TY -的AU -拉莫斯,g . AU - Vaz j . r . AU - Mendonca g . v . AU - Pezarat-Correia, p . AU -罗德里格斯,j . AU - Alfaras m . AU - Gamboa h . PY - 2020 DA - 2020/01/07 TI -疲劳评估通过机器学习和全球疲劳描述符SP - 6484129六世- 2020 AB -生理和运动科学研究表明,疲劳,一个复杂的心理生理现象,有相关影响性能和motricity系统的正确运行,可能是一个人类有机体损坏原因。疲劳可以被看作是一种主观或客观现象。主观疲劳对应于一个心理和认知活动,而疲劳称为目标是一种物理现象。尽管主观疲劳通常是被低估的,只有一个身心健康的运动员是一门学科能够实现最佳性能。因此,我们认为,体能训练项目应该解决的预防评估主观和客观疲劳机制以减少受伤的风险。在这种背景下,我们提出了一个机器学习系统可以提取个人疲劳描述符(IFDs)肌(EMG)和心率变异性(HRV)的测量。我们的新方法,使用这两种类型的生物全球(身心)疲劳评估考虑在内,通过实现组合反映了疲劳的无量纲(0 - 1)全球疲劳描述符(GFD)和支持向量机(SVM)分类器。系统,基于9主要特征相结合,实现疲劳政权的分类性能 0.82 ± 0.24 当危险,确保一个成功的预防评估疲劳水平。训练数据是在一个恒定的工作效率测试(使用cycloergometry设备执行的14个主题),那里的变量在研究志愿者(疲劳)逐渐增加,直到达到一个客观的疲惫状态。SN - 2040 - 2295 UR - https://doi.org/10.1155/2020/6484129 - 10.1155 / 2020/6484129摩根富林明医疗工程PB - Hindawi KW - ER