原文传递
基于生理信号的运动模式统计特征分析与疲劳定量研究
| 论文题名： | 基于生理信号的运动模式统计特征分析与疲劳定量研究 |
| 关键词： | 疲劳检测;运动模式识别;运动疲劳;机器学习;短时生理信号;特征提取 |
| 摘要： | 运动模式识别、运动疲劳检测是运动健康领域非常重要的两块研究工作。但现有研究还无法实现搭载在可穿戴设备上的短时、高精度的运动模式识别和疲劳检测算法。此外，目前疲劳量化和运动人群分析领域缺乏客观的分析方法和评价指标。生理信号能够比较客观地反映人体的运动状态，且信号数据可以比较方便地获取；机器学习算法具有良好的分类学习能力，且可解释性较好，适合用于运动健康相关研究之中。因此，本文基于短时多维生理信号应用多种信号处理方法提取相关特征，并研究它们的统计性质；使用机器学习算法进行运动模式识别和疲劳检测，并据此构建疲劳指标体系和疲劳指数，然后对运动人群进行深入研究和分析。 本文使用Bioharness设备采集运动数据，基于短时生理信号提取运动模式统计特征，其中，改进了XQRS算法对ECG信号进行R波定位；然后深入分析了特征的统计特性并应用机器学习算法建立分类模型，实现了对静止、走路、跑步和垂直跳跃这四种典型运动模式的分类：信号时长为1s和5s的XGBoost模型识别准确率分别达到了96.77%和99.05%。此外，该运动模式识别算法具有一定的“记忆性”，能够较为准确地识别过去时间的运动模式。 针对运动疲劳检测，本文将检测信号时长缩短至30秒并显著提升了检测精度。在特征提取中，除了计算各类时频特征，还结合改进的XQRS算法和Neurokit算法实现对ECG信号的波群定位，并引入了经验模态分解、复杂网络分析等方法。本文对运动疲劳特征进行了统计分析，结合嵌入法应用四种机器学习算法建立疲劳检测模型，其中XGBoost算法模型效果最佳，准确率达99.46%，F1得分为99.29%，基本满足实际应用的需求。统计分析以及模型结果均表明，心率、呼吸频率和呼吸深度信号及相关特征在疲劳检测中起了重要作用。 根据统计分析和疲劳检测模型特征选择的结果构建反映人体疲劳程度的指标体系，结合逻辑回归和线性核SVM模型的分类决策函数构建客观的疲劳指数。统计结果证明，疲劳指数能够有效反映人体疲劳状态，具有很高的应用价值。在进行一定强度运动时，生理信号以及运动疲劳指数变化方式在不同运动人群中有着不同的表现。据此，本文构建了逻辑回归运动人群判别模型，该模型分类准确率达94.36%。此项工作可以用于监控人体素质和状态的变化，具有较好的应用前景。 |
| 作者： | 刘钰莹 |
| 专业： | 概率论与数理统计 |
| 导师： | 严质彬 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨工业大学 |
| 学位年度： | 2020 |
检索历史
应用推荐
