CN117435907A - 一种基于数据分析的体育记录检测方法及装置 - Google Patents
一种基于数据分析的体育记录检测方法及装置 Download PDFInfo
- Publication number
- CN117435907A CN117435907A CN202311022550.9A CN202311022550A CN117435907A CN 117435907 A CN117435907 A CN 117435907A CN 202311022550 A CN202311022550 A CN 202311022550A CN 117435907 A CN117435907 A CN 117435907A
- Authority
- CN
- China
- Prior art keywords
- data
- real
- time
- sports
- feature
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 238000007405 data analysis Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000013210 evaluation model Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 20
- 238000011156 evaluation Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 235000014655 lactic acid Nutrition 0.000 description 2
- 239000004310 lactic acid Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000037147 athletic performance Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 210000005037 parasympathetic nerve Anatomy 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physical Education & Sports Medicine (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及数据处理技术领域,为一种基于数据分析的体育记录检测方法及装置。本申请实施例提供的技术方案中,通过对运动参与者以及运动员在进行运动过程中采集到的心电数据以及环境中的温度数据、相对湿度数据和风力数据,将心电数据以及温度数据和相对湿度数据基于运动负荷模型获得对应的运动负荷,并基于运动负荷以及风力数据对于运动参与者以及运动员后续运动数据的推测。
Description
技术领域
本发明涉及数据处理技术领域,为一种基于数据分析的体育记录检测方法及装置。
背景技术
针对于体育记录在宏观为一种对于体育参与者以及体育运动员在运动过程中的记录数据,在狭义条件下为一种对于体育参与者以及体育运动员的最高运动数据记录。其中针对于过程中的记录数据能够反应运动员以及运动参与者的运动过程,针对于最高运动数据记录能够实现对于运动员的成绩提高。针对于现有技术中对于以上两种数据,都仅仅为记录的一种孤立数据,其使用范围和效果都是作为存储的数据进行,并没有发挥其数据潜在的功能。
发明内容
为了解决以上的问题,本申请提供一种基于数据分析的体育记录检测方法及装置,能够实现对于运动参与者的实时负荷监控以及运动记录的预测。
为了达到上述目的,本申请实施例采用的技术方案如下:
第一方面,提供一种基于数据分析的体育记录检测方法,所述方法包括:获取体育参与者的实时主体数据和环境数据,所述实时主体数据为所述运动参与者的实时心电信号,所述环境数据包括温度数据、相对湿度数据和风力数据;提取所述实时心电信号的R峰,并对所述R峰进行特征提取得到第一特征、第二特征和第三特征,基于所述第一特征识别所述体育参与者的运动类型信息,并将所述运动类型信息与所述第二特征、第三特征、所述温度数据和所述相对湿度数据输入至负荷评估模型得到实时负荷数据;将所述实时负荷数据与历史负荷-记录模型进行比对得到初始记录检测结果;基于所述风力数据对所述初始记录检测结果进行修正得到目标记录检测结果。
进一步的,提取所述实时心电信号的R峰,包括:将所述实时心电信号进行重构得到重构心电信号;对所述重构心电信号进行香农熵包络处理并进行移动均值滤波得到R峰特征;对所述R峰特征依次进行微分、归一化、平方处理得到多个R峰,并基于多个R峰幅值进行排序,并基于排序阈值得到目标R峰。
进一步的,将所述实时心电信号进行重构得到重构心电信号,包括:对所述实时心电信号进行分解得到多个连续IMF分量,比较所述IMF分量与灰色相关系数分量之间的关系系数,基于所述关系系数确定所述IMF分量与所述灰色相关系数分量的灰色关联度,筛选满足预设的灰色关联阈值的所述IMF分量为目标分量,将多个所述目标分量进行求和重构得到重构心电信号。
进一步的,所述第一特征为RR间隔特征,所述第二特征为心率特征,所述第三特征为心率变异性特征。
进一步的,对所述R峰进行特征提取得到第二特征,包括:获取两个R峰之间的R峰间隔时间,并基于下式进行确定:其中HR为心率,tRR为R峰间隔时间,单位为秒。
进一步的,对所述R峰进行特征提取得到第三特征,包括:提取R峰间隔时间的标准差,基于下式进行确定:提取R峰间隔时间的预设绝对值,基于下式进行确定:/>提取低频功率,基于下式进行确定:/>提取低频功率与高频功率的比值,基于下式确定:其中,RRi∈[RR1,RR2,…,RRN],即R峰间隔时间,N为R峰间隔总数,i=1,2,…,N,RR为R峰间隔时间的平均值,w为频率,F(w)表示R峰间隔时间的频谱函数基于频率变换的方式获得。
进一步的,基于所述第一特征识别所述体育参与者的运动类型信息,包括:将所述第一特征输入至运动类型识别模型进行运动类型信息;所述运动类型信息包括有氧运动和无氧运动,所述运动类型识别模型基于LSTM模型构建,包括输入层、LSTM隐藏层、全连接层和输出层,所述LSTM隐藏层的数量为2,所述全连接层的数量为1;所述输入层由1个神经元构成.
进一步的,将所述运动类型信息与所述第二特征、第三特征、所述温度数据和所述相对湿度数据输入至负荷评估模型得到实时负荷数据,包括:将所述心率特征、所述心率变异性特征、所述温度数据、所述相对湿度数据输入至多个决策树,每个所述决策树输出一个分类结果,选择多个所述分类结果中出现最多的类别为最终分类结果,最终分类结果对应实时负荷分类为实时负荷数据。
进一步的,将所述实时负荷数据与历史负荷-记录模型进行比对得到初始记录检测结果,包括:基于所述实时负荷分类查询历史负荷-记录模型对应的初始记录检测结果,初始记录监测结果用于表征记录趋向,所述历史负荷-记录模型基于历史负荷数据以及对应的记录数据构建;基于所述风力数据对所述初始记录检测结果进行修正得到目标记录检测结果,包括:确定风向以及对应的风速,基于风向以及风速确定影响系数,基于所述影响系数与所述初始记录检测结果的乘积得到目标记录检测结果。
第二方面,提供一种基于数据分析的体育记录检测装置,所述装置包括:数据获取模块,用于获取体育参与者的实时主体数据和环境数据;负荷分类模块,用于提取所述实时主体数据的特征并基于负荷评估模型得到实时负荷数据;初步检测模块,用于将所述实时负荷数据与历史负荷-记录模型进行比对得到初始记录检测结果;目标检测模块,用于将风力数据对所述初始记录检测结果进行修正得到目标记录检测结果。
第三方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的方法。
本申请实施例提供的技术方案中,通过对运动参与者以及运动员在进行运动过程中采集到的心电数据以及环境中的温度数据、相对湿度数据和风力数据,将心电数据以及温度数据和相对湿度数据基于运动负荷模型获得对应的运动负荷,并基于运动负荷以及风力数据对于运动参与者以及运动员后续运动数据的推测。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
附图中的方法、***和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例,其中示例数字在附图的各个视图中代表相似的机构。
图1是本申请实施例提供的基于数据分析的体育记录检测方法流程示意图。
图2是本申请实施例提供的基于数据分析的体育记录检测装置结构图。
图3是本申请实施例提供的体育记录检测设备结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中,通过实例阐述了许多具体细节,以便提供对相关指导的全面了解。然而,对于本领域的技术人员来说,显然可以在没有这些细节的情况下实施本申请。在其他情况下,公知的方法、程序、***、组成和/或电路已经在一个相对较高水平上被描述,没有细节,以避免不必要的模糊本申请的方面。
本申请中使用流程图说明根据本申请的实施例的***所执行的执行过程。应当明确理解的是,流程图的执行过程可以不按顺序执行。相反,这些执行过程可以以相反的顺序或同时执行。另外,可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
对本发明实施例进行进一步详细说明之前,对本发明实施例中涉及的名词和术语进行说明,本发明实施例中涉及的名词和术语适用于如下的解释。
(1)响应于,用于表示所执行的操作所依赖的条件或者状态,当满足所依赖的条件或状态时,所执行的一个或多个操作可以是实时的,也可以具有设定的延迟;在没有特别说明的情况下,所执行的多个操作不存在执行先后顺序的限制。
(2)基于,用于表示所执行的操作所依赖的条件或者状态,当满足所依赖的条件或状态时,所执行的一个或多个操作可以是实时的,也可以具有设定的延迟;在没有特别说明的情况下,所执行的多个操作不存在执行先后顺序的限制。
在本申请实施例中的体育记录为一种体育运动参与者包括不限于一般体育爱好者、职业运动员,使用场景包括不限于一般运动环境、运动员训练过程和体育赛事,体育记录中的数据不限于狭义中所指的最高值,还包括凡是在运动中所产生的任何与运动有关的运动数据,例如长短跑运动员的速度数据、时间数据等。所以,针对于本申请实施例中针对于体育记录检测方法实质是针对于运动过程中任一运动参与者的数据的记录,并且针对于本申请实施例中的记录检测为记录预测,例如针对于长短跑运动中针对于任一运动员的运动数据的预测。此数据具有以下应用场景:(1)对运动员的最终成绩进行预测,从而为后续进行竞技战术的设定;(2)监测运动员的运动状态,从而对运动员的后续进行特定的训练;(3)针对于运动过程中对运动员进行身体方面的监测。
针对于本申请实施例提供体育记录检测方法的获取的逻辑为获取运动参与者的实时负荷数据,基于实时负荷数据基于历史数据进行推理得到一个符合历史数据走向的合理结果。所以,针对于本申请实施例提供的检测方法的处理过程包括:获取实时特征数据-确定对应的运动负荷状态-基于运动负荷状态推断最大概率获得数据。因为实时特征数据可以通过现有的智能设备实现,所以,针对于本申请实施例中的核心处理环节为运动负荷状态的确定以及推断过程。
针对于现有技术中,对于运动参与者或运动员的运动负荷状态的确定还没有形成一个完整、成熟、有效的监测体系。由于人体在运动过程中,体内环境会发生较大的变化,导致很多人体生理指标也会发生较大的改变,在这些指标中哪些能与人体疲劳程度变化的趋势更相关,如何选择、计算这些指标才能更好地监测分析人体运动疲劳等问题都还在深入的研究之中。不过总的来说,对运动疲劳的监测分析主要有两大类手段:主观评估法和客观评估法。其中客观评估法就是使用客观的人体生化、生物电指标如心电、肌电、血乳酸、血氧浓度、体温、皮电、脑电、眼电、面部表情识别、呼吸等来对运动中人体疲劳程度作出估计,也叫做生理疲劳评估法。主观评估法是根据运动人员的自我疲劳感受,结合疲劳量表,自己评估出身体所处的疲劳程度的方法,也叫做心理疲劳评估法。在传统的运动疲劳评估中,常常通过主观(心理)评估法的方式,可以快速直接有效地对人体的疲劳程度作出估计。但由于运动疲劳是一个复杂的过程,仅仅通过主观评估的方式是缺乏客观性的,难以全面准确地对其进行分析评估。
目前针对于客观评估法主要选择心电信号作为研究基础,其实现逻辑为从心电信号中提取了与运动负荷关联性更强的心电特征。例如,以最大心率、平均心率、加权心率与RPE的关系模型,结果表明最大心率是几种心率中与RPE关联性最强的心电特征;以心率变异性(Heart Rate Variability,HRV)能有效地用于评估人体运动疲劳程度,通过从人体心电信号中提取HRV信息,实现了评估人体当前运动状态的功能;基于HRV,进一步提取了运动负荷的相关特征,并基于此相关特征实现进行负荷状态评估。
但在以上的处理手段中,主要数据对象为人体的心电信号,但在实际的运动过程中环境和运动类型都会对负荷产生影响。其中因温度和相对湿度的改变而影响运动者的情况最为常见。过高的环境温度和相对湿度会给在这种条件下训练和比赛的运动员带来巨大的压力,运动者在恶劣环境下的运动效果明显劣于适宜环境下的情况。这种现象会反应在运动负荷评估中,影响运动者生理参数与运动负荷之间的映射关系,进而影响运动负荷评估***的识别性能。运动类型(有氧运动/无氧运动)会影响到现有运动负荷评估方***性。无氧运动会造成人体局部血液乳酸浓度上升,进而造成肌肉疲劳以及人体感知负荷的指数上升;而在有氧运动中,耗氧量与人体运动负荷呈线性关系。生理参数与运动负荷在有氧和无氧两种运动类型下存在不同的映射关系。
所以,针对于本申请实施例提供的体育记录检测方法中对于负荷状态的确定需要结合环境数据以及运动类型进行,具体包括以下处理过程:
步骤S110.获取体育参与者的实时主体数据和环境数据。
在本申请实施例中,实时主体数据为所述运动参与者的实时心电信号,所述环境数据包括温度数据、相对湿度数据和风力数据。其中实体主体数据为主要的待处理特征数据,而针对于温度数据、相对湿度数据和风力数据为影响运动参与者实时心电信号变化的影响数据。其中,针对于温度数据、相对湿度数据以及风力数据因为其特点,在本申请实施例中处理过程也不同。其中针对于温度数据以及相对湿度数据为获取负荷状态的影响数据。而针对于风力数据为获取体育记录的影响数据。
而针对于本申请实施例中的实时主体数据的获取方式通过现有的体外监测设备进行实现,例如可采用现有技术中的心电采集电极进行贴附并采集对应的数据。而针对于环境数据采用对应的传感器进行采集即可,在本申请实施例中不再进行累述。
步骤S120.提取所述实时心电信号的R峰,并对所述R峰进行特征提取得到第一特征、第二特征和第三特征,基于所述第一特征识别所述体育参与者的运动类型信息,并将所述运动类型信息与所述第二特征、第三特征、所述温度数据和所述相对湿度数据输入至负荷评估模型得到实时负荷数据。
在本申请实施例中,此步骤主要用于获取实时负荷数据,其中实时负荷数据实质为实时负荷状态,即通过采集到的实时主体数据以及环境数据确定运动参与者的实时负荷状态。
其中,针对于本申请实施例中的实时心电信号的R峰获得通过对实时心电信号进行重构并降噪得到。
具体的,针对于R峰的重构主要实现将心电信号采集设备在获取心电信号时容易引入多种噪声进行剔除,其中多种噪声包括基线漂移、运动伪影、工频干扰等,这些噪声会严重影响R峰位置检测算法的识别性能。在本申请实施例中针对于信号的重构采用基于CEEMDAN算法为基础的方法,具体包括以下步骤:
对所述实时心电信号s(t)进行分解得到多个连续IMF分量,其中针对于IMF分量包括两类:以噪声为主的IMF分量和信号为主的IMF分量,针对于此实时心电信号基于这两个分量可以以以下表示:
s(t)=IMFn(t)+IMFs(t)+r(t),其中s(t)为实时心电信号,IMFn(t)指噪声为主的IMF分量,IMFs(t)为实时心电信号为主的IMF分量,r(t)指剩余分量。
通过灰色关联度筛选IMF分量,针对于本申请实施例中的灰色关联度计算过程通过将IMF分量表示为序列形式,如下:
IMFi=(IMFi(1),IMFi(2),…,IMFi(k),...,IMFi(N)),其中IMFi为原始序列IMF分量,i从1开始计数;IMFi(k)是第k个元素,k=1,...,N,N是序列的长度。
为了使以上序列具有可比性,针对于本申请实施例中的原始IMF序列进行极性统一化和均值化,得到对应的序列标记:
IMFi (0)(k)=IMFi(k)+|min(IMFi(k))|,其中,IMFi (0)(k)和IMFi (1)(k)是序列中的第k个IMFi (0)和IMFi (1)。
计算灰色相关系数序列和其他IMF序列之间的关系系数,由下式确定:
其中γj是第j个IMF分量和IMFi之间的灰色相关系数,γj(k)是γj第k个元素,ρ是分辨率系数取值为0.5。j与i相似,从2开始计数。
计算IMFi分量与其他IMF分量之间的灰色关联度,基于下式计算:
其中εj是第j个IMF分量和IMFi之间的灰色关联度,ω是权重系数取值为1。
针对于以上处理过程得到重构后的重构心电信号,然后将重构心电信号进行香农熵包络处理并进行移动均值滤波得到R峰特征。
在本申请实施例中,针对于香农熵包络处理基于下式进行:
sh(t)=-s(t)2logs(t)2,其中sh(t)为计算得到的香农熵包络,s(t)2是信号或变换系数的绝对能量。针对于本申请实施例采用香农熵包络法可以减少低振幅的噪声系数,提高尖锐和平滑能量包络的局部最大值。
经过香农熵包络运算后,需要采用移动均值滤波算法对信号进行平滑滤波处理。经过移动均值滤波后,心电信号已能得到较为明显的R峰特征。而后经过微分、归一化、平方的特征突出手段后,设置阈值检测运算后的数据中的峰值点位置,作为待检测的R峰结果。
针对于重构以及降噪后的R峰进行特征提取得到第一特征、第二特征和第三特征,其中针对于第一特征为RR间隔特征,所述第二特征为心率特征,所述第三特征为心率变异性特征。
其中RR间隔特征基于两个R峰之间的距离确定,而针对于心率特征基于以下公式确定:
其中HR为心率,tRR为R峰间隔时间,单位为秒。针对于心率获取手段是基于心电信号中的R峰位置进行计算。运动期间人体心率的变化与运动强度的变化具有很强的相关性,引入心率特征可以很好地评估运动中人体的运动负荷。
针对于第三特征为心率变异性特征,心率变异性(HRV)是指相邻两次的心脏搏动周期之间存在的变化,即心率的变化,这种变化是由于自主神经***活动而产生的。心率的大小取决于多种因素包括呼吸活动、交感神经、副交感神经、中枢神经等,这些因素几乎每时每刻都会引起心率的变化,反应在心电信号上即为RR间隔时间的变化。这种变化可以为患者的疾病诊断、运动者的疲劳判断等研究提供有用信息。
心率变异性特征的时域特征和频域特征指从心电信号的R峰间隔时间中计算出的变异性统计和能量分布情况,是运动负荷评估的重要依据,其中针对于心率变异性特征的时域特征和频域特征包括以下:
R峰间隔时间的标准差,基于下式进行确定:
R峰间隔时间的预设绝对值,基于下式进行确定:
低频功率,基于下式进行确定:
低频功率与高频功率的比值,基于下式确定:
其中,RRi∈[RR1,RR2,…,RRN],即R峰间隔时间,N为R峰间隔总数,i=1,2,...,N,为R峰间隔时间的平均值,w为频率,F(w)表示R峰间隔时间的频谱函数基于频率变换的方式获得。
针对于本申请实施例中以上过程用于获取用于进行负荷识别的输入特征数据,而针对于负荷确定之前需要对运动类型进行确定,针对于运动类型为有氧运动和无氧运动,针对于运动类型分类主要是针对于不同运动场景下的人体负荷产生以及承受能力不同。
而针对于运动类型的确定基于运动类型识别模型实现,而针对于运动类型的识别为二分类处理方法,而采用的运动类型识别模型则为分类模型。在本申请实施例中此模型基于LSTM模型构建,包括输入层、LSTM隐藏层、全连接层和输出层,所述LSTM隐藏层的数量为2,所述全连接层的数量为1;所述输入层由1个神经元构成。
通过以上运动识别模型能够实现对于运动类型的分类。
而针对于本申请实施例中的负荷评估模型采用随机森林算法建立,其处理过程为将所述心率特征、所述心率变异性特征、所述温度数据、所述相对湿度数据输入至多个决策树,每个所述决策树输出一个分类结果,选择多个所述分类结果中出现最多的类别为最终分类结果,最终分类结果对应实时负荷分类为实时负荷数据。
通过以上的处理能够获取对应的实时负荷分类。
步骤S130.将所述实时负荷数据与历史负荷-记录模型进行比对得到初始记录检测结果。
针对于步骤S120获取到的实时负荷分类用于确定实时负荷分类,针对于获取到的实时负荷分类与记录数据建立联系的方式基于历史负荷-记录模型实现。其中历史负荷-记录模型为记载有以历史负荷数据条件下记录的所对应的体育记录数据,通过将实时负荷分类进行在此模型中进行查询能够进行记录数据的推断,此推断结果为初始记录检测结果。
步骤S140.基于所述风力数据对所述初始记录检测结果进行修正得到目标记录检测结果。
针对于实际运动过程中,对于环境的影响不仅包括温度和相对湿度,在某些体育项目中风力数据同样为关键影响因素,但针对于某些运动中不存在外部自然风,所以在进行负荷确定下不引入风力因素。而针对于负荷识别后,在有风的环境下针对于风力数据与初始记录检测结果进行结合得到最终的目标记录检测结果。
其中,风力数据包括风向以及风速。
其处理过程为:基于所述实时负荷分类查询历史负荷-记录模型对应的初始记录检测结果,初始记录监测结果用于表征记录趋向,所述历史负荷-记录模型基于历史负荷数据以及对应的记录数据构建。确定风向以及对应的风速,基于风向以及风速确定影响系数,基于所述影响系数与所述初始记录检测结果的乘积得到目标记录检测结果。
参阅图2,提供一种基于数据分析的体育记录检测装置200,包括:
数据获取模块210,用于获取体育参与者的实时主体数据和环境数据;
负荷分类模块220,用于提取所述实时主体数据的特征并基于负荷评估模型得到实时负荷数据;
初步检测模块230,用于将所述实时负荷数据与历史负荷-记录模型进行比对得到初始记录检测结果;
目标检测模块240,用于将风力数据对所述初始记录检测结果进行修正得到目标记录检测结果。
参阅图3,针对于本申请实施例提供的方法还提供一种体育记录检测设备300可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器301和存储器302,存储器302中可以存储有一个或一个以上存储应用程序或数据。其中,存储器302可以是短暂存储或持久存储。存储在存储器302的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括出体育记录检测设备中的一系列计算机可执行指令。更进一步地,处理器301可以设置为与存储器302通信,体育记录检测设备上执行存储器302中的一系列计算机可执行指令。体育记录检测设备还可以包括一个或一个以上电源303,一个或一个以上有线或无线网络接口304,一个或一个以上输入/输出接口305,一个或一个以上键盘306等。
在一个具体的实施例中,体育记录检测设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对体育记录检测设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取体育参与者的实时主体数据和环境数据;
提取所述实时心电信号的R峰,并对所述R峰进行特征提取得到第一特征、第二特征和第三特征,基于所述第一特征识别所述体育参与者的运动类型信息,并将所述运动类型信息与所述第二特征、第三特征、所述温度数据和所述相对湿度数据输入至负荷评估模型得到实时负荷数据;
将所述实时负荷数据与历史负荷-记录模型进行比对得到初始记录检测结果;
基于所述风力数据对所述初始记录检测结果进行修正得到目标记录检测结果。
下面对处理器的各个构成部件进行具体的介绍:
其中,在本实施例中,处理器是特定集成电路(application specificintegrated circuit,ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路,例如:一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA)。
可选地,处理器可以通过运行或执行存储在存储器内的软件程序,以及调用存储在存储器内的数据,执行各种功能,例如执行上述图1所示的方法。
在具体的实现中,作为一种实施例,处理器可以包括一个或多个微处理器。
其中,所述存储器用于存储执行本申请方案的软件程序,并由处理器来控制执行,具体实现方式可以参考上述方法实施例,此处不再赘述。
可选地,存储器可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以和处理器集成在一起,也可以独立存在,并通过处理器的接口电路与处理单元进行耦合,本申请实施例对此不作具体限定。
需要说明的是,在本实施例中示出的处理器的结构并不构成对该装置的限定,实际的装置可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
此外,处理器的技术效果可以参考上述方法实施例所述的方法的技术效果,此处不再赘述。
应理解,在本申请实施例中的处理器可以是其他通用处理器、数字信号处理器(digital signal processor,DSP)、专用集成电路(application specific integratedcircuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解,本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random accessmemory,RAM)可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(doubledata rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
上述实施例,可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于数据分析的体育记录检测方法,其特征在于,所述方法包括:
获取体育参与者的实时主体数据和环境数据,所述实时主体数据为所述运动参与者的实时心电信号,所述环境数据包括温度数据、相对湿度数据和风力数据;
提取所述实时心电信号的R峰,并对所述R峰进行特征提取得到第一特征、第二特征和第三特征,基于所述第一特征识别所述体育参与者的运动类型信息,并将所述运动类型信息与所述第二特征、第三特征、所述温度数据和所述相对湿度数据输入至负荷评估模型得到实时负荷数据;
将所述实时负荷数据与历史负荷-记录模型进行比对得到初始记录检测结果;
基于所述风力数据对所述初始记录检测结果进行修正得到目标记录检测结果。
2.根据权利要求1所述的基于数据分析的体育记录检测方法,其特征在于,提取所述实时心电信号的R峰,包括:
将所述实时心电信号进行重构得到重构心电信号;
对所述重构心电信号进行香农熵包络处理并进行移动均值滤波得到R峰特征;
对所述R峰特征依次进行微分、归一化、平方处理得到多个R峰,并基于多个R峰幅值进行排序,并基于排序阈值得到目标R峰。
3.根据权利要求2所述的基于数据分析的体育记录检测方法,其特征在于,将所述实时心电信号进行重构得到重构心电信号,包括:对所述实时心电信号进行分解得到多个连续IMF分量,比较所述IMF分量与灰色相关系数分量之间的关系系数,基于所述关系系数确定所述IMF分量与所述灰色相关系数分量的灰色关联度,筛选满足预设的灰色关联阈值的所述IMF分量为目标分量,将多个所述目标分量进行求和重构得到重构心电信号。
4.根据权利要求1所述的基于数据分析的体育记录检测方法,其特征在于,所述第一特征为RR间隔特征,所述第二特征为心率特征,所述第三特征为心率变异性特征。
5.根据权利要求4所述的基于数据分析的体育记录检测方法,其特征在于,对所述R峰进行特征提取得到第二特征,包括:获取两个R峰之间的R峰间隔时间,并基于下式进行确定:
其中HR为心率,tRR为R峰间隔时间,单位为秒。
6.根据权利要求4所述的基于数据分析的体育记录检测方法,其特征在于,对所述R峰进行特征提取得到第三特征,包括:
提取R峰间隔时间的标准差,基于下式进行确定:
提取R峰间隔时间的预设绝对值,基于下式进行确定:
提取低频功率,基于下式进行确定:
提取低频功率与高频功率的比值,基于下式确定:
其中,RRi∈[RR1,RR2,…,RRN],即R峰间隔时间,N为R峰间隔总数,i=1,2,…,N,为R峰间隔时间的平均值,w为频率,F(w)表示R峰间隔时间的频谱函数基于频率变换的方式获得。
7.根据权利要求6所述的基于数据分析的体育记录检测方法,其特征在于,基于所述第一特征识别所述体育参与者的运动类型信息,包括:将所述第一特征输入至运动类型识别模型进行运动类型信息;所述运动类型信息包括有氧运动和无氧运动,所述运动类型识别模型基于LSTM模型构建,包括输入层、LSTM隐藏层、全连接层和输出层,所述LSTM隐藏层的数量为2,所述全连接层的数量为1;所述输入层由1个神经元构成。
8.根据权利要求7所述的基于数据分析的体育记录检测方法,其特征在于,将所述运动类型信息与所述第二特征、第三特征、所述温度数据和所述相对湿度数据输入至负荷评估模型得到实时负荷数据,包括:将所述心率特征、所述心率变异性特征、所述温度数据、所述相对湿度数据输入至多个决策树,每个所述决策树输出一个分类结果,选择多个所述分类结果中出现最多的类别为最终分类结果,最终分类结果对应实时负荷分类为实时负荷数据。
9.根据权利要求8所述的基于数据分析的体育记录检测方法,其特征在于,将所述实时负荷数据与历史负荷-记录模型进行比对得到初始记录检测结果,包括:基于所述实时负荷分类查询历史负荷-记录模型对应的初始记录检测结果,初始记录监测结果用于表征记录趋向,所述历史负荷-记录模型基于历史负荷数据以及对应的记录数据构建;
基于所述风力数据对所述初始记录检测结果进行修正得到目标记录检测结果,包括:确定风向以及对应的风速,基于风向以及风速确定影响系数,基于所述影响系数与所述初始记录检测结果的乘积得到目标记录检测结果。
10.一种基于数据分析的体育记录检测装置,其特征在于,所述装置包括:
数据获取模块,用于获取体育参与者的实时主体数据和环境数据;
负荷分类模块,用于提取所述实时主体数据的特征并基于负荷评估模型得到实时负荷数据;
初步检测模块,用于将所述实时负荷数据与历史负荷-记录模型进行比对得到初始记录检测结果;
目标检测模块,用于将风力数据对所述初始记录检测结果进行修正得到目标记录检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311022550.9A CN117435907A (zh) | 2023-08-14 | 2023-08-14 | 一种基于数据分析的体育记录检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311022550.9A CN117435907A (zh) | 2023-08-14 | 2023-08-14 | 一种基于数据分析的体育记录检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117435907A true CN117435907A (zh) | 2024-01-23 |
Family
ID=89545192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311022550.9A Pending CN117435907A (zh) | 2023-08-14 | 2023-08-14 | 一种基于数据分析的体育记录检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117435907A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016184418A1 (zh) * | 2015-05-21 | 2016-11-24 | 博晶医电股份有限公司 | 体力监测方法和装置 |
CN108671524A (zh) * | 2018-05-09 | 2018-10-19 | 武汉武体乐众体育产业有限公司 | 一种数字化运动监控*** |
CN108970085A (zh) * | 2018-07-03 | 2018-12-11 | 上海翰临电子科技有限公司 | 运动体能分析方法、设备及存储介质 |
CN109998522A (zh) * | 2019-02-27 | 2019-07-12 | 东南大学 | 一种基于穿戴式动态心电的运动负荷检测装置及方法 |
CN110680308A (zh) * | 2019-11-04 | 2020-01-14 | 北京理工大学 | 基于改进emd与阈值法融合的心电信号去噪方法 |
WO2020039811A1 (ja) * | 2018-08-22 | 2020-02-27 | 旭化成株式会社 | 運動強度決定装置及び運動強度決定方法 |
CN111530037A (zh) * | 2020-05-13 | 2020-08-14 | 广东高驰运动科技有限公司 | 用于评估跑步运动中身体机能反应状态的方法及设备 |
US20200261769A1 (en) * | 2019-02-19 | 2020-08-20 | Firstbeat Technologies Oy | Method and apparatus for assessing acclimatization to environmental conditions and to assess fitness level taking into account the environmental conditions and the level of acclimatization |
CN114886433A (zh) * | 2022-05-27 | 2022-08-12 | 浙江大学 | 一种具备环境适应能力的运动负荷评估方法 |
CN115969383A (zh) * | 2023-02-16 | 2023-04-18 | 北京科技大学 | 一种基于心电信号和呼吸信号的人体生理疲劳检测方法 |
-
2023
- 2023-08-14 CN CN202311022550.9A patent/CN117435907A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016184418A1 (zh) * | 2015-05-21 | 2016-11-24 | 博晶医电股份有限公司 | 体力监测方法和装置 |
CN108671524A (zh) * | 2018-05-09 | 2018-10-19 | 武汉武体乐众体育产业有限公司 | 一种数字化运动监控*** |
CN108970085A (zh) * | 2018-07-03 | 2018-12-11 | 上海翰临电子科技有限公司 | 运动体能分析方法、设备及存储介质 |
WO2020039811A1 (ja) * | 2018-08-22 | 2020-02-27 | 旭化成株式会社 | 運動強度決定装置及び運動強度決定方法 |
US20200261769A1 (en) * | 2019-02-19 | 2020-08-20 | Firstbeat Technologies Oy | Method and apparatus for assessing acclimatization to environmental conditions and to assess fitness level taking into account the environmental conditions and the level of acclimatization |
CN109998522A (zh) * | 2019-02-27 | 2019-07-12 | 东南大学 | 一种基于穿戴式动态心电的运动负荷检测装置及方法 |
CN110680308A (zh) * | 2019-11-04 | 2020-01-14 | 北京理工大学 | 基于改进emd与阈值法融合的心电信号去噪方法 |
CN111530037A (zh) * | 2020-05-13 | 2020-08-14 | 广东高驰运动科技有限公司 | 用于评估跑步运动中身体机能反应状态的方法及设备 |
CN114886433A (zh) * | 2022-05-27 | 2022-08-12 | 浙江大学 | 一种具备环境适应能力的运动负荷评估方法 |
CN115969383A (zh) * | 2023-02-16 | 2023-04-18 | 北京科技大学 | 一种基于心电信号和呼吸信号的人体生理疲劳检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | A sleep apnea detection method based on unsupervised feature learning and single-lead electrocardiogram | |
Ge et al. | Cardiac arrhythmia classification using autoregressive modeling | |
CN107951485B (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
Javadi et al. | Classification of ECG arrhythmia by a modular neural network based on mixture of experts and negatively correlated learning | |
Kannathal et al. | Cardiac state diagnosis using adaptive neuro-fuzzy technique | |
Altan et al. | A new approach to early diagnosis of congestive heart failure disease by using Hilbert–Huang transform | |
Daqrouq et al. | Neural network and wavelet average framing percentage energy for atrial fibrillation classification | |
Diker et al. | A diagnostic model for identification of myocardial infarction from electrocardiography signals | |
Bashar et al. | A machine learning approach for heart rate estimation from PPG signal using random forest regression algorithm | |
Pathoumvanh et al. | Robustness study of ECG biometric identification in heart rate variability conditions | |
Raghu | Arrhythmia detection based on hybrid features of T-wave in electrocardiogram | |
Guan et al. | Sports fatigue detection based on deep learning | |
Calvo et al. | Multivariate classification of Brugada syndrome patients based on autonomic response to exercise testing | |
CN116503673A (zh) | 一种基于心电图的心律失常识别检测方法及*** | |
Cui et al. | ECG-based biometric recognition under exercise and rest situations | |
Papadogiorgaki et al. | Heart rate classification using ECG signal processing and machine learning methods | |
Choi et al. | Attention-lrcn: long-term recurrent convolutional network for stress detection from photoplethysmography | |
Ladavich et al. | Developing an atrial activity-based algorithm for detection of atrial fibrillation | |
Jiang et al. | Heartbeat classification system based on modified stacked denoising autoencoders and neural networks | |
Sinha | An approach for classifying ECG arrhythmia based on features extracted from EMD and wavelet packet domains | |
Khoma et al. | Artificial neural network capability for human being identification based on ECG | |
CN117435907A (zh) | 一种基于数据分析的体育记录检测方法及装置 | |
Waili et al. | A hasty approach to ECG person identification | |
Timuş et al. | Optimizing MLP Classifier and ECG Features for Sleep Apnea Detection. | |
Karimulla et al. | An Optimal Methodology for Early Prediction of Sudden Cardiac Death Using Advanced Heart Rate Variability Features of ECG Signal |
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 |