基于深度学习和心电信号的运动疲劳识别方法.pdf
《基于深度学习和心电信号的运动疲劳识别方法.pdf》由会员分享,可在线阅读,更多相关《基于深度学习和心电信号的运动疲劳识别方法.pdf(10页珍藏版)》请在咨信网上搜索。
1、PRINTING AND DIGITAL MEDIA TECHNOLOGY STUDY Tol.229 No.2 2024.04印刷与数字媒体技术研究 2024年第2期(总第229期)RESEARCH PAPERS研究论文基于深度学习和心电信号的运动疲劳识别方法季炜然,孟林盛*(山西大学 体育学院,太原 030006)摘要 适当的体育运动有利于身体健康,但是大多数人在运动过程中,盲目地进行高强度的体育锻炼,很容易造成身体的损伤甚至危及生命。因此,针对这一问题,本研究提出了一种基于深度学习和心电信号的运动疲劳识别方法。首先采集运动中人体的心电信号,并使用连续小波变换提取信号的特征。然后将提取的心
2、电特征融合并转换为二维图像数据集,再使用具有注意力机制的VGG神经网络对二维图像数据集进行训练和识别。最后构建了基于VGG-Attention Mechanism的运动疲劳检测模型。结果表明,所提方法构建的运动疲劳检测模型具有较高的诊断精度,平均准确率为98.03%,对可穿戴设备的开发具有重要意义。关键词 疲劳检测;连续小波变换;神经网络;运动中图分类号 TP391.9;TP212文献标识码 A文章编号 2097-2474(2024)02-135-010DOI 10.19370/10-1886/ts.2024.02.015A Method for Identifying Exercise Fa
3、tigue Based on Deep Learning and ECG Signals JI Wei-ran,MENG Lin-sheng*(College of Physical Education,Shanxi University,Taiyuan 030006,China)Abstract Appropriate physical exercise is beneficial to physical health,but most people blindly carry out high-intensity physical exercise during exercise,whic
4、h can easily cause physical damage or even endanger life.Therefore,in response to this problem,an exercise fatigue recognition method based on deep learning and ECG signals was proposed in this study.Firstly,the ECG signal of the human body in motion was collected,and the characteristics of the sign
5、al were extracted by continuous wavelet transform.Then the extracted ECG features were fused and converted into a two-dimensional image dataset.The VGG neural network with attention mechanism was used to train and recognize the two-dimensional image dataset.Finally,a motion fatigue detection model b
6、ased on VGG-Attention Mechanism was constructed.The results showed that the motion fatigue detection model constructed by the proposed method has high diagnostic accuracy,with an average accuracy rate of 98.03%,which is of great significance for the development of wearable devices.Key words Fatigue
7、detection;Continuous wavelet transform;Neural network;Exercise收稿日期:2023-07-12 修回日期:2023-09-01 *为通讯作者本文引用格式:季炜然,孟林盛.基于深度学习和心电信号的运动疲劳识别方法J.印刷与数字媒体技术研究,2024,(2):135-144.2024年2期印刷与数字媒体技术研究(拼版).indd 1352024年2期印刷与数字媒体技术研究(拼版).indd 1352024/4/26 17:08:162024/4/26 17:08:16136印刷与数字媒体技术研究2024年第2期(总第229期)0 引言近年
8、来,我国在竞技体育领域取得了飞跃式的发展,已成为世界上的体育大国和强国,但是群众体育、竞技体育的蓬勃发展也带来了一些问题1-5。普通民众在运动过程中受伤情况屡见不鲜,大多数都是由于不恰当的运动方式和不合适的运动强度造成了身体的损伤,严重情况下甚至会引起心动过速和心肌劳损,最终危及生命6-9。因此,研究可以有效识别运动疲劳指标、防止因盲目体育锻炼强度过大造成身体损伤是当前广为关注的热点。通常使用呼吸频率、心率等系统指标和运动持续时间来判断当前活动的人体疲劳状态。呼吸频率、心率等信号是标量,所包含的信息较少,不能准确、全面地反映运动中的状态10-11;运动持续时间只适用于田径或骑行等持续有氧运动。
9、对于举重等不连续并且位置固定的训练,呼吸频率、心率和运动持续时间等指标是不适用的,难以得到一个准确的结果12-16。所以很多研究者开始探索使用其他包含更多信息的身体指标来评价身体状态。Kulawiec等17观测人体运动后的血糖含量,来判断运动后的疲劳情况。顾正秋等18提出了一种根据人体运动中说话舒适程度或单次呼吸的最大计数值来判断运动疲劳程度的方法,在普通人群、运动疾病患者和职业运动员中得到了较高的运动疲劳识别准确度。Xiao等19提出了使用机器学习监测心率、最大摄氧量、氧脉冲、呼吸熵、最大通气次数等生理指标,取得了较好的效果。赵月民等20针对自行车运动中的运动疲劳监测,使用加速度传感器建立自
10、行车运动疲劳预测方程,发现脚踝处是自行车运动进行运动疲劳监测的最佳位置,能够有效地监测运动疲劳程度。Jian等21使用基于卷积神经网络的运动识别技术识别训练强度。Vahid等22利用人工神经网络识别多传感器采集关节处的加速度,从而判断运动疲劳程度,在不同数据集得到了80.4%90.7%的准确率。AFZAAL等23基于物联网、机器学习和智能可穿戴技术,记录运动中的心电图、心率、呼吸频率等信号,根据这些信号,该系统能够以97%的准确率识别运动中的身体状态。现有的研究根据心电信号中富含的丰富信息进行诊断,取得了较好的身体状态识别精度,这说明心电信号可以较好地反映身体状态。但是现有的特征提取方法较为单
11、一,很难有效提取特征,得到较好的分类性能。因此根据实时获得的运动心电信号,使用傅里叶变换、小波变换等更全面的特征表示方法预处理心电信号,然后使用分类性能更强的人工智能算法检测,成为运动疲劳检测中的重要研究方向。为了更好地检测运动中的疲劳程度,本研究结合连续小波变换和具有注意力机制的VGG神经网络,提出了一种基于连续小波变换的运动疲劳识别方法,根据运动中的心电信号监测运动过程中的疲劳程度。在这一方法中,主要包括以下工作:1)读取并处理心电信号,并将心电信号使用连续小波变换进行分析,分析后的特征数据可转换为二维图像特征数据。2)为满足卷积神经网络的训练需求,使用数据增强技术扩充所得到的二维图像数据
12、集,增加数据集的图片数量,提高模型训练后的泛化能力。3)构建VGG-Attention Mechanism运动疲劳诊断模型,并使用混淆矩阵和t-SEN可视化技术可视化模型诊断结果。1 特征提取方法及神经网络的搭建1.1 连续小波变换心电信号是一个来自于心脏的生物电信号,记录了心脏跳动的除极和复极过程。不同的疲劳状态下,心电信号具有不同的特点,如何识别这些特点是根据心电信号判断身体疲劳程度的一个关键。小波变换是在傅里叶变换基础上发展出的一种时频分析方法,克服了傅里叶变换的加窗操作在时频分析上的不足24。所以针对心电信号的特点,使用小波变换提取心电信号的时频特征25-26。心电信号的时间序列信号如
13、图1所示,t时刻对2024年2期印刷与数字媒体技术研究(拼版).indd 1362024年2期印刷与数字媒体技术研究(拼版).indd 1362024/4/26 17:08:162024/4/26 17:08:16137研究论文季炜然等:基于深度学习和心电信号的运动疲劳识别方法应着一个信号的幅值,f(t)被用来表示幅值和时间t的函数关系。函数是母小波,满足,对函数进行平移和伸缩可得到不同的函数,具体定义如式(1)。(1)式(1)中,a 用来控制小波函数的形状,称为伸缩因子,b 用来控制函数的位移,称为平移因子。对于心电信号f(t),其小波变换的公式如式(2)。(2)通过连续的a、b得到的一系列
14、小波函数与信号的内积可以得到每个小波变换的系数Wf(a,b),信号与小波的相似度越高,所得的小波变换系数也就越大,信号投影在小波基伸缩平移形成的一组小波函数上,就构成了小波变换。1.2 VGG神经网络卷积神经网络模型由卷积层、池化层、全连接层和分类层组成。卷积层利用卷积核提取特征,内部包含多个卷积核,每个神经元只与前一层的局部区域相连,这个区域称为“感受野(Receptive Field)”,区域的大小取决于卷积核的大小,公式定义如式(3)。(3)式(3)中,pq为卷积核大小,w是卷积核的权重,x是图像灰度值,卷积之后加上偏置b,f是激活函数,output是卷积后的输出。池化层是一种下采样操作
15、(Subsampling),主要目标是降低特征图的尺寸,最常使用最大池化(Max Poolling)函数,整个图片被不重叠地分割成若干个同样大小、长宽分别为M和N的小块,每个小块内只取最大的数字,再舍弃其他节点后,保持原有的平面结构,得出新的特征图xnew,计算公式如式(4)。(4)全连接层位于卷积神经的末尾,主要功能是把前面步骤提取的局部特征重新整合到一起,并把结果输入到激活函数,最终完成所需要的分类目标。分类层是逻辑回归的一般形式,可以实现多分类问题,对于输入数据有k个类别,Softmax估算输入数据x属于k中每一类的概率。Softmax是一种常用的分类层激活函数,它可以将一个数值向量归一
16、化为一个概率分布向量,且各个概率之和为1。Softmax可以用来作为神经网络的最后一层,用于多分类问题的输出。在式(5)中x是全连接层输出向量,xi是其中的一个元素。(5)主流的卷积神经网络模型包括AlexNet、GoogLeNet和VGG网络,综合考虑后使用2014年由牛津大学Visual Geometry Group提出的VGG网络,VGG网络根据层数的不同分为VGG13、VGG16和VGG1927。其中VGG16包含13个卷积层和3个全连接层,该网络通过堆叠多个33卷积核来替代大尺度卷积核,从而减少所需参数量,堆叠2个33的卷积核可以替代55的卷积核的感受野,堆叠3个33的卷积核可以替代
17、77的卷积核的感受野。池化层采用22池化窗口,步长为2。在全连接层由3个连续的全连接进行组合,前两个通道的参数量为4096个,最后由具有1000个标签的Softmax分类器进行分类输出。VGG16使用ReLU激8000060000400002000000.000.050.100.15-0.05100000时间时间幅度0.80.60.40.20.0200300400500100频率 原始信号时频图图1 心电信号的小波变换Fig.1 Wavelet transform of the ECG signal2024年2期印刷与数字媒体技术研究(拼版).indd 1372024年2期印刷与数字媒体技术研
18、究(拼版).indd 1372024/4/26 17:08:172024/4/26 17:08:17138印刷与数字媒体技术研究2024年第2期(总第229期)活函数,ReLU函数是不饱和函数,运算结果比较稀疏,能更多减小反向传播误差,加快网络的收敛速度。计算公式如式(6)。(6)使用VGG网络构建心电信号识别模型,模型的激活函数使用ReLU函数,VGG16的权重参数数量高达70303557个,其中个全连接层参数占比较大,VGG16原本的参数设置是为了完成1000分类,处理信号的分类较少。因此,前两个全连接层只使用原来节点个数的一半,即2048个节点,第三个全连接层为6个节点对应着分类的类别,
19、以提高模型的识别精度和效率。修改后的VGG16结构图如图2所示。全连接层池化层卷积层分类层输入224224RGB图像Conv3-64Conv3-64Conv3-128Conv3-128Conv3-256Conv3-256Conv3-256Conv3-512Conv3-512Conv3-512Conv3-512Conv3-512Conv3-512FC-2048FC-2048FC-6图2 VGG神经网络Fig.2 VGG neural network1.3 注意力机制模块现有的VGG网络在训练时需要大量的视觉信息处理资源,对于一些不重要的特征使用大量的资源进行提取会造成大量的浪费,需要对特征进行有
20、选择的提取。注意力机制模仿了人类眼睛和大脑在工作时的机制。在看到图像时,并不会全部都仔细关注,而是粗略地看过去后,选择某一区域重点关注,这样的机制能够忽略掉无用信息,重点关注有用信息。注意力机制在神经网络中是一种权重分配机制。通过计算不同时刻的注意概率权重,一些与特征密切相关的节点得到了更多的注意,具体结构如图3所示,该模块主要包含特征压缩(Fsq(.))、特征激发(Fex(.,w))和特征融合(Fscale(.,.))3个部分28。首先对输入特征图进行卷积操作,得到通道数为c的特征图谱。然后使用全局平均池化并沿着空间维度对每个特征通道进行挤压,进行特征压缩(Fsq(.))操作,如式(7)。(
21、7)式(7)中,zc表示第c个通道特征压缩后的特征信息,uc表示在特征图X里的某个通道特征,H和W分别代表特征图的高和宽,uc(i,j)表示在该通道中不同位置的特征点。然后通过学习参数w进行特征激发(Fex(.,w))操作,操作中使用Relu激活函数将通道压缩以减少计算负载,减少了计算时间,使用Sigmoid激活函数对通道进行恢复,通道的相关性由两个完全连通的层进行建模。每个特征通道生成一个权值用来表示特征通道的重要性,公式描述如式(8)。(8)式(8)中,g表示全连接操作,和分别表示Sigmoid和Relu激活函数,w1和w2分别代表两个全连接层的权重。最后进行特征融合操作(Fscale(.
22、,.)),这一操作将特征激发部分得到的信道权值与原始特征信道相乘,对通道维度中原始特征进行重新校准,计算公式为式(9),sc代表权重。(9)1.4 疲劳诊断模型本研究提出的基于深度学习和心电信号的运动疲劳识别方法,在VGG神经网络的基础上增加了注意力机制,并使用连续小波变换提取心电信号特征,具体模型结构如图4所示。它主要包括三个部分:使用连续小波变换提取心电信号特征;将提取特征转换为二维图像;利用具有注意力机制的VGG神经网络进行训练识别。11C11CHWCXCWHuCWHXFsq()Fex(,w)Fscale(,)图3 通道注意力机制模块Fig.3 Module of channel att
23、ention mechanism2024年2期印刷与数字媒体技术研究(拼版).indd 1382024年2期印刷与数字媒体技术研究(拼版).indd 1382024/4/26 17:08:172024/4/26 17:08:17139研究论文季炜然等:基于深度学习和心电信号的运动疲劳识别方法2 数据预处理和构建训练数据集2.1 同步心电图和心音图数据集采集本研究使用来自物理网的同步心电图和心音图数据集进行方法验证11,29。该研究获得了设拉子大学生物医学工程评审委员会的批准,并获得了参与研究的个人书面知情同意。共有24名男性受试者参与本研究,年龄2329岁,平均25.41.9岁。通过结构化访谈
24、确定参与者身体状况良好,没有人表现出或经历过心血管疾病症状。在测试开始前的3小时里,志愿者们不吃东西,不喝含咖啡因、酒精的饮料,也不抽烟,但被允许喝水。结果数据集包括69份同步心电图和心音图记录,其中8份记录持续时间为30s,61份记录持续时间为30min,采样频率为8kHz,分辨率为12位。有6种不同强度的运动,带给身体不同的的疲劳状态,分别是:躺在床上、坐在扶手椅上、匀速行走、固定自行车、自行车压力测试、跑步机压力测试。自行车压力测试和跑步机压力测试都是处于危险状态的运动,实验者会出现过度疲劳、心率过快或胸痛等情况,在这两种情况下,应该停止锻炼。为了更具体,将6种不同的运动强度定义为16级
25、,运动强度随着水平的增加而增加。当运动强度为5级、6级时,运动者应停止运动,休息。心电图信号如图5所示。信号采集连续小波变换特征提取11C11CHWCXCWHuCWHXFsq()Fex(,w)Fscale(,)注意力模块输入全连接层输出层结果可视化TPFN1FPTN010PredictActual600246810HeightWeightclass1class2图4 本研究提出方法流程图Fig.4 Flowchart of the proposed method in this study300004000050000200001000000.00.1300004000050000200001
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 学习 电信号 运动 疲劳 识别 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。