53、基于并行统计与机器学习方法的身体负荷评估

基于并行统计与机器学习方法的身体负荷评估

在当今科技飞速发展的时代，可穿戴设备和物联网技术的进步使得我们能够记录复杂的生理信号，这为评估身体负荷和疲劳提供了新的途径。本文将介绍一种通过心率/心跳分析来监测和预测当前身体负荷类型和水平的新方法。

研究背景

随着信息和通信技术的发展，可穿戴传感器和执行器已成为日常设备的标配。目前，有多种基于多模态人机交互和机器学习的疲劳评估方法被提出，机器学习尤其是深度学习技术也被用于分析人类身体活动。然而，仅通过心率分析很难识别实际身体负荷的类型（如步行、跑步、滑雪、骑行等）和强度（如距离、时间、速度、功率等），通常需要结合加速度计、功率计等其他可穿戴传感器。而且，仅通过心率分析来评估“压力”和“疲劳”时，需要考虑人体复杂的生理化学和心理状态，为此还会应用更复杂的可穿戴设备，如脑电图监测器和脑机接口。

实验方法

本研究提出的统计方法基于监测人类心脏行为，可通过现代智能手机、智能手表、健身追踪器等设备中的心跳/心率（HB/HR）监测器来实现。具体步骤如下：
1. 数据采集 ：使用Under Armour的Armour39心率监测器，将其附着在胸部，对4名年龄在18 - 47岁、不同健身水平的男女志愿者进行测试，他们均无已知的心脏异常。在两个实验中获取了各种身体活动的原始数据。
2. 数据处理 ：
- 将HB/HR值的时间序列视为统计集合，包括从身体活动开始累积的数据和滑动时间窗口内的数据。
- 计算这些集合的均值、标准差、偏度和峰度。
- 将这些统计参数绘制在皮尔逊（峰度 - 偏度）图上。