基于PCG的运动疲劳检测方法使用多尺度特征融合模型
Xinxin Ma1, Xinhua Su1, Huanmin Ge1
1School of Sports Engineering, Beijing Sports University, Beijing, China.
Computer methods in biomechanics and biomedical engineering
|September 25, 2024
概括
这项研究引入了一种使用心电图 (PCG) 信号检测运动疲劳的新方法,为心电图 (ECG) 监测提供了一个强大的替代方案. 这种新的方法在识别疲劳水平方面取得了很高的准确性.
科学领域:
- 生物医学工程 生物医学工程
- 生理监测 生理监测
- 医疗保健中的机器学习
背景情况:
- 准确的运动疲劳检测对于安全的体力活动至关重要.
- 电心电图 (ECG) 信号是常用的,但易受噪声的影响.
- 声心图 (PCG) 信号为心血管监测提供了一个非侵入性的替代方案.
研究的目的:
- 提出一种基于心电图 (PCG) 的新方法来检测运动疲劳.
- 通过深度学习和线性特征的功能融合来提高疲劳检测性能.
- 评估拟议方法的准确性,并将其与基于ECG的系统进行比较.
主要方法:
- 1D PCG信号使用短时间里埃转换 (STFT) 转换为2D图像.
- 预先训练的卷积神经网络 (VGG-16) 用于深度学习特征提取.
- 通过将VGG-16特征与PCG线性特征相结合,创建了融合特征.
- 支持矢量机 (SVM) 和线性差异分析 (LDA) 用于疲劳分类.
主要成果:
- 提出的基于PCG的方法实现了高精度 (高达99.00%) 和F1得分 (高达99.09%).
- 性能与传统的基于心电图的系统相提并论,这些系统被认为是黄金标准.
- 该方法在区分六种运动疲劳水平方面表现出有效性.
结论:
- 声心图 (PCG) 信号可以有效地用于准确的运动疲劳检测.
- 拟议的特征融合技术显著提高了疲劳检测性能.
- 这种基于PCG的非侵入性方法为运动监测提供了一个有希望的替代方案.
