67、基于ECG信号的疲劳识别与模块化仿生手臂假肢设计

基于ECG信号的疲劳识别与模块化仿生手臂假肢设计

1 基于ECG信号的运动诱导疲劳识别

1.1 不同设置下的识别准确率

在使用ResECG进行疲劳识别时，不同的窗口长度和翻转操作会影响识别准确率。具体数据如下表所示：
| 窗口长度 (/ms) | 翻转操作 | 准确率 (%) |
| — | — | — |
| 2048 | N | 85.24 |
| 2048 | Y | 87.97 |
| 4096 | N | 87.74 |
| 4096 | Y | 89.54 |

从表格中可以看出，随着窗口长度的增加和翻转操作的使用，识别准确率有所提高。

1.2 现有框架的局限性

虽然提出的框架取得了有前景的结果，但仍存在一些局限性：
- 交叉验证性能不稳定 ：不同分割设置下的交叉验证性能不够稳定，主要原因是样本量较小，限制了其在现实场景中的应用。如果有更多的受试者，模型可以学习生成更全面的特征，并适应不同受试者的特异性。
- 特征难以解释 ：深度学习方法虽然取得了更好的结果，但特征无法像机器学习方法那样进行解释，机器学习方法中特征集的相关解释仍有待探索。

1.3 疲劳识别框架概述

旨在开发一个基于ECG信号评估运动诱导疲劳的自动框架，该框架包括数据收集、数据预处理、机器学习解决方案和深度学习解决方案。在收集的数据上对两种解决方案进行了评估，取得了显著的结果。在8折交叉受试者验证设置下，识别准确率可达89.54%。

2 模