CN116211308A - 一种高强度运动下机体疲劳评估方法 - Google Patents
一种高强度运动下机体疲劳评估方法 Download PDFInfo
- Publication number
- CN116211308A CN116211308A CN202310449990.6A CN202310449990A CN116211308A CN 116211308 A CN116211308 A CN 116211308A CN 202310449990 A CN202310449990 A CN 202310449990A CN 116211308 A CN116211308 A CN 116211308A
- Authority
- CN
- China
- Prior art keywords
- features
- brain network
- calculating
- feature set
- brain
- 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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
- A61B5/24—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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Psychology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Physical Education & Sports Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于人体运动测量技术领域,具体涉及一种高强度运动下机体疲劳评估方法;该方法包括:采集静息状态以及高强度运动后的疲劳状态的心电、脑电信号;对心电信号进行去噪处理;定位去噪后的心电信号的R波,得到RR间期序列;根据RR间期序列得到心电特征;对脑电信号进行去噪处理,计算去噪后的脑电信号的功率谱密度;构建脑网络,脑网络中的节点为脑电电极,边权值为节点间的相位锁定值;计算脑网络参数;对心电特征、脑电信号的功率谱密度和脑网络参数进行筛选,得到最优特征集合;根据最优特征集合进行机体疲劳评估,得到机体疲劳评估结果本发明通过融合心电和脑电信号进行评估,从而使得评估结果更加准确。
Description
技术领域
本发明属于人体运动测量技术领域,具体涉及一种高强度运动下机体疲劳评估方法。
背景技术
随着社会经济的快速发展,现代人的生活方式发生了很大的改变,越来越多的证据表明目前大多数成年人和青少年由于长期久坐而导致身体活动严重不足,不合理的饮食习惯,以及不规律的作息等因素使得肥胖、心血管疾病以及相关代谢疾病的患病率风险在全世界范围内呈现迅速增长的趋势,成为人们热衷关注的切身问题。规律科学的运动可以促进身体产生释放内啡肽等化学物质,减少肾上腺素和皮质醇等荷尔蒙的活动,提高心肺功能,促进身体代谢,缓解焦虑紧张等情绪,释放压力,让身心保持愉快,从而降低各种疾病的患病风险。虽然运动可以强体健身,为人们的健康带来诸多好处,但由于大众对科学运动知识的匮乏以及自身可能存在的一些潜在风险,使得不合理的过量运动对人体产生负面影响,甚至对人的生命造成威胁。
以往对运动状态的评估多数是通过一些简单的指标,比如自我感知,生化参数等等,这些并不能连续实时地监测运动,不能准确衡量当前的运动强度对机体是否恰当。心血管***与人体的机能状态和运动能力密切相关,心血管的实时功能状态反映出运动对机体的刺激程度。在剧烈运动过程中,机体内血液的氧气需求量增加,而供应不足引起内环境发生紊乱,身体的代谢活动增加,从而心脏的负荷量也随之增加;这时心脏主要通过调节自主神经***来适应机体增加的需求,具体是经由交感神经和副交感神经的控制来实现功能状态的调节,这两种神经活动维持着动态平衡,快速适应外界环境的变化,保证稳定的心脏活动。因此心功能是评估运动的一个重要指标。此外,在运动使得心脏负荷增大的同时,流向大脑的血流量增加,神经递质的分泌也增多,大脑内的神经元活动发生相应的改变,运动对大脑中枢和周围神经***的状态及功能也会产生一定的影响。运动对大脑有积极的作用,不断重组优化大脑内部的连接通路,提高神经传播效率与高级认知水平。因此,通过记录分析运动状态下心脑活动的变化,能够以一个科学的角度来实现运动疲劳的评估,对运动锻炼计划具有重要的指导意义。
发明内容
针对现有技术存在的不足,本发明提出了一种高强度运动下机体疲劳评估方法,该方法包括:
S1:采集静息状态以及高强度运动后的疲劳状态的心电、脑电信号;
S2:对心电信号进行去噪处理;定位去噪后的心电信号的R波,得到RR间期序列;根据RR间期序列得到心电特征,包括心率、心率变异性时域特征和心率变异性频域特征;
S3:对脑电信号进行去噪处理,计算去噪后的脑电信号的功率谱密度;
S4:构建脑网络,脑网络中的节点为脑电电极,边权值为节点间的相位锁定值;
S5:计算脑网络参数,包括聚类系数、特征路径长度、全局效率、小世界属性;
S6:对心电特征、脑电信号的功率谱密度和脑网络参数进行筛选,得到最优特征集合;
S7:根据最优特征集合进行机体疲劳评估,得到机体疲劳评估结果。
优选的,脑网络的边权值的计算公式为:
优选的,脑网络的聚类系数为所有节点聚类系数的平均值;节点聚类系数的计算公式为:
其中,Ci表示第i个节点的聚类系数,ki表示第i个节点的邻接点个数,ei表示第i个节点与邻接点的连接边数量。
优选的,计算特征路径长度的公式为:
其中,L表示脑网络的特征路径长度,N表示脑网络的节点总数,dij表示两连通节点i和节点j之间的最短路径长度,V表示网络中所有节点组成的集合。
优选的,全局效率为最短路径长度的倒数。
优选的,计算小世界属性的公式为:
其中,σ表示脑网络的小世界属性,Creal、Crandom分别表示当前脑网络的聚类系数以及与当前网络对应的随机网络的聚类系数,Lreal、Lrandom分别表示当前脑网络的特征路径长度以及与当前网络对应的随机网络的特征路径长度。
优选的,得到最优特征集合的过程包括:将心电特征、脑电信号的功率谱密度和脑网络参数构成第一特征集合,对第一特征集合进行差异显著性分析,筛选出与静息状态差异大的疲劳状态下的特征构成第二特征集合;计算第二特征集合中所有特征的筛选指标,将第二特征集合中筛选指标最高的N个特征构成第三特征集合;取第二特征集合与第三特征集合的交集作为最优特征集合。
进一步的,计算特征的筛选指标的过程包括:计算特征的信息量;计算特征之间的相关性,根据特征与其他特征的相关性计算特征的独立性;将特征信息量与特征独立性的乘积作为特征的筛选指标。
本发明的有益效果为:本发明采集用户的脑电信号进行脑网络分析,从空间上衡量通道信号之间的耦合变化,相较于传统的时频分析,本发明可以更全面的探索高强度运动对大脑内部产生的影响;本发明结合心电与脑电,通过提取心电和脑电的多个参数特征,探索运动对心脏和大脑状态的影响,通过融合心电和脑电信号进行运动疲劳的双模态检测评估,相较于单一生理信号的疲劳评估,其结果更加准确,能够更科学的监测运动强度,避免过度运动对机体产生损伤。
附图说明
图1为本发明中高强度运动下机体疲劳评估方法流程图。
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。
本发明提出了一种高强度运动下机体疲劳评估方法,如图1所示,所述方法包括以下内容:
S1:采集静息状态以及高强度运动后的疲劳状态的心电、脑电信号。
采集用户在两种状态下的心电和脑电信号,两种状态分别是静息状态即不运动状态、高强度运动后的疲劳状态;其中,对于高强度运动后的疲劳状态,采集训练数据时需采集用户多次疲劳状态的心电和脑电信号。
S2:对心电信号进行去噪处理;定位去噪后的心电信号的R波,得到RR间期序列;根据RR间期序列心电特征,包括心率、心率变异性时域特征和心率变异性频域特征。
对心电信号进行去噪处理,具体的:利用巴特沃斯带通滤波器,筛选出频率在3-25HZ的心电信号;利用中值滤波进行心电信号的基线校正,具体公式为:
Y(N)=X(N)-X(M)
其中,Y(N)为去除基线漂移噪声后的心电信号,X(N)为待处理的心电信号;X(M)为移动窗口内心电数据排序后选取的中位数组成的输出序列,即信号的基线漂移数据。
定位去噪后的心电信号的R波,得到RR间期序列,具体的:
信号差分处理:R波上升和下降斜率的变化最为陡峭明显,对信号先作一阶前向差分处理,差分方程表示为:
d(n)=x(n+1)-x(n)
其中,d(n)表示差分序列;x(n)为待检测信号序列。
非线性映射:选用三次幂函数逐点对差分序列值进行非线性放大,同时保留了差分波形原来的正负性,此时差分序列y(n)的表达式为:
y(n)=[d(n)]3
设置初始窗口宽度与初始阈值:通过一个滑动的窗口依次遍历心电数据x(n),初始窗口宽度Ws取采样频率的值,Ws=fs;搜寻窗口内心电信号x(n)的最大幅值xmax,确定初始幅度阈值的表达式为:
ThR=k*xmax
其中,ThR为心电幅度阈值;k为系数,优选的,k可取值为0.5。
R波检测:在滑动窗口宽度内,寻找差分序列y(n)最大值对应的位置点s1,差分序列最小值对应的位置点s2,s1<s2,此时在(s1:s2)区间内计算待检测心电信号x(n)的最大值。若x(n)max>ThR,则将该点初步认定为R点,把该点对应的时刻记录进一个新的序列P(n)中。
窗口宽度与幅度阈值更新:在确定好前两个R波的位置后,得到R-R间隔宽度,此时对当前窗口宽度Ws进行更新:
若当前R波幅值为RR,则心电幅度阈值ThR更新为:
ThR=ThR*k1+RR*k*(1-k1)
其中,k1可取0.7。
R波错检漏检补偿:从R波定位中获取的序列P(n),对其作一阶差分处理,获得RR间期序列。将当前R-R间隔I1与上一间隔I0进行比较。若I1>1.66*I0,则该R波与前一个R波之间可能存在漏检,此时降低幅度阈值为原阈值的90%重新检测;若I1<0.6*I0,则该点与前一个R波间隔过小,认定为错检,从序列中删除该点。
利用更新后的窗口宽度与幅度阈值检测R波,直到差分序列结束,得到完整的RR间期序列。
根据RR间期序列得到心率、心率变异性时域特征和心率变异性频域特征。
具体地,将60除以R-R间隔获得心率值;心率变异性(Heart Rate Variability,HRV)信号为多个R-R间隔组成的序列,对HRV序列按特定的时间顺序直接进行统计学的分析,计算时域特征,包括:正常窦性R-R间期的标准差SDNN,相邻R-R间期之差的均方根值RMSSD,整个R-R间期序列中,相邻R-R间期之差超过50ms的心搏数占心搏总数的百分比值PNN50;通过傅里叶变换提取HRV信号不同频段的功率值,得到频域特征,包括:总功率TP,低频功率LF,高频功率HF,低频功率与高频功率之比LF/HF。
S3:对脑电信号进行去噪处理,计算去噪后的脑电信号的功率谱密度。
对脑电信号进行去噪处理,具体的:采用带通滤波器滤出频率范围为0.5-30Hz的信号频段,之后通过独立成分分析算法去除脑电信号中的眼电、肌电等伪迹,得到去噪后的脑电信号。
将去噪后的脑电信号通过巴特沃斯滤波器分解成四个基本节律波:delta、theta、alpha、beta;利用Welch方法求取各个节律波信号功率谱密度,具体的:将长度为N的脑电数据x(n),n=0,1,...,N-1,分成K段,每段M个数据,第i段数据表示为:
xi(n)=x(n+iM-M),0≤n≤M,1≤i≤K
将窗函数w(n)加到每段数据上,计算每一段的周期图,第i段周期图为:
同时由于Welch算法允许信号有重叠,信号重叠可以减少每一段信号的不相关性,从而减少误差。对重叠部分进行功率谱平均便可以得到整个片段的功率谱密度:
S4:构建脑网络,脑网络中的节点为脑电电极,边权值为节点间的相位锁定值。
将脑电电极作为网络的节点,节点间的边权值通过度量通道之间相位同步来获取,基于相位同步计算相关性矩阵,通过阈值化得到邻接矩阵,根据邻接矩阵来构建脑网络。
利用锁相值PLV来衡量相位同步,其能最大限度地减少瞬时振幅的影响,从而更好研究多通道脑电信号相互之间的关系;相位锁定值的计算如下:
脑电信号x(t)瞬时相位通过希尔伯特变换计算:
信号经过希尔伯特变换:
构造x(t)的解析信号为:
因此瞬时相位为:
S5:计算脑网络参数,包括聚类系数、特征路径长度、全局效率、小世界属性。
聚类系数表示节点的邻接点相互之间再为邻接点的可能性,节点i的聚类系数Ci的计算公式为:
其中,Ci表示第i个节点的聚类系数,ki表示第i个节点的邻接点个数,ei表示第i个节点与邻接点的连接边数量。
整个脑网络的聚类系数C为:
其中,N表示脑网络的节点总数。
网络中两连通节点i,j之间边数最少的通路为两节点间的最短路径dij,将网络中所有节点间的最短路径进行平均,可得到特征路径长度L,表示为:
其中,dij表示两连通节点i和节点j之间的最短路径长度,V表示网络中所有节点组成的集合。
全局效率Eglob为最短路径长度的倒数,表示为:
小世界网络是一个介于规则网络和随机网络之间的网络模型,它同时兼具了规则网络的高聚集性与随机网络的短距离性,结合了两个网络的拓扑优势,是一种经济型结构,脑网络具备小世界属性,定义小世界属性为:
其中,σ表示脑网络的小世界属性,Creal表示当前脑网络的聚类系数,Crandom表示与当前网络对应的随机网络的聚类系数,Lreal表示当前脑网络的特征路径长度,Lrandom表示与当前网络对应的随机网络的特征路径长度。
S6:对心电特征、脑电信号的功率谱密度和脑网络参数特征进行筛选,得到最优特征集合。
将心电特征FECG、脑电信号的功率谱密度P(ω)和脑网络参数FEEG构成第一特征集合F1,F1={FECG,P(ω),FEEG}。
根据静息状态和高强度运动后的疲劳状态对第一特征集合F1进行差异显著性分析,筛选出与静息状态差异大的疲劳状态下的特征构成第二特征集合F2;具体的:显著性小于0.05即为存在显著性差异,从第一特征集合F1中筛选出显著性大于0.05的疲劳状态下的特征构成第二特征集合F2。
计算第二特征集合F2中所有特征的筛选指标,计算过程包括:
利用方差与信息熵的乘积来衡量特征i所含的信息量大小Infi:
Infi=σ2(Xi)·H(Xi)
其中,σ2(Xi)为特征的方差;Xi表示第i个特征的特征值;L1为特征的长度;μi为第i个特征的均值;H(Xi)为特征的信息熵;p(x)为特征的边缘概率密度函数。
使用皮尔森相关系数计算特征之前的相关性,表示为:
根据特征与其他特征的相关性计算特征的独立性,表示为:
其中,Indi表示特征i的独立性,ri,k表示特征i和特征k之间的相关性,m表示第二特征集合中的特征数量。
将特征信息量与特征独立性的乘积作为特征的筛选指标CIi,表示为:
CIi=Infi·Indi
根据综合筛选指标CIi值的高低进行特征筛选,将第二特征集合F2中筛选指标最高的N个特征构成第三特征集合F3,N可根据实际需要选取合适的数值,优选的,N取总特征数的百分之50;取第二特征集合F2与第三特征集合F3的交集作为最优特征集合F。
未经筛选的特征数量较大,从而造成维数灾难,影响后续运动疲劳的检测评估结果,通过上述方法对特征集合进行筛选优化,其原理简单,计算复杂度较低,且筛选出的特征与机体状态相关性较高。
S7:根据最优特征集合进行机体疲劳评估,得到机体疲劳评估结果。
优选的,利用机器学习的方法进行运动疲劳检测评估,将筛选优化后的最优特征集合F以及对应疲劳度输入支持向量机,检测机体的疲劳状态,获得疲劳评估结果。实时采集用户的静息状态和疲劳状态的心电和脑电数据,对其进行处理,计算最优特征集合中的特征,并将其输入到训练好的模型中,可实时监测用户的疲劳状态,实现对运动的监测,避免过度运动对机体产生损害。
以上所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种高强度运动下机体疲劳评估方法,其特征在于,包括:
S1:采集静息状态以及高强度运动后疲劳状态的心电、脑电信号;
S2:对心电信号进行去噪处理;定位去噪后的心电信号的R波,得到RR间期序列;根据RR间期序列得到心电特征,包括心率、心率变异性时域特征和心率变异性频域特征;
S3:对脑电信号进行去噪处理,计算去噪后的脑电信号的功率谱密度;
S4:构建脑网络,脑网络中的节点为脑电电极,边权值为节点间的相位锁定值;
S5:计算脑网络参数,包括聚类系数、特征路径长度、全局效率、小世界属性;
S6:对心电特征、脑电信号的功率谱密度和脑网络参数进行筛选,得到最优特征集合;
S7:根据最优特征集合进行机体疲劳评估,得到机体疲劳评估结果。
5.根据权利要求1所述的一种高强度运动下机体疲劳评估方法,其特征在于,全局效率为最短路径长度的倒数。
7.根据权利要求1所述的一种高强度运动下机体疲劳评估方法,其特征在于,得到最优特征集合的过程包括:将心电特征、脑电信号的功率谱密度和脑网络参数构成第一特征集合,对第一特征集合进行差异显著性分析,筛选出与静息状态差异大的疲劳状态下的特征构成第二特征集合;计算第二特征集合中所有特征的筛选指标,将第二特征集合中筛选指标最高的N个特征构成第三特征集合;取第二特征集合与第三特征集合的交集作为最优特征集合。
8.根据权利要求7所述的一种高强度运动下机体疲劳评估方法,其特征在于,计算特征的筛选指标的过程包括:计算特征的信息量;计算特征之间的相关性,根据特征与其他特征的相关性计算特征的独立性;将特征信息量与特征独立性的乘积作为特征的筛选指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310449990.6A CN116211308A (zh) | 2023-04-24 | 2023-04-24 | 一种高强度运动下机体疲劳评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310449990.6A CN116211308A (zh) | 2023-04-24 | 2023-04-24 | 一种高强度运动下机体疲劳评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116211308A true CN116211308A (zh) | 2023-06-06 |
Family
ID=86579057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310449990.6A Pending CN116211308A (zh) | 2023-04-24 | 2023-04-24 | 一种高强度运动下机体疲劳评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116211308A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116671943A (zh) * | 2023-06-29 | 2023-09-01 | 河南翔宇医疗设备股份有限公司 | 从表面肌电信号中去除心电干扰的方法及装置 |
-
2023
- 2023-04-24 CN CN202310449990.6A patent/CN116211308A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116671943A (zh) * | 2023-06-29 | 2023-09-01 | 河南翔宇医疗设备股份有限公司 | 从表面肌电信号中去除心电干扰的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | A sleep apnea detection method based on unsupervised feature learning and single-lead electrocardiogram | |
CN108478209B (zh) | 心电信息动态监护方法和动态监护*** | |
CN109411041B (zh) | 心电信息处理方法和心电工作站*** | |
WO2017016086A1 (zh) | 基于生理信息的抑郁症评估***及其评估方法 | |
CN109411042B (zh) | 心电信息处理方法和心电工作站 | |
Bozkurt et al. | Detection of abnormal respiratory events with single channel ECG and hybrid machine learning model in patients with obstructive sleep apnea | |
Wang et al. | An emotional analysis method based on heart rate variability | |
Catrambone et al. | Functional brain–heart interplay extends to the multifractal domain | |
RU2016146176A (ru) | Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий | |
Dehkordi et al. | Sleep stage classification in children using photoplethysmogram pulse rate variability | |
CN116211308A (zh) | 一种高强度运动下机体疲劳评估方法 | |
CN112656393A (zh) | 一种心率变异性的检测方法及*** | |
Tseng et al. | Clustering analysis of aging diseases and chronic habits with multivariate time series electrocardiogram and medical records | |
Jiang et al. | A multi-scale parallel convolutional neural network for automatic sleep apnea detection using single-channel EEG signals | |
Benchekroun et al. | Comparison of Stress Detection through ECG and PPG signals using a Random Forest-based Algorithm | |
Tseng et al. | Healthcare knowledge of relationship between time series electrocardiogram and cigarette smoking using clinical records | |
Wang et al. | A novel rapid assessment of mental stress by using PPG signals based on deep learning | |
Leitner et al. | Personalized blood pressure estimation using photoplethysmography and wavelet decomposition | |
Fan et al. | An electrocardiogram acquisition and analysis system for detection of human stress | |
CN116616709A (zh) | 基于非静止状态下多通道视频的工作记忆负荷评估方法 | |
CN115630290A (zh) | 基于同步挤压变换的心肺耦合特征提取方法与*** | |
Hikmah et al. | Sleep Quality Assessment from Robust Heart and Muscle Fatigue Estimation Using Supervised Machine Learning. | |
Mathunjwa et al. | Automatic IHR-based sleep stage detection using features of residual neural network | |
Chen et al. | A fast ECG diagnosis using frequency-based compressive neural network | |
Yue et al. | Wearable sensors for smart abnormal heart rate detection during skiing |
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 |