54、基于机器学习与并行计算的运动负荷监测及电磁散射求解研究

基于机器学习与并行计算的运动负荷监测及电磁散射求解研究

在运动健康和电磁计算领域，近年来取得了不少有价值的研究成果。下面将分别介绍基于机器学习对运动负荷的监测与预测，以及基于矩量法的电磁散射积分方程的并行求解方法。

运动负荷的机器学习监测与预测

在运动负荷的研究中，通过对心率（HB/HR）时间序列的统计分析，为刻画实际运动负荷提供了新的思路。

模型特征与预测效果

较大的模型（具有更多输入特征），如模型3和模型4，相比模型1和模型2等较小的模型，能给出更好的预测结果。其中，模型4中的浅层（1层）和深层（4层）神经网络，由于纳入了额外的独立心脏相关特征，预测效果提升最为显著。理论上，增加独立输入特征的数量可以扩大神经网络处理的信息量，从而提高预测能力。例如，加入平均心率（AHR）和最大心率（MHR）等心脏相关特征，能为运动分析提供额外信息，但这些信息对测试对象的个体特征非常敏感，如年龄、性别、体重、身体成熟度、个人体能、情绪和累积疲劳等。

这意味着，在没有充分了解个体特征影响的情况下，不能将针对特定群体训练的模型直接应用于更广泛的用户群体。但反过来，这种个体特征的影响也为创建个性化模型提供了可能，即先在典型群体上进行训练，再根据具体个人的特点进行调整。

实验分析

• 统计分析方法 ：提出通过分析HB值的时间序列来监测、估计和预测当前运动负荷的类型和强度。具体是将HB值视为统计集合，分为从运动开始累积的值和滑动时间窗内包含的值。计算这些集合的均值、标准差、偏度和峰度，并绘制在皮尔逊（峰度 - 偏度）图上。实验发现，在休息时，HB值的统计集合位置接近正态