是一个关于变点位置tk的函数代表式，可以理解为/>
把这和/>两个估计量重新代入到式(9)所示的关于变点位置的对数似然函数：
其中，f表示正态分布的概率密度函数，可根据模型FuzzyEnOptim(x,t)～N(xθi,σ2)写出；
最大化式(9)所示的似然函数，就能得到变点位置tk估计值然后把/>代入和/>即可得到参数θ1和θ2的估计值。
基于上述得到的变点位置估计值和参数估计值就可以进行似然比检验，即分别计算：假设存在1个变点的情况下的似然函数以及没有变点位置的情况下的似然函数然后再计算这两个似然函数的差值/>若差值较大，则说明假设存在1个变点的情况更符合实际数据的特点，因此确定变点存在。
第二步：对于上一步中划分开的两个子序列，分别进行上一步中的参数估计和似然比检验操作，确认两段子序列里面会不会各自存在新的变点；比如，若两个子序列中都能找到新的变点，即各自继续一分为二，一共形成四个子序列，当然也可能第一步得到的两个子序列均不存在新的变点，或只有一个子序列存在新的变点的情况。
第三步：重复以上操作，直至对当前所有子序列执行循环二元分割算法都找不到新的变点，确定整个序列的变点个数，各个变点的位置，以及得到对应的分布模型。
本实施例中采用似然比检验方法和循环二元分割算法，对不同运动强度的心率变异模糊熵序列进行变点位置估计和分布参数拟合得到的序列变点识别模型可有效验证心率变异模糊熵序列的取值与运动强度x和观测时间点序列t均有关，并且变点分割出来的每段模糊熵子序列都有自己的均值xθi和方差满足不同的正态分布。同时，得到的序列变点识别模型可适用于不同运动强度下模糊熵序列变点的精准识别，具有较好的普适性和通用性，为后续风险状态评估提供可靠依据。
在实际应用中，风险状态转移模型可理解为是基于待评估运动者的待评估时刻以及历史心电数据对应的心率变异模糊熵序列的变点识别结果，直接给出包括下一运动状态、突变时刻(下一状态进入时刻)以及由待评估时刻对应的运动状态转移至下一运动状态的状态转移风险概率的风险评估结果的智能状态分析模型；该模型同样也需要基于一定的数据集预先训练得到，为了保证与前述模糊熵模型和序列变点识别模型的应用一致性，进而保证风险评估的精准性和可靠性，本实施例优选的使用已经训练好的模糊熵模型和序列变点识别模型基于运动心电信号数据集分析得到的数据进行分析构建；具体的，所述风险状态转移模型的构建步骤包括：
根据所述序列变点识别模型，对所述心率变异模糊熵序列集中不同运动者在不同运动强度下的心率变异模糊熵序列分别进行变点识别，得到变点识别结果集；其中，变点识别结果集可理解为是由基于上述得到的序列变点识别模型对心率变异模糊熵序列集中各个心率变异模糊熵序列进行变点识别，得到的各个序列变点识别结果的结合；
对所述变点识别结果集进行统计分析，得到所述状态等级分位数；其中，状态等级分位数的个数和各个分位数的具体取值均可根据实际应用需求进行设置，比如，选用5分位数，且确定分别为95％，75％，50％，25％，5％分位数值，就可将实际得到的变点识别结果集中变点位置和运动强度进行汇总统计，得到图4所示的运动状态风险递增的变化点范围Q1,…,Q5；在实际应用中，若运动者的心率变异模糊熵序列到达一个变点分位数，就表示经历了一次运动状态的转移；如图4所示，路径“Q1—Q2”表示运动者从极低运动风险状态进入低风险状态，“Q4—Q5”表示运动者从高风险状态进入极高运动风险状态；需要说明的是，此处得到的状态等级分位数仅能用于根据某个时刻的模糊熵值确定对应的运动状态，以及根据下一个临近变点位置确定下一运动状态，并不能对实际发生状态转移的风险概率进行量化，为了对运动风险进行定量化的准确评估，本实施例优选地通过下述方法构建可以基于运动者的生理特征和评估时刻准确预判出运动者从当前某个运动状态进入下一运动状态的时刻和概率的数学模型；
根据所述状态等级分位数，得到所述心率变异模糊熵序列集中各个运动者的运动状态；
根据所有运动者的运动状态，构建所述状态转移风险函数；其中，状态转移风险函数表示为：
式中，表示第p个运动者在时刻t处于状态Qk的情况下，转移至下一状态Qk+1的风险概率；Zp表示运动者的生理特征，β表示衡量运动者的生理特征与状态转移风险间关系的数值，若β是正值，则表示生理特征与运动状态转移风险呈正相关；/>表示基准风险函数，只与时刻t有关，与运动者生理特征无关；
式(10)给出的状态转移风险函数将运动风险拆分为两个部分：一部分是基准风险函数只与时间有关，与个体生理特征无关；另一部分是指数部分exp(Zp·β)，只与个体生理特征有关，与时间无关；该状态转移风险函数的原则上可采用任意拟合的方式得到，但为了保证函数模型应用的可靠性和有效性，本实施例优选地基于前述运动心电信号数据集处理得到的相关数据，对基准风险函数和状态转移关系β分步拟合的方法得到；具体的，所述根据所有运动者的运动状态，构建状态转移风险函数的步骤包括：
获取所述心率变异模糊熵序列集中各个运动者的个体生理特征；所述个体生理特征包括身高、体重和肺活量；
根据所有运动者的个体生理特征，通过最大化预设的偏似然函数，估计得到特征状态转移风险关系值；其中，预设的偏似然函数L(β)表示为：
其中，p表示运动者的编号，且P表示运动者的个数；q表示运动状态的编号，且Q表示运动状态的个数；是示性函数，表示第e个运动者在t时刻是否停留在状态q，/>为1则表示在状态q，若/>为0则表示不在状态q；Zp和Ze分别表示第p个运动者和第e个运动者的生理特征；
根据所有运动者的运动状态，得到基准风险函数；其中，基准风险函数优选地通过Breslow估计量来计算得到，表示为：
其中，表示在时刻t停留在状态q的运动者数目；
根据所述特征状态转移风险关系值和所述基准风险函数，得到所述状态转移风险函数；
根据所述状态等级分位数和所述状态转移风险函数，得到所述风险状态转移模型；
本实施例通过统计分析确定可定义各种运动状态的糊熵时间序列变点分位数，以及通过极大化偏似然函数的方法估计得到能准确给出相邻运动状态间转移风险概率的状态转移风险函数，能够直接有效地基于各个运动者的历史心电信号数据各个时段的运动状态转移以及相应的转移风险进行实时可靠的评估，为实时智能化风险评估提供可靠保障。
S12、根据所述历史心电信号，得到不同时段的心跳间期序列；其中，心跳间期序列的不同时段可根据上述模糊熵模型构建时划分方式得到，同时，心跳间期序列的获取也可参见前述对运动心电信号数据集处理的方法得到，从保证模型训练数据和实际应用数据处理的一致性方面，为后续使用心跳间期序列进行风险评估提供可靠的数据支持。
S13、将不同时段的心跳间期序列分别输入预先构建的模糊熵模型进行模糊熵计算，得到对应的运动模糊熵序列；其中，运动模糊熵序列的获取过程可参考前述模糊熵模型构建步骤中的相关内容得到，此处不再赘述。
S14、将所述运动模糊熵序列和所述运动强度输入预先构建的序列变点识别模型进行变点识别，得到变点识别结果；所述变点识别结果包括突变点位置和对应的变点运动强度；其中，突变点位置可理解为是进入下一运动状态的位置，对应的突变点位置可理解为序列中突变点对应的时间点，即进入下一运动状态的时刻。
S15、根据所述待评估时刻、所述变点识别结果和预先构建的风险状态转移模型进行风险评估，得到所述待评估时刻的风险评估结果；所述风险状态转移模型包括状态等级分位数和状态转移风险函数；其中，状态等级分位数可理解为根据待评估时刻确定和突变点位置确定待评估时刻的运动状态，以及突变点位置对应的运动状态的风险状态等级划分范围；状态转移风险函数可理解为是根据待评估时刻的运动状态和突变点对应的运动状态，以及运动者的生理特征直接得到对应状态转移的潜在风险大小的模型；具体的，所述根据所述待评估时刻、所述变点识别结果和预先构建的风险状态转移模型进行风险评估，得到所述待评估时刻的风险评估结果的步骤包括：
根据所述待评估时刻、所述运动强度和所述模糊熵模型，得到待评估时刻模糊熵，并根据所述待评估时刻模糊熵和所述状态等级分位数，得到待评估时刻运动状态；其中，待评估时刻运行状态的获取过程可理解为是判断待评估时刻模糊熵所在的状态等级分位数范围，若待评估时刻模糊熵大于一个分位数值且小于第二个分位数值，可理解为对应的运动状态为第一运动状态；其他情况可参考该示例类推得到，此处不再赘述；
根据所述变点运动强度、所述突变点位置和所述模糊熵模型，得到突变时刻模糊熵，并根据所述突变时刻模糊熵和所述状态等级分位数，得到下一运动状态；其中，下一运动状态可理解为是与突变点位置对应的运动状态，具体获取过程可参见待评估时刻运行状态获取的相关描述，此处不再赘述；
获取所述待评估运动者的生理特征，将所述生理特征、所述待评估时刻运动状态、所述下一运动状态和所述待评估时刻输入所述状态转移风险函数，得到对应的状态转移风险概率；其中，状态转移风险概率可理解为是将待评估运动者的生理特征、待评估时刻运动状态、下一运动状态和待评估时刻输入至式(10)所示的状态转移风险函数所得到的待评估运动者在待评估时刻由待评估时刻运动状态进入下一运动状态的概率预测值；
根据所述状态转移风险概率、所述下一运动状态以及对应的突变点位置，得到所述风险评估结果；其中，风险评估结果可用于实时给出运动者提示以避免潜在运动风险发生的同时，还可以基于分析过程确定的不同运动时间的风险反推出一个运动安全、风险低的时间区间，比如，运动时间为5分钟时，计算得出转移到危险状态的概率是0.2；运动时间为10分钟时，转移概率为0.4；运动时间为20分钟时，转移概率为0.9，则可以大致判断，要想风险低于50％，则运动时间要低于10分钟，并可基于该分析结果给出运动者在某个运动强度下的合适运动时长，便于运动者实时了解运动风险的同时，还能给出合理的运动时长建议，有效提升用户体验。
本申请实施例通过获取待评估运动者在待评估时刻之前的与待评估时刻相同运动强度下的历史心电信号，根据历史心电信号得到不同时段的心跳间期序列，并将不同时段的心跳间期序列分别输入预先构建的模糊熵模型进行模糊熵计算，得到对应的运动模糊熵序列后，将运动模糊熵序列和运动强度输入预先构建的序列变点识别模型进行变点识别，得到变点识别结果，以及根据待评估时刻、变点识别结果和预先构建的风险状态转移模型进行风险评估，得到待评估时刻的风险评估结果的技术方案，不仅能对心率变异性的无序度和复杂度进行可靠量化，而且能实时分析运动负荷的非线性增长规律，有效量化运动风险与运动强度之间的关系，进而提高运动风险评估的可靠性和精准性，有效防范运动负荷增长过度带来的运动风险，为运动者的生命健康提供可靠保障。
需要说明的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。
在一个实施例中，如图5所示，提供了一种基于模糊熵的运动风险评估系统，所述系统包括：
数据获取模块1，用于获取待评估运动者在待评估时刻的运动强度，以及所述待评估时刻之前的历史运动数据；所述历史运动数据包括不同运动强度下的历史心电信号；
指标分析模块2，用于根据所述历史心电信号，得到不同时段的心跳间期序列；
模糊熵计算模块3，用于将不同时段的心跳间期序列分别输入预先构建的模糊熵模型进行模糊熵计算，得到对应的运动模糊熵序列；
变点识别模块4，用于将所述运动模糊熵序列和所述运动强度输入预先构建的序列变点识别模型进行变点识别，得到变点识别结果；所述变点识别结果包括若干个突变点和对应的突变运动强度；
风险评估模块5，用于根据所述待评估时刻、所述变点识别结果和预先构建的风险状态转移模型进行风险评估，得到所述待评估时刻的风险评估结果；所述风险状态转移模型包括状态等级分位数和状态转移风险函数。
需要说明的是，关于基于模糊熵的运动风险评估系统的具体限定可以参见上文中对于基于模糊熵的运动风险评估方法的限定，对应的技术效果也可等同得到，在此不再赘述。上述基于模糊熵的运动风险评估系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图6示出一个实施例中计算机设备的内部结构图，该计算机设备具体可以是终端或服务器。如图6所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于模糊熵的运动风险评估方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域普通技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算设备可以包括比途中所示更多或更少的部件，或者组合某些部件，或者具有同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
综上，本发明实施例提供的一种基于模糊熵的运动风险评估方法、系统、计算机设备及存储介质，其基于模糊熵的运动风险评估方法实现了获取待评估运动者在待评估时刻的运动强度，以及所述待评估时刻之前的历史运动数据；所述历史运动数据包括不同运动强度下的历史心电信号，根据历史心电信号得到不同时段的心跳间期序列，并将不同时段的心跳间期序列分别输入预先构建的模糊熵模型进行模糊熵计算，得到对应的运动模糊熵序列后，将运动模糊熵序列和运动强度输入预先构建的序列变点识别模型进行变点识别，得到变点识别结果，以及根据变点识别结果和预先构建的风险状态转移模型进行风险评估，得到待评估时刻的风险评估结果的技术方案。该基于模糊熵的运动风险评估方法，不仅能对心率变异性的无序度和复杂度进行可靠量化，而且能实时分析运动负荷的非线性增长规律，有效量化运动风险与运动强度之间的关系，进而提高运动风险评估的可靠性和精准性，有效防范运动负荷增长过度带来的运动风险，为运动者的生命健康提供可靠保障。
本说明书中的各个实施例均采用递进的方式描述，各个实施例直接相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。需要说明的是，上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种优选实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。因此，本申请专利的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于模糊熵的运动风险评估方法，其特征在于，所述方法包括以下步骤：
获取待评估运动者在待评估时刻的运动强度，以及所述待评估时刻之前的历史运动数据；所述历史运动数据包括不同运动强度下的历史心电信号；
根据所述历史心电信号，得到不同时段的心跳间期序列；
将不同时段的心跳间期序列分别输入预先构建的模糊熵模型进行模糊熵计算，得到对应的运动模糊熵序列；
将所述运动模糊熵序列和所述运动强度输入预先构建的序列变点识别模型进行变点识别，得到变点识别结果；所述变点识别结果包括突变点位置和对应的变点运动强度；
根据所述待评估时刻、所述变点识别结果和预先构建的风险状态转移模型进行风险评估，得到所述待评估时刻的风险评估结果；所述风险状态转移模型包括状态等级分位数和状态转移风险函数；
其中，所述根据所述待评估时刻、所述变点识别结果和预先构建的风险状态转移模型进行风险评估，得到所述待评估时刻的风险评估结果的步骤包括：
根据所述待评估时刻、所述运动强度和所述模糊熵模型，得到待评估时刻模糊熵，并根据所述待评估时刻模糊熵和所述状态等级分位数，得到待评估时刻运动状态；
根据所述变点运动强度、所述突变点位置和所述模糊熵模型，得到突变时刻模糊熵，并根据所述突变时刻模糊熵和所述状态等级分位数，得到下一运动状态；
获取所述待评估运动者的生理特征，将所述生理特征、所述待评估时刻运动状态、所述下一运动状态和所述待评估时刻输入所述状态转移风险函数，得到对应的状态转移风险概率；
根据所述状态转移风险概率、所述下一运动状态以及对应的突变点位置，得到所述风险评估结果。
2.如权利要求1所述的基于模糊熵的运动风险评估方法，其特征在于，所述获取待评估运动者在待评估时刻的运动强度，以及所述待评估时刻之前的历史运动数据的步骤之前，还包括：
获取不同运动者在不同运动强度下的心电信号数据，构建得到运动心电信号数据集；
根据所述运动心电信号数据集，得到对应的心跳间期序列集；所述心跳间期序列集包括不同运动者在不同运动强度下的心跳间期序列；
根据所述心跳间期序列集，分别构建所述模糊熵模型、所述序列变点识别模型和所述风险状态转移模型。
3.如权利要求2所述的基于模糊熵的运动风险评估方法，其特征在于，所述模糊熵模型的构建步骤包括：
获取所述心跳间期序列集中最高运动强度和最低运动强度的心跳间期序列；
预设若干组模糊熵计算参数组合，并基于各个模糊熵计算参数组合，分别对最高运动强度和最低运动强度的心跳间期序列进行模糊熵计算，得到对应的最高强度模糊熵值和最低强度模糊熵值；
分别计算各个模糊熵计算参数组合的最高强度模糊熵值和最低强度模糊熵值的差值，并将最大差值对应的模糊熵模型参数组合作为模糊熵计算最优参数组合；
根据所述模糊熵计算最优参数组合，得到所述模糊熵模型。
4.如权利要求2所述的基于模糊熵的运动风险评估方法，其特征在于，所述序列变点识别模型的构建步骤包括：
根据所述心跳间期序列集和所述模糊熵模型，得到心率变异模糊熵序列集；所述心率变异模糊熵序列集包括不同运动者在不同运动强度下的心率变异模糊熵序列；
根据似然比检验方法和循环二元分割算法，对不同运动强度的心率变异模糊熵序列进行变点位置估计和分布参数拟合，得到所述序列变点识别模型。
5.如权利要求4所述的基于模糊熵的运动风险评估方法，其特征在于，所述风险状态转移模型的构建步骤包括：
根据所述序列变点识别模型，对所述心率变异模糊熵序列集中不同运动者在不同运动强度下的心率变异模糊熵序列分别进行变点识别，得到变点识别结果集；
对所述变点识别结果集进行统计分析，得到所述状态等级分位数；
根据所述状态等级分位数，得到所述心率变异模糊熵序列集中各个运动者的运动状态；
根据所有运动者的运动状态，构建所述状态转移风险函数；
根据所述状态等级分位数和所述状态转移风险函数，得到所述风险状态转移模型。
6.如权利要求5所述的基于模糊熵的运动风险评估方法，其特征在于，所述根据所有运动者的运动状态，构建状态转移风险函数的步骤包括：
获取所述心率变异模糊熵序列集中各个运动者的个体生理特征；所述个体生理特征包括身高、体重和肺活量；
根据所有运动者的个体生理特征，通过最大化预设的偏似然函数，估计得到特征状态转移风险关系值；
根据所有运动者的运动状态，得到基准风险函数；
根据所述特征状态转移风险关系值和所述基准风险函数，得到所述状态转移风险函数。
7.一种基于模糊熵的运动风险评估系统，其特征在于，所述系统包括：
数据获取模块，用于获取待评估运动者在待评估时刻的运动强度，以及所述待评估时刻之前的历史运动数据；所述历史运动数据包括不同运动强度下的历史心电信号；
指标分析模块，用于根据所述历史心电信号，得到不同时段的心跳间期序列；
模糊熵计算模块，用于将不同时段的心跳间期序列分别输入预先构建的模糊熵模型进行模糊熵计算，得到对应的运动模糊熵序列；
变点识别模块，用于将所述运动模糊熵序列和所述运动强度输入预先构建的序列变点识别模型进行变点识别，得到变点识别结果；所述变点识别结果包括突变点位置和对应的变点运动强度；
风险评估模块，用于根据所述待评估时刻、所述变点识别结果和预先构建的风险状态转移模型进行风险评估，得到所述待评估时刻的风险评估结果；所述风险状态转移模型包括状态等级分位数和状态转移风险函数；
其中，所述根据所述待评估时刻、所述变点识别结果和预先构建的风险状态转移模型进行风险评估，得到所述待评估时刻的风险评估结果，包括：
根据所述待评估时刻、所述运动强度和所述模糊熵模型，得到待评估时刻模糊熵，并根据所述待评估时刻模糊熵和所述状态等级分位数，得到待评估时刻运动状态；
根据所述变点运动强度、所述突变点位置和所述模糊熵模型，得到突变时刻模糊熵，并根据所述突变时刻模糊熵和所述状态等级分位数，得到下一运动状态；
获取所述待评估运动者的生理特征，将所述生理特征、所述待评估时刻运动状态、所述下一运动状态和所述待评估时刻输入所述状态转移风险函数，得到对应的状态转移风险概率；
根据所述状态转移风险概率、所述下一运动状态以及对应的突变点位置，得到所述风险评估结果。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310877848.1A CN116978561B (zh) | 2023-07-17 | 2023-07-17 | 一种基于模糊熵的运动风险评估方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310877848.1A CN116978561B (zh) | 2023-07-17 | 2023-07-17 | 一种基于模糊熵的运动风险评估方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116978561A CN116978561A (zh) | 2023-10-31 |
| CN116978561B true CN116978561B (zh) | 2024-03-22 |
Family
ID=88474303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310877848.1A Active CN116978561B (zh) | 2023-07-17 | 2023-07-17 | 一种基于模糊熵的运动风险评估方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116978561B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104490390A (zh) * | 2014-12-30 | 2015-04-08 | 天津大学 | 基于神经电生理信号联合分析的人体运动能力判别方法 |
| WO2016077727A1 (en) * | 2014-11-14 | 2016-05-19 | Sudano Joseph John | Method and apparatus for performing health risk assessment |
| CN105852807A (zh) * | 2016-03-25 | 2016-08-17 | 中山大学 | 一种无监督式自主神经功能量化评估方法 |
| CN109394188A (zh) * | 2018-11-27 | 2019-03-01 | 中山大学 | 一种基于心率变异性的呼吸异常检测方法、装置及设备 |
| WO2020015104A1 (zh) * | 2018-07-18 | 2020-01-23 | 平安科技（深圳）有限公司 | 风险旅客流量预测方法、装置、计算机设备和存储介质 |
| CN110767315A (zh) * | 2019-11-07 | 2020-02-07 | 山东大学 | 基于心电信号量化分析的自主神经系统健康状态评估装置 |
| CN115689291A (zh) * | 2022-11-09 | 2023-02-03 | 中国电子科技集团公司第二十八研究所 | 一种基于模糊物元分析的空域运行风险评估方法 |
| CN115844415A (zh) * | 2022-11-23 | 2023-03-28 | 广东工业大学 | 一种基于心电数据的运动稳定性评估方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210312183A1 (en) * | 2020-04-03 | 2021-10-07 | Board Of Regents, The University Of Texas System | System and method for human action recognition and intensity indexing from video stream using fuzzy attention machine learning |
-
2023
- 2023-07-17 CN CN202310877848.1A patent/CN116978561B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016077727A1 (en) * | 2014-11-14 | 2016-05-19 | Sudano Joseph John | Method and apparatus for performing health risk assessment |
| CN104490390A (zh) * | 2014-12-30 | 2015-04-08 | 天津大学 | 基于神经电生理信号联合分析的人体运动能力判别方法 |
| CN105852807A (zh) * | 2016-03-25 | 2016-08-17 | 中山大学 | 一种无监督式自主神经功能量化评估方法 |
| WO2020015104A1 (zh) * | 2018-07-18 | 2020-01-23 | 平安科技（深圳）有限公司 | 风险旅客流量预测方法、装置、计算机设备和存储介质 |
| CN109394188A (zh) * | 2018-11-27 | 2019-03-01 | 中山大学 | 一种基于心率变异性的呼吸异常检测方法、装置及设备 |
| CN110767315A (zh) * | 2019-11-07 | 2020-02-07 | 山东大学 | 基于心电信号量化分析的自主神经系统健康状态评估装置 |
| CN115689291A (zh) * | 2022-11-09 | 2023-02-03 | 中国电子科技集团公司第二十八研究所 | 一种基于模糊物元分析的空域运行风险评估方法 |
| CN115844415A (zh) * | 2022-11-23 | 2023-03-28 | 广东工业大学 | 一种基于心电数据的运动稳定性评估方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于心率变异性的人体生理状态智能判别方法研究;邵士亮;《中国博士学位论文全文数据库 基础科学辑》;20220415(第04期);A002-16 * |
| 运动生理指标和自主神经活动风险预警研究;曾健;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20180215(第02期);E055-113 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116978561A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Computational methods for estimating energy expenditure in human physical activities | |
| US9861308B2 (en) | Method and system for monitoring stress conditions | |
| CN109003270B (zh) | 一种图像处理方法、电子设备及存储介质 | |
| WO2010083562A1 (en) | Activity detection | |
| Imani et al. | Nested gaussian process modeling for high-dimensional data imputation in healthcare systems | |
| 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 | |
| CN113850753A (zh) | 医学图像信息计算方法、装置、边缘计算设备和存储介质 | |
| Fan et al. | Hybrid lightweight Deep-learning model for Sensor-fusion basketball Shooting-posture recognition | |
| Chen et al. | Edge2Analysis: a novel AIoT platform for atrial fibrillation recognition and detection | |
| CN111557658A (zh) | Ppg实时心率信号质量评估方法及装置、存储介质 | |
| CN116978561B (zh) | 一种基于模糊熵的运动风险评估方法、系统、设备及介质 | |
| Prabhakar et al. | A comprehensive analysis of alcoholic EEG signals with detrend fluctuation analysis and post classifiers | |
| CN112768074A (zh) | 一种基于人工智能的重疾风险预测方法及系统 | |
| CN105138835A (zh) | 基于生理信息熵的人体体成分预测方法 | |
| CN111466877B (zh) | 一种基于lstm网络的氧减状态预测方法 | |
| Stival et al. | Doubly-online changepoint detection for monitoring health status during sports activities | |
| CN115565639A (zh) | 一种锻炼心率的预测方法、装置以及设备 | |
| JP2019033878A (ja) | 異常検出方法、異常検出装置及び異常検出プログラム | |
| Churchill | Modelling athletic training and performance: a hybrid artificial neural network ensemble approach | |
| Matabuena et al. | Are Multilevel functional models the next step in sports biomechanics and wearable technology? A case study of Knee Biomechanics patterns in typical training sessions of recreational runners | |
| CN106504254B (zh) | 一种基于空间混合模型的颅脑磁共振图像分割方法 | |
| Kuvaev et al. | A Simple Probabilistic Model for Uncertainty Estimation | |
| Angalakuditi et al. | Stress Detection Using Deep Learning Algorithms | |
| Nie | Construction of a Public Health-Oriented Sports Training Big Data Analysis Platform | |
| CN116725549B (zh) | 心电数据分析方法、装置、计算机设备与存储介质 |
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 |