55、基于统计与机器学习的物理负荷监测及电磁散射积分方程并行求解

基于统计与机器学习的物理负荷监测及电磁散射积分方程并行求解

在当今科技发展的浪潮中，对于人体物理负荷的监测以及电磁散射问题的求解都有着重要的研究价值。下面我们将分别探讨这两个领域的相关研究。

人体物理负荷监测

在人体物理负荷监测方面，研究人员通过对心率（HB/HR）时间序列进行统计分析，为监测、估计和预测当前物理负荷的类型和强度提供了新的思路。

模型预测效果

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。特别是模型4中的浅层（1层）和深层（4层）神经网络，由于包含了额外的独立心脏相关特征，预测效果有了显著提升。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，从而提高预测能力。然而，这种提升会受到测试对象的集体因素（如年龄、性别、体重、身体成熟度等）和个人因素（如个人健康状况、情绪、累积疲劳等）的影响。这意味着不能直接将针对特定群体训练的模型应用于更广泛的用户群体，不过也可以基于典型群体训练模型，再根据具体个人的特点进行调整。

监测方法与实验

研究提出通过分析HB值的时间序列来监测、估计和预测物理负荷。具体做法是将HB值视为统计集合，计算其均值、标准差、偏度和峰度，并绘制在皮尔逊（峰度 - 偏度）图上。第一个实验发现，在休息时，HB值的统计集合位置接近正态分布，但随着运动时间的增加会偏离，运动结束后又回到正态分布的位置。将该方法应用于可穿戴心脏监测器收集的不同类型和强度的体育活动数据（如爬楼梯、深蹲、哑铃训练、俯卧撑等），结果呈现出相同的趋势。同时，还提出了几种用于估计物理负荷即时效果和累积效果（身体疲劳）的指标。

受机器学习模