从心率动态进行数字表型化:识别零极模型与数据驱动的进化学习
Adrian Patrascu1, Andreea Ion2, Maarja Vislapuu3
1Centre for Interdisciplinary Research in Physical Education and Sport, Babes-Bolyai University, Cluj-Napoca, Romania.
Computers in biology and medicine
|December 28, 2024
概括
这项研究引入了一种新的零极模型,用于在运动期间估计心率反应,为持续监测提供个性化的数字生物标志物. 进化学习方法可以快速准确地识别模型.
科学领域:
- 生理学 生理学 生理学
- 生物医学工程 生物医学工程
- 数字健康数字健康
背景情况:
- 对身体活动的心率反应对于在临床和训练环境中评估身体状态至关重要.
- 新兴的数字表型需要个性化的模型来进行准确的生理监测.
- 现有的模型可能缺乏个性化健康见解所需的精度.
研究的目的:
- 提出和验证一种新的零极动态模型,用于心率对运动的反应.
- 为高效的模型参数识别开发数据驱动的进化学习方法.
- 将拟议的模型和识别方法与现有方法进行比较.
主要方法:
- 开发了一个五相零极动态模型来描述心率变化.
- 在静态和动态协议下,使用跑步机和胸部传感器收集了30名健康参与者的数据.
- 建议的模型和进化学习与一/二阶模型和梯度下降方法进行了比较.
主要成果:
- 零极模型显示了对心率对运动反应的强烈适应 (皮尔森的 ρ > .95).
- 一级和二级模型也显示出很好的适应性 (皮尔森的 ρ > .92).
- 进化学习方法在快速模型识别方面显著优于最小平方方法 (p < .03).
结论:
- 拟议的零极模型准确地捕捉了身体活动期间的心率动态.
- 进化学习方法为动态模型提供了高效和快速的参数识别.
- 研究的线性动态模型参数显示出作为持续健康监测的数字生物标志物具有前途.
