机器学习技术对心率预测的比较分析,使用可穿戴传感器数据

科学领域:

• 心血管生理学心血管生理学
• 机器学习应用程序 机器学习应用程序
• 可穿戴式传感器技术的技术.

背景情况:

• 可穿戴技术提供了对健康和运动表现至关重要的实时心血管洞察力.
• 准确的心率 (HR) 监测对于个性化健身和预防性医疗保健策略至关重要.

研究的目的:

• 使用可穿戴传感器数据,比较各种机器学习 (ML) 技术用于HR预测.
• 开发和评估一种混合单元光谱分析 (SSA) -增强的ML模型,用于增强HR预测.
• 评估结合辅助生理数据 (呼吸速率,RR间隔) 对HR预测准确性的影响.

主要方法:

• 长期短期记忆 (LSTM) 网络,物理信息神经网络 (PINN) 和1D卷积神经网络 (1D CNN) 的比较.
• 开发用于HR预测的混合SSA-LSTM模型.
• 利用来自10项体育运动的81名参与者的126个记录的心肺呼吸数据,采集在1赫兹.
• 研究了将呼吸速率 (BR) 和RR间隔作为辅助输入的效果.

主要成果:

• 混合SSA-LSTM模型显示了最低的预测误差,有效地捕捉了复杂的人力资源动态.
• 与单个或双参数输入相比,集成HR,BR和RR数据显著提高了预测准确性.
• 该模型在不同体育经验水平的参与者中显示出有效性.

结论:

• 多变量机器学习模型,特别是混合SSA-LSTM方法,对于准确的HR预测非常有效.
• 结合多个生理参数可以提高可穿戴式健康监测系统的可靠性.
• 这些发现支持采用先进的ML来改善健身跟踪和预防性医疗保健.