医疗智能使用PPG信号和边缘的混合学习来检测体力活动中的疲劳
Ping Liu1, Yazhou Song1,2, Xuan Yang3,4
1Department of Physical Education and Teaching, Hebei Finance University, Baoding, 071051, China.
Scientific reports
|July 12, 2024
概括
这项研究引入了一种深度学习框架,用于检测运动员的学生疲劳,使用光聚光学 (PPG) 信号. 该模型实现了91.8%的准确性,改善了运动员的实时生理监测.
科学领域:
- 运动科学 运动科学 运动科学
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 教育环境显著影响学生运动员的身体健康和疲劳检测.
- 生物传感器和深度学习的进步使实时生理疲劳监测成为可能.
- 目前监测学生运动员体育活动的方法缺乏精确性和广泛的数据分析.
研究的目的:
- 开发一种创新的深度学习框架,用于预测运动学生运动后的疲劳.
- 解决目前用于监测体育活动的计算模型和数据分析的局限性.
- 通过光聚光学 (PPG) 信号对疲劳和非疲劳状态进行分类.
主要方法:
- 几个深度学习模型的比较,包括ResNetCNN,Xception和BILSTM.
- 使用PPG信号的模型的培训和测试,采用五重交叉验证方法.
- 在有限的培训数据下,解决优化PPG参数的挑战.
主要成果:
- 深度学习框架证明了疲劳和非疲劳状态的有效分类.
- 在测试数据集上实现了91.8%的分类准确性.
- 评估了多个深度学习架构的性能.
结论:
- 拟议的深度学习框架提供了一种精确的方法,用于实时检测运动型学生的疲劳.
- 这种方法增强了在体育活动期间对生理反应的监测.
- 该研究强调了先进的人工智能和生物传感器在体育科学和教育中的潜力.
