全球疲劳疲劳评估通过机器学习和描述符

文摘

生理学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 ,确保一个成功的预防评估当疲劳危险水平。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。

1。介绍

经常疲劳发生在几个每天执行功能任务(1]。疲劳可分为客观或主观的,考虑到它的本质(2]。

客观的疲劳是一种物理现象,不仅在其起源,而且在它产生的影响(生成减少产生机械功的能力),反对主观疲劳,可直接引起的紧张或压力的心理任务,间接地通过体育活动的后果,作为德卢卡(3)确认,“…的警觉性下降,精神不集中,动机,和其他心理因素…”。

考虑的相关性体育在现代社会里,它也是一个有价值的体育活动的例子可能会迫使人体达到极限,勇敢努力的运动员要达到最大的性能是一个伟大的灵感来源。

然而,尽管大量的物理组件,运动员只能达到他们的潜能时的心理和生理健康,研究主观和客观原因疲劳变得有趣的实现全球评估疲劳的后果,最终调整培训计划。

通过前面的描述,这两种疲劳(客观和主观)逐渐上升由于强烈的身体或心理活动,使身体达到极限破坏体内平衡状态,由于代谢之间的赤字能源生产/消费和代谢废物的积累在细胞水平,调节有机系统的正常功能。内稳态的扰动状态成为潜在/瞬态生物或损坏原因,在更激烈的情况下,疲劳的影响可能会导致加班时间延长,慢性疲劳综合症,过度训练综合症,和免疫障碍,如上所述Wan et al。4]。

在具体情况下客观的疲劳,它反映了机体维持体内平衡的能力(4,5),可能由于运动的生理后果(例如,代谢产物积累,如乳酸(4),在锻炼肌肉)。客观的疲劳可以相应地细分其生理疲劳,中部的起源反映在神经水平的变化影响的锻炼肌肉和神经传导外围疲劳通常是与肌质离子浓度的变化(4,6]。不管它的起源,疲劳是始终伴随着物理性能下降(4,7)引起的能源生产和消费的不平衡率和赤字在代谢废物的回收8]。客观的疲劳(肌肉)可能或多或少的瞬态,根据运动刺激的特点(即。、强度、持续时间和体积)[9]。

关于主观疲劳,其影响是定义良好的早期研究以来,即嗜睡,难集中精神,身体不适10];可能的定义,聚集这三种类型的影响将建立主观疲劳由心理因素引起的生理能力,进行主观的感觉疲惫受到损失的动机或浓度7,11,12]。

尽管这些有价值的定义,评估疲劳在精确和可靠的方式,需要更具体的和公正的方法,可以实现机器和人类力量的结合。

如今,人工决策支持系统扩展的功能自然的。在机器的帮助下,解决复杂的挑战并由人类的大脑现在更加可靠和便宜。从机器的处理能力知识的好处,可能出现不可思议的发现,极大的影响人民的日常生活。

下面这行认为,当前的研究文章试图探讨疲劳,既是一个客观和主观生理现象(研究变量)通过计算系统的强大功能,通过结合肌(EMG)和心电图(ECG)信号处理方法的一个探索性的机器学习系统的培训。

由于过去的研究表明,肌肉损伤更频繁地与长期形式的肌肉疲劳(13),显然是一个需要确定疲劳的监控系统,在客观和主观条件,使用一种间接和非侵入性的方法。

提出检测模型包括突变信号和心率变异性(HRV)参数因为疲劳肌肉的发展水平时氧气的速度交付和利用变得不平衡(5]。这种全球monitorization疲劳现象(客观和主观类型)可能产生重大影响高性能运动员的训练计划,考虑,如前所述,当受试者获得的最大性能只能是身心健康(14- - - - - -16]。

疲劳可以通过不同的方法来评估(EMG和HRV之外),区分性质的研究活动。作为一个实际的例子,肌肉收缩(1)触发的电脉冲产生(2)化学变化在细胞水平传播秩序产生(3)机械事件,即。肌肉收缩。前面的三个点是一个演示示范如何疲劳收购取决于(1)电气、化学(2),(3)机械现象。

有趣的研究也进行了关于疲劳的机械和化学性质,即针板等的研究。17和木村等。18使用accelerometric](机械角度)和声学传感器,分别。认为,通常情况下,机械信号的振幅减小,疲劳是被收购。

从化学的角度,利用近红外光谱法作为非侵入性方法产生测量肌氧含量的相对变化水平。尽管氧合血红蛋白和还原血红蛋白的浓度不是线性的方式进化,一个特定的四模式发现Taelman et al。19]。

心电图的选择/ HRV和肌电图数据来研究疲劳是框架的研究集中在疲劳的“电”性质,提供一种方式来理解这一现象从其来源和通过多种疲劳类别(客观的和主观的类型)。

然而,目前的研究并不局限于定量的角度来看,这可能不合适,考虑一个特定值的两厢情愿的疲劳指标可能国旗的存在疲劳段的主题,而对另一些人则是无害的。与疲劳相关的值可能不同,相应的主题和实验条件分析。由于这个困难,决定探索疲劳现象从定性和更普遍的观点,通过分析某些参数如何进化的时间,而不是专注于它的绝对值。由于中值频率代表一个有效的参数监测肌肉疲劳(5)的中值频率EMG信号功率谱的参数趋势搜索,连同其他记录的子波参数(20.]。

我们延长这一趋势评价线性和非线性HRV参数(例如,低收入和高频功率以及短期和长期分散来自庞加莱分析,分别)从心脏中提取时代( )上面的心肺cycloergometry试验获得第二个通气阈值( )。后确定最重要的肌电图和HRV参数评估疲劳,我们的目标是客观分类运动员的生理疲劳的性能的影响。成功实现这个目的确保学习方法可能适应培训计划同时负责改善运动员的生理指标和最小化的长期影响疲劳,避免严重的伤害。

正如前面提到的,一种预防方法,保证了monitorization与疲劳相关的模式可以通过开发一个计算系统之后可以提取个人疲劳描述符(IFD)肌电图与HRV信号,获得cycloergometer锻炼期间执行上面第二个通气阈值。

EMG参数可能确保本地/肌肉monitorization这种现象,而HRV指标非常相关的广义/精神疲劳状态的评价(4,16,21]。实现系统反映了全球疲劳逐渐出现疲劳,通过融合一个描述符(GFD)和支持向量机(SVM)分类器,由IFD的演化时间序列的生成(例如EMG平均频率)沿着自行车运动试验。

2。材料和方法

应该考虑以下实验环境/协议复制一些条件和程序描述在过去的研究工作。作者给他的贡献之一的设计研究和分析的结果[64]。

2.1。参与者

14个健康,年轻人(年龄:24.53.6年;身体质量指数:23.71.7公斤·米⁻²)被纳入本研究。参与者招募了来自当地大学和社区人口通过直接邀请或传单。从这个人口,主要的研究是选择组和所有志愿者都习惯于心肺运动。

所有与会者都不吸烟者和反复正常血压(收缩压和舒张压值120/80毫米汞柱)[22]。

参与者都nonoverweight和自由的任何已知的心血管和代谢疾病,所评估的病史。目前没有一个参与者使用处方或服用任何药物或营养补充剂。考虑到前面提到的入选标准之一,参与者已经习惯于使用cycloergometer心肺运动试验。出于这个原因,没有熟悉会议这个特定群体的参与者。

每个参与者都要求避免剧烈运动前至少24小时测试和没有吃从午夜到测试会话在随后的早晨(禁食条件)。参与者还被要求避免咖啡因摄入和空膀胱在测试之前。

参与者充分了解的目的、风险和不适与实验前提供书面知情同意。知情同意是获得所有个体参与者包括在这项研究中。本研究进行了与大学的机构审查委员会批准,依照《赫尔辛基宣言》。

2.2。协议

参与者评估的两天访问在不同(在7天内)。测试是由至少48 h,最小化的影响生理和其他同样感应性能的变化,一天大约在同一时间执行(07.00和11.00点之间)。

第一次访问期间,站在身高和体重进行了测量与参与者穿着轻量级的衣服和鞋子。高度得到使用测距仪与措施获得最近的0.5厘米。体重测量通过使用数字规模(BG 42;博尔乐GmbH, Soflinger,德国)。身体质量指数计算了参与者的质量在公斤)除以身高的平方公尺。随后,参与者执行treadmill-graded测试来确定他们的锻炼和峰值摄氧量( )。

第二次访问,每个参与者进行一场cycloergometer的练习上意志的疲惫。所有的测试进行相同的cycloergometer (Monark Ergomedic 839 e, Varberg,瑞典)。过期的气体测量是使用便携式混合室(Metamax®,皮层,莱比锡,德国),这是校准在每个测试之前与一个已知的体积和气体浓度。在实验室里进行了测试与环境温度之间21°C和44 - 56%之间的相对湿度。

在合成,第一天致力于“渐进式锻炼测试”的执行是集中在评估参与者的工作率( )附近的第二个通气阈值( ),通过增量功率测试,心肺的健康水平都是被推断出来的。

如上所述,Mourot et al。23),第二个通气阈值“…的高强度运动可以不再持续…”。这个参数可以确定通过收集和monitorization呼出的空气,分析关注氧气和二氧化碳浓度的变化。这个连续monitorization的决心和通气参数可以实现,因此 。

在第二天,一个“恒定的工作效率测试”,考虑力量,为每个参与者产生一系列生理信号(EMG和人力资源分析),通过数字处理发生疲劳模式搜索。

2.2.1。渐进式锻炼测试(第一天)

渐进式锻炼测试使用增量cycloergometer坡道协议执行。后3分钟预热期60 W,工作效率增加了15 W·分钟⁻¹直到参与者无法继续。参与者以自我选择的踏板的速度骑在60 - 90之间牧师·分钟⁻¹,不断鼓励研究者进行的运动所需的节奏。

测试时停止骑车速度可以不再保持。被定义为最高在20年代达到平均水平。参与者被认为已经达到如果至少有三个符合以下四个条件:(1)高原(增加不超过150毫升·分钟⁻¹)工作量的增加,(2)呼吸道交换比率大于1.1,(3)峰值心率在10 bpm的年龄预测最大,和(4)可见疲惫24]。

所有参与者至少满足三个标准。峰值心率被认定为最高的价值在每个测试记录。此外,使用时间的氧通气等价物之间的关系( )和二氧化碳( ),的为每一个参与者是由两个独立的调查人员25]。

的被定义为最小速度工作吗以及表现出一种系统的增加。的表达在绝对(W)强度和用于定义所使用的工作效率是每个参与者在第二天的审判( )。参与者包括在这项研究中表现出一个52.55.7毫升公斤⁻¹·敏⁻¹和工作速度= 204.533.7 W。

2.2.2。持续的工作效率测试(第二天)

第二天,cycloergometry执行以恒定的工作率( )和期刊鼓励研究者直到志愿者到达一个意志疲惫。

在运动过程中,循环节奏在设置最合适的值保持不变在回应一个简短的热身阶段前的测试。

参与者被指示同步他们的右下肢听觉节拍器通过扬声器。具体来说,热身是分为2组3分钟,间隔1分钟休息,在此期间,参与者在他们喜欢骑自行车运动节奏。然后,意味着节奏记录在6分钟的热身是用作执行参考节奏不断工作效率测试。

EMG信号从五个下肢肌肉(股直肌、股外侧肌、股内侧肌、半腱肌,股二头肌在运动中获得。

在当前阶段的研究,因为它会更详细地解释,只有股直肌和股内侧肌数据时考虑提议的解决方案的正式定义(GFD和SVM)和方法(疲劳趋势识别)。

收购进行了使用Ag / AgCl一次性电极和信号采集系统(biosignalsplux PLUX S.A.葡萄牙里斯本)[PLUX无线生物26),建议后SENIAM(表面的无创性评估肌肉肌电图)27]。国际社会的采集系统遵循指令的电生理学和人体运动学(采集的采样频率1000赫兹,使用带通滤波器滤波10至500赫兹和共模抑制比的110分贝)。同时,我们也获得了HRV数据使用一个极性RS 800 G3心率监测器(极地的rr记录器,极地电、Kempele、芬兰)。

14个研究参与者人口,HRV 3的数据,收集的恒功率测试“第二天”,是破坏由于心率信号的损失,因此所有HRV分析和后续结论考虑一个更小的人口。因此,当需要EMG和HRV参数相结合的分析方法,它只包括参与者与有效的肌电图和人力资源数据,11。

2.3。信号处理与分析

除了数据收集,我们的研究分为三个阶段:(a)处理阶段,(b)分析阶段,(c)提出解决方案。

在处理阶段列表,通常从一个EMG信号提取的参数与HRV数据识别与计算方法用于探索存在的这些参数随时间变化的趋势。

随后的分析阶段覆盖了EMG和HRV的识别参数随时间而变化的特征与发展轨迹疲劳。首先,我们生成的每个参数的演化系列中包含的肌电图与HRV处理阶段使用滑动窗口机制初步名单。我们实现了一个算法类似于Thongpanja et al。28随后]和确认趋势系列使用线性回归模型(29日]。

2.3.1。处理阶段——特性和滑动窗口机制

EMG信号和HRV的数据,具体的选择(肌肉激活时间和事件R峰位置,分别)。

肌电图,我们跟着皮门特尔提出的方法等。30.),它使用Teager-Kaiser能量算子(TKEO)。

HRV,R波高峰,我们用来构建血流速度图(时间序列的每个沿着收购- RR间隔的持续时间 )被确定通过锅和汤普金斯提出的算法31日]。

在这个过程中,一个滑动窗口模型被用于提取一组EMG和HRV的样本参数随着时间的推移,为了研究趋势。窗户的尺寸幻灯片在时间序列的每个示例,考虑定义重叠因子,选择时间步的依赖 ,之间连续窗口(32]。表1列出了参数提取的EMG信号和HRV的数据。

HRV参数的详细描述中可以找到Acharya等人研究[33)和工作组的欧洲心脏病协会和北美社会的节奏和电生理学34]。EMG参数的更详尽的解释,从时间和频率域,也可以发现在Cifrek et al。5]。

通过小波变换时频信息可以聚集,与传统的傅里叶分析共享一些原则,即信号的分解为多个基本频率成分,数学保证序列的内积和信号之间的“基地”功能(测量他们的相似之处)。

然而,虽然傅里叶分析的“基础”是正弦函数,研究小波变换提供了更多的自由,考虑基本分解函数(小波)可以选择根据信号的特征分解。

另外,在小波域,一些时间信息保存下来,在与傅里叶域中Morlet母小波(用于当前的研究)显式地定义为时间的函数: 在哪里 , 对应于母小波的中心频率,和b一个带宽参数相关的能量传播在频域中。

这位母亲小波将逐步压缩/拉伸的过程被称为“嫩洋葱,”提供一种方式来分解信号在不同时间和频率。

EMG参数从时频域得到的量图(图片)处理,应用小波变换通过之后Morlet家庭规模和使用阵列( )从一组定义pseudofrequencies (Hz)与典型的肌电图信息内容(0 - 500 Hz),即, ,所描述的格雷厄姆et al。20.]。

根据这种方法,主要时间和主要的频率定义质心的坐标: 在哪里 定义了量图(二维坐标系统建立的第三个虚拟坐标像素值/颜色)像素的价值坐标 ,t时间坐标的像素,f是与频率维度,T和F分别是可用的行和列的数量量图(依赖于选择频率和时间分辨率的小波分解吗和 ,在哪里F_年代是数据采集的采样率)。

平均功率对应获得的平均功率量图项的值。体积,区域,时间色散,频率色散都是依赖于量图分割阶段使用大津方法,排除低强度值(35]。剩余价值,凸体积和凸区域被确定使用时间色散和频率色散的参数定义的最大长度凸区域根据时间和频率维度。使用的处理方案是描绘在图1。

本方案主要由在一个迭代的过程,在每个迭代中,肌电图与HRV每个参与者的数据( )分析以提取所有单个参数( )包含在原始组(表1),使用不同的滑动窗口机制配置,改变窗口大小(肌肉激活时间和 )和时间步长(的 )。

关于肌电图数据的窗口大小,应提供一个简短的解释,考虑到每个窗口是由一组肌肉激活时间。

然而,单独分析了肌肉激活时间,即。,from each muscular activation period the parameter under evaluation is extracted. Then, the generated set of results is averaged, giving rise to a single value, which represents the overall data inside the window.

每个参数产生一组时间序列,我们荟萃分析。考虑人口的规模正在研究(11或14个主题),肌电图的数量(11索引所有5肌肉)和HRV索引(14)参数,,很显然,窗口大小的数量(和 )和时间步长( )配置,这意味着我们在处理大数据量进行分析,即。,27390多个时间序列。

2.3.2。分析阶段的识别趋势和潜在的疲劳描述符

(1)趋势的识别。使用一个荟萃分析的适应过程,通过结合的描述贝克尔和吴29日和伯伦斯坦等。36),我们确认趋势在不同时间序列的生成处理阶段(滑动窗口机制的应用程序)。

趋势来源于线性回归模型的拟合时间序列的每个参数(提供一个斜率值和标准错误)和转换为两个类,要么是增加或减少轨迹模式。

尽管一些肌电图与HRV参数可能不发展线性变化在我们疲劳变量,通过线性回归模型中我们减少自由度分析,从一个相对复杂的时间序列合成在一个简单的回归直线。

随后,山坡上的所有参与者被减少到一个综合的斜率。这最后一个斜率提取反映总体参数的变化轨迹分析(泛型参数是用于本节以目前应用的处理方法)随着时间的推移,人口趋势综合在一个单一的值。这是由结合的斜率参数为每个参与者(11参与者对HRV和14个参与者EMG)和计算加权平均(11斜坡的HRV指标和14斜坡的EMG参数)。权重计算为各自的标准误差的平方的倒数(方程(6))。为每个参与者 ,的演化时间序列指数通过滑动窗口机制生成(窗口大小和时间步 )。生成的时间序列的线性回归模型拟合,返回一个斜坡和方差 。这些单独的斜坡和方差每个参与者(1)中加入联合斜率(加权平均方程描述的(4)),反映了全球的行为进化为我们的人口样本。

这种方法被应用到每一个前面指定的参数见表1和窗口大小的组合( )和时间步长( ),提出了部分2.3。1。 在哪里是参与者的数量/科目(和 )和是

使用组合斜坡(4)和方差(5),然后计算相关的95%置信区间如下: 在哪里和合并的斜率和方差的估计价值,分别;对应的值t以及统计数据为自由度;和n代表样本大小。合并后的斜率和置信区间也分析了图形使用森林的情节(37]。

结合边坡的计算和方差有关重复了各种不同大小和时间步长对windows (和 ,分别)。然后,每个组合评估的质量,我们计算了变异系数(CV)和 ,使用组合标准差( )和斜率( ):

背后的基本原理的简历作为统计指标的选择窗口大小的质量和时间步组合是与这一事实有关定义良好的趋势变化特征是(1)代表由斜率(监控)和(2)也由一个小的不确定性与回归模型拟合阶段(由标准偏差监控)。

(2)潜在的疲劳描述符。节中详细2.2.2,实验协议还包括收购轻快的心率数据在恢复高频cycloergometry以上执行 。数据收集阶段发生在cycloergometry被称为“收购+”,发生在运动后的恢复被称为“收购−。“这些数据被用来识别所有敏感的参数变化的大小疲劳。

所描述的一些研究工作,股内侧肌肌肉展示高水平的抗疲劳强度,骑自行车锻炼,情况不是这样的股直肌肌肉(38,39]。因此,EMG参数的,“收购+”和“收购−”中获得的数据股直肌和股内侧肌分别(两个敌对的条件,疲劳或未定义/不存在的模式将更加明显,分别)。

在当前阶段的项目我们我们的分析集中在2 5肌肉”协议,选择5肌肉旨在扩大,在不久的将来,试点研究的分析;然而,数据处理剩余的3肌肉非常有用的确认理论预期从其他研究文章,疲劳模式收集EMG参数更多的强调股直肌和不太突出股内侧肌肌肉(38- - - - - -40]。

在科学方面,有一个普遍认为/参与者或单一的研究情况,在我们的案例中,一个趋势是不够确切的生理得出结论(41]。为了克服这个问题,我们建立了两个标准来区分通用,fatigue-associated趋势下的肌电图与HRV指标为每一个分析。

前提:为每一个参数 ,趋势评估过程将被限制在最具代表性的组合(和 )描述的进化(即。,的combination that minimized the CV).趋势可接受性标准:(1)考虑到前面的前提,“收购+”,它被认为是一种趋势的存在只有在置信区间与合并后的斜率估计的参数 ,没有十字架的中心森林的阴谋(零斜率),属于专门的两个域(图之一2(一个))(2)“收购+”的趋势确定只考虑与疲劳相关的趋势时验证“收购−”,结合边坡逆转与在“收购+”,或者至少是一种不确定状态,置信区间包含两个域的值森林的阴谋(图2 (b))

这些标准都是按顺序应用。我们建立了,描述符不符合疲劳指标之一,每当这些标准并不满足。

因此,一个参数被认为是一个单独的疲劳描述符(IFD)如果提供的算法步骤(部分的补充材料(可用在这里遵循))。

2.4。建议解决方案:全球疲劳描述符和二元分类器

最后,提出解决方案(第三阶段的研究过程中,定义在部分2。3)包括全球疲劳的定义描述符(GFD)和二进制分类系统的实现。在这一点上,所有的信息提供的肌电图与HRV指标建模成一个单一的价值特征GFD。然后,我们生成的分类器的处理信息的能力处理阶段,即,的年代elected features derived from the identified IFD as an input and returning an output containing one of the two classes (+ fatigue vs. − fatigue).

GFD对应于加权平均,每个个人的疲劳描述符正常化。它定义了一个输入的重量相当于逆的简历,确定最后的应用趋势的识别方法(方程(9))。

GFD是一个无量纲参数,可能存在一个值在0和1之间: K是疲劳的数量被认为是描述符,作为一个样本的疲劳描述符k,的简历最优惠的窗口大小和时间步提取的组合描述符。

标定协议,类似于描述的一个部分2.2.2,应用于每一个参与者的数据。这使得代表GFD随着时间的推移在图形的演变图。提供的校准每个IFD的最大值用于规范化。后来,其分布计算和图形转换成箱线图(图3)。因此,每个参与者的一个概要文件用于系统基于分割的GFD分成三个区域(绿色、黄色和红色),使用两个阈值对应于25%百分位值的值。这些地区将评估疲劳的大小。

50%(中值)和25%的提议GFD阈值主要是基于统计的概念。

在首位,50%的门槛是定义,考虑到分段GFD值为两个同样的意图可能的地区(已知的人口中值,更容易受到异常值与平均值)相比,即。绿色和红色区域,分别代表无害的和危险的疲劳程度。

然而,在分析第一个结果(图4)认定,在绝大多数的情况下,GFD演化的特点是第一阶段的突然下降,后跟一个长时间的间隔稳定,东西可能与疲劳相关的特异性收购机制。

事实上,疲劳的生理过程收购也可以分为两个阶段:(1)有氧和(2)厌氧,因此细胞能源生产的主要机制。

在运动的开始,占据主导地位的能源生产机制是有氧呼吸,更有效得多,但也慢于厌氧类型。

在达到最大有氧能源生产,最快的无氧呼吸逐渐开始成为主流,为了抑制能量需求。

的起点aerobic-anaerobic过渡时期被定义为第一个乳酸阈值,这可能是与所确定的“稳定”的开始时期GFD进化(42,43]。

然而,在这个过渡时期,它既不是严重的/危险(红色)或无害的(绿色)的疲劳状态,创建的需要包括一个额外的类别,即。,黄色区域。

复制分裂逻辑应用于绿色和红色区域,最初的红色区域是分为两个同样可能的时间间隔,通过25%,导致最终的规模由分三种等级的疲劳。

关于二元疲劳支持向量机分类器(创建和培训实施基于Python Scikit-learn,图书馆专业机器学习),这两个实现类与“nonfatigued”和“疲劳”,确定每个参与者在其最佳身体状况或疲劳条件下,分别。

SVM模型是很有吸引力的和直观的,考虑到它本质上基于笛卡尔的逻辑,在每一个例子是一个点(包含在笛卡尔空间)意义明确的定义N坐标,即。,each feature corresponds to a dimension of the space.

这种监督机器学习模型应该包括超平面的类,通过一组有限但代表的培训例子,主要目标是找到一个函数f(决策函数)能正确返回一个输出/预测(类)在收到一个新的测试例子作为输入(44]。

为了达到这一目的(识别的决策函数f),支持向量机的训练阶段是基于超平面的搜索( 是向量的值与测试相关的特性和例子和b在分类器训练阶段确定的参数),确保最大化的两组训练的例子之间的分离,这是由两个凸壳几何定义。

分隔的两组训练例子好,下一个阶段包括在一个优化程序旨在确定链接的最小部分的边界两个凸壳。最优超平面垂直于这段,穿过它的中心点。

前面的逻辑会产生假装决策函数f:

这种类型的分类器最初用于二进制问题[45),完全满足我们的需求对疲劳状态进行分类分为两类。

我们的目标不是集中在定义一个绝对阈限的疲劳,而是一个定性的测量疲劳是否被收购和各自的相对水平安装。

回到二元分类器的具体实现,程序准备的训练集的例子是基于肌电图和HRV信号的细分,从11参与者分成两颞段时间相等。从第一段,“nonfatigued”类的特征提取,而另一半段(相关的最后时期审判)被用来提取信息的培训“疲劳”类的例子。

从每个时间序列的两个特征提取疲劳描述符(和肌电图和HRV疲劳描述符的数量,分别)。这是包括信息进行绝对值在训练阶段和趋势。这些特性的制定对应的平均值标准化系列(方程(11))和相对变异率(方程(12)): 在哪里l代表样本参数的数量从分析中提取的肌电图和代表的最大价值描述符正常化。的条款 , ,和对应于参数时间序列的第一个和最后一个样本和各自的时间瞬间。

训练阶段之前是选择的功能使用递归特性消除(46]。特征选择之前,每一个22训练例子“nonfatigued”类(11和11个“疲劳”类)的特点是由一个数组 条目(图5)。

分类器提供了一个指定的类一起估计它的确定性程度(即。定性和定量输出)。

3所示。结果

使用部分中描述的方法2.3。2,我们获得一个潜在的疲劳描述符列表(我们之前参考IFD)组成的4 EMG和10 HRV参数,总结如表2。

表2显示了典型的演化趋势,窗口大小的组合和时间步长,提供了一个更有效的分析描述符和各自的简历。

由于GFD定义,因为几乎所有的输入(IFD)与疲劳的减少,这是典型的行为在大多数GFD参与者。图4强调观察进化为11个参与者,提供有效的肌电图和HRV的收购,而表2定义了确定权重包含在GFD的正式定义。之间的阈值,颜色的区域,是由每个参与者的平均获得的阈值标定协议。误差说明标准差与平均值计算。至于分类,结果突显出类和GFD并行的参与者。

关于特征选择阶段,最初的培训是由28个条目数组。特征选择过程产生相当数量的减少有意义的特性,它下降到9。

我们执行递归特性消除阶段通过留一交叉验证策略。这个策略,不同的功能测试顺序,删除在每个迭代中有意义的功能越少,直到达到极限的情况下,只剩下一个特性。训练分类器的性能(1 /交叉验证过程的迭代)评估。分类器的完整列表的分数提供了一种方法来理解哪些是最有效的特征来训练二进制分类器。

的被认为是最相关的一组9参数记者HRV集团|平均RR,SDNN,三角指数,SD2,傅里叶中值频率,在低频带和在高频波段,肌电图组|小波中值频率和小波主要频率。

关于训练的分类器的结果,我们发现,在测试的初始阶段,“nonfatigued”类被分配一个高程度的确定性。然后,这个类的赋值的确定性逐渐减少,直到“疲劳”类开始主导向运动试验(图6)。特征提取在测试例子略有不同训练阶段过程中,无视平均值和使用这类可以返回瞬时值随着时间的推移,在数据的实时处理。

评估分类器的质量,基于交叉验证方法分层K-Fold(K= 11折叠)策略应用,提供一个分数的准确性95%置信区间之间(0.68;0.96]。

4所示。讨论

在这项研究中,我们实现了一个监控系统能够显示趋势的演变在cycloergometry EMG和HRV参数,使用一种间接和非侵入性的方法定性评估疲劳进程。

我们的一个主要问题是与EMG参数的适用性,从傅里叶中提取领域,考虑到我们在处理动态肌肉收缩,其中平稳性标准可影响由于力的变化,速度、肌肉长度,和电极相对位置沿循环试验(47- - - - - -49]。

为了避免可能的非平稳肌电图的问题,小波分析,考虑到它不是基于平稳性的假设50- - - - - -52]。

然而,我们仍有兴趣探索方法,需要更少的计算资源,如短时傅里叶变换(STFT),它是基于传统的傅里叶变换,但应用于一系列简短的滑动窗口。傅里叶变换的直接应用肌电图动态/循环任务期间收集的数据是不合适的48),但STFT将可行的分析下如果时间窗口的大小是足够短,以避免非平稳的效果在傅里叶变换的应用(47,49,50,52- - - - - -54]。EMG处理windows的常见大小约等于1秒,相应肌肉激活期间,根据一些研究中执行类似的实验条件(49,52]。

在继续讨论之前,应该注意的是,在我们的分析中,每个窗口是由多个肌肉激活时间。作为一个说明性的例子,最有利的窗口大小配置提取傅里叶中值频率(表210)将由一组肌肉激活时间。

每个肌肉激活时间是一个好子窗口,从每一个好子窗口,并生成相应的傅里叶功率谱傅里叶中值频率是确定的。

所以,回到我们的说明性的例子,每个窗口最初生成10傅里叶中值频率值,平均值,形成一个整体傅里叶中值频率值分析下的窗口。

使用这种方法,在每一个窗口,它是确保(1)平稳性条件满足,考虑到每个功率谱产生好子窗口(个别肌肉激活的)小于1秒和(2)的集合的平均值傅里叶中值频率值最小化异常值的影响。

关于HRV分析,尽管事实上,身体疲劳和HRV模式之间的关系可以建立(55- - - - - -56),最常见的应用程序与主观/精神疲劳[57- - - - - -59]。

宣布之前,我们的计算系统的投影与肌电图和HRV参数是为了收集模式与生理和主观疲劳,确保全球评估的疲劳状态。

所以,HRV参数,我们相信可以达到主观精神疲劳模式也补物理/本地信息收集与肌电图。

考虑到这些问题,一些肌电图与HRV参数建模与识别的目的所描述的趋势全球疲劳指数,从获得的数据中提取运动过程中和运动后以上执行 。

趋势识别阶段导致了一个广泛的疲劳描述符列表。

识别趋势合理支持过去的研究结果,即EMG平均频率的降低3,5),小波参数(20.),SD2,绝对的权力在低频和高频乐队56,60,61年),增加的心率(RR间隔时间的倒数)(60]。

描述符列表是精制,通过pretraining特征选择方法,以避免裁员在全球疲劳的定义描述符和支持向量机的训练(表2)。正如前面提到的,考虑到全球平均疲劳描述符被定义为这些个体疲劳描述符,它表示一个下降趋势与试验的进展,发展与精度的概率决定返回的二元分类器。

这些结果(全球疲劳的进化趋势识别、描述符,和培训的二元分类器)显示不同的依赖关系对变异系数。启用了变异系数检测最好的滑动窗口机制组合(窗口大小和时间步)生成的演化时间序列中包含的肌电图和HRV指标初步名单(表1)。这是所有后续研究的基础,因为正是从这些时间序列趋势识别和个体疲劳指数被发现和被下在全球疲劳描述符的定义和分类器的训练。在不同评估可能性和考虑这里的斜坡和标准差,我们的方法成为一种合理的方法来优化过程中提取每个描述符的滑动窗口机制。关于训练分类器,其主要目的是区分数据为两个极端条件:疲劳和Nonfatigued,但我们也担心跟踪系统如何表现在这两个极端之间的中间状态条件下,所说的那样,这部分2。4,可以通过量化指标:程度的确定性。

所以,分类器有两个输出:(1)定性结果(类:[疲劳,Nonfatigued])和(2)一个定量的结果(确定性程度)。

如果只是定性的结果,重点选择训练方法(把训练数据分成两半尺寸颞段)可能会造成一些问题,因为,实际上,它将收集的数据可能在审判的开始和中间会产生相同的定性结果(Nonfatigued类)。但是,如果两个定性和定量输出(分类器返回的)考虑在内,前面的不受欢迎的情况是可以避免的,系统可以区分从一开始收集的数据和试验,因为中间的确定性程度将远远低于一开始(证明了几乎全部结果可用图6)。

尽管二元分类器的性质,当它返回Nonfatigued类由于输入测试数据,系统不是说绝对的相关测试数据Nonfatigued状态,给予,相反,这种状态的概率。

当然,确保使用的可靠性方法对训练数据的分割(),需要一些假设:(1)初的试验中,志愿者应该在绝对Nonfatigued状态,这是保证休息时间和缺乏强烈的体育活动时间的先例的审判(2)变量在研究(“疲劳”)是增加试验过程中,这意味着志愿者状态逐渐远离Nonfatigued类和进入的疲劳(3)最终审判,认为志愿者是在绝对疲劳状态,这是一个合理的考虑考虑时的疲惫和无力进行锻炼了(4)疲劳是在恒定速率、条件合理保证恒定的工作效率在cycloergometry测试使用

的SVM分类器的特征选择阶段,未来应该精炼(删除一些多余的组件),考虑之后,执行主成分分析(PCA),这是得出结论,79%的信息内容固有9功能可以确保只使用两个主成分,即。的维度可以大大减少分类器(由生产证明了PCA和图形结果呈现在图7)。

事实上,减少维度的分类器产生了非常有趣的结果通过绩效评估阶段分层k-Fold策略。平均分类精度下降(从82%到77%),但95%置信区间变小来 ,这意味着分类系统简化,但保持其有效性。

原始结果的认真分析后,注意到,可以进一步提高分类精度。

这增加的准确性是可以实现的一个简单的调整分类器的训练阶段。而不是分裂了EMG和HRV信号成两半(上半年,代表“nonfatigued”类的,而第二个是有关“疲劳”类),从“nonfatigued”类训练数据可以提取季和“疲劳”的数据节段的原始全职收购。

与以前的方法,对于每一个类,增加特异性的训练例子是保证,考虑排除EMG和HRV的数据(从和季度的每个试验)之间的一个过渡阶段相关“nonfatigued”和“疲劳”类和不完全这两个类之一。

通过之前的调整在特征选择/培训阶段,估计总体分类精度提高 ,虽然实际结果,使用滑动窗口机制来评估疲劳瞬时的进化分类、数据维护(如演示6和8)。

的组合来自不同疲劳描述符的信息依赖GFD和支持向量机。然而,它应该考虑GFD对应于一个探索性的方法,仍然需要更深刻的验证。例如,GFD阈值的定义是基于统计标准,而更深层次的生理通讯可能是相关的,即,的present results are promising, although a strong physiological connection/meaning should be found, in order to achieve a more solid interpretation.

4.1。限制

目前,这个分类系统是针对收购类似报道的实验协议(在循环任务的监控股直肌肌肉)。在第一次看,可以想见这个严格的训练过程需要一个不受欢迎的偏见行为的分类器(假阳性)。我们相信使用的选择只有一个肌肉在训练阶段不会导致偏差行为,这将是有问题的,因为我们有两个明确的收购部分代表“nonfatigued”和“疲劳”类。然而,它是可能的,分类器显示过多的特异性(对数据获取工作股直肌和其他肌肉最差)。

当与其他肌肉测试,或运动任务,分类器精度可能会妥协,因为疲劳的表现差别显著不同的肌肉和运动模式(62年]。符合这个概念,新收购将是极其重要的,进一步克服这些限制,并允许更广义的和准确的工具来监控是非侵入性疲劳的。

目前的版本的系统也需要正确的校准试验操作,这对IFD标准化至关重要。GFD归一化值,用作输入和一代的支持向量机训练阵列,降低疲劳收购过程中变化的影响,典型的参与者之间。

此外,人口样本的维数应该增加为了实现更可靠的概括和减少意外行为的二元分类器和全球疲劳描述符。更是印证了这一需要参与者1的结果报道,6日和10个,二元分类器突然旗帜突然恢复时期中间/试验结束。

正如前面提到的,疲劳的生理模式相当特定的主题,这意味着通过增加训练人口,合成模型将确保更好的泛化。

然而,人口样本的大小可能不是唯一的原因报告短期(参与者1、6和10)和长期(参与者4和8)的行为。训练支持向量机模型是基于线性内核由于其计算优雅和简单44]。

尽管需要更少的计算资源,它的简单性可能会创建一些刚性的定义超平面负责分离下的两类分析(“nonfatigued”、“疲劳”),考虑到几何对应于一条直线在一个二维空间。

提高泛化/模型的适应性,在未来,内核可以改变一个多项式或径向基函数(RBF)类型,从而实现更好的分离边界点(突出显示的图7),减少发生错误的分类结果。

5。实际应用

描述的功能被实现为一个插件OpenSignals软件,它成为一个直观的工具处理生理信号获得的系统设计和销售PLUX无线生物,即中biosignalsplux(PLUX无线生物,2015)。用户交互的接口提供了一些部分旨在处理算法的配置,呈现结果分为四个区域,包括肌电图和HRV检测(时间的肌肉活动和事件R峰)和每个IFD的进化,GFD,支持向量机类分配。

这些处理功能,计算系统定义了一个有趣的解决方案,可应用于研究甚至教练和运动员,有助于防止过度训练条件,最终肌肉损伤的发生。

6。结论

在最后的分析中,我们可以得出这样的结论:4肌电图(中值频率从傅里叶和小波分析;主要的频率;主要时间)和10 HRV参数(最大,最低和平均RR间隔;SDNN;rmsSD;三角指数;SD2;在低频和高频波段;中值频率),即。,14individual fatigue descriptors, exhibited a tendentious behavior over time in the participants included in our population. This tendentious behavior, according to the proposed trend evaluation methodology, is a demonstration of the correlation between the variable under study (fatigue) and the selected EMG and HRV parameters.

考虑前面声明的重要性的变异系数资格之间的相关程度,实验变量的变化和提取参数的演变,可以断定傅里叶中值频率将最好的EMG疲劳描述符平均和最小RR间隔时间是最有意义的HRV参数,由于较低的CV值。

结合信息从这些描述符的定义是通过我们自己的全球疲劳描述符,一个索引,同时反映了影响疲劳的神经肌肉和心脏自主水平(客观性质),也在更多的全球视角包括HRV参数时,相关指标的精神/主观疲劳。自实施处理系统提取信息使用滑动窗口机制,适应未来系统的实时分析可以帮助。实际的版本是有趣的运动训练,因为它的上下文中可能援助的估计最优个体工作负载在急性运动会议。最终,在长期耐力运动的背景下,我们推测,这种方法可能是有价值的对过度训练预防及其负面影响(63年,64年]。

未来的实现可以受益于前面提到的实时算法。这将提供用户一个自动和直接反馈对疲劳的发展。

在工作,我们的有前景的结果结合疲劳指数和相关分类方法已经为疲劳评估提供新的工具,为更广泛、更健壮,研究人口大,可能成为预防疲劳评估机制。

数据可用性

获得生理数据用于支持本研究的发现也限制,以保护病人的隐私。然而,数据可能成为研究人员可以在一些特殊的情况下满足访问机密数据的标准,通过相应的作者Guilherme拉莫斯(gramos@plux.info)。

的利益冲突

作者宣称没有利益冲突。

确认

作者感谢卡Teodosio女士协助数据收集。获得的数据收集在预计PTDC / DTP-DES 5714/2014-Contralateral低强度的影响阻力训练结合血流量限制,由Fundacao对位Ciencia e Tecnologia (FCT)和j . r . Vaz支持NIH-P20GM109090和内布拉斯加州大学的奥马哈办公室研究和创造性活动。若昂罗德里格斯参与“转化医学”iNOVA4Health-Programme FCT资助我2015 - 2020,而拉莫斯Guilherme支持在第一阶段啊哈CMUP-ERI / HCI / 0046。作者承认收到ITN AffecTech Miquel Alfaras的支持,在玛丽Skłodowska居里行动(ERC H2020项目ID: 722022)。

补充材料

答:算法IFD的识别。(补充材料)

引用

1. r . m . Enoka和j . Duchateau“翻译人类性能,疲劳”医学和科学在体育及运动,48卷,不。11日,第2238 - 2228页,2016年。视图:出版商的网站|谷歌学术搜索
2. m . Gruet j . Temesi t·鲁普·利维g . y .小米和路边,“刺激的运动皮层和皮质脊髓束来评估人类肌肉疲劳,”神经科学卷,231年,第399 - 384页,2013年。视图:出版商的网站|谷歌学术搜索
3. c . j . De Luca”Myoelectrical人类局部肌肉疲劳的表现。”生物医学工程的关键评论,11卷,不。4、251 - 279年,1984页。视图:谷歌学术搜索
4. j j。湾,z秦,P.-y。王、y太阳和x Liu“肌肉疲劳:一般的理解和治疗,”实验与分子医学49卷,2017年。视图:出版商的网站|谷歌学术搜索
5. m . Cifrek诉Medved、美国Tonković和s . Ostojić”表面EMG在生物力学,肌肉疲劳评估”临床生物力学,24卷,不。4、327 - 340年,2009页。视图:出版商的网站|谷歌学术搜索
6. m·j·兹瓦特g . Bleijenberg和b . g . m . van Engelen“临床神经生理学的疲劳,”临床神经生理学,卷119,不。1,2 - 10,2008页。视图:出版商的网站|谷歌学术搜索
7. y . p . j . Shi郑、陈x和问:h .黄”的评价肌肉疲劳使用sonomyography:肌肉厚度变化检测到从超声图像,”医学工程与物理卷,29号4、472 - 479年,2007页。视图:出版商的网站|谷歌学术搜索
8. w .智力缺陷者和g . j . Verkerke“运动和疲劳,”运动医学,39卷,不。5,389 - 422年,2009页。视图:出版商的网站|谷歌学术搜索
9. b . Bigland-Ritchie和j·j·伍兹”,肌肉收缩的变化属性和神经控制在人类肌肉疲劳,”肌肉和神经,7卷,不。9日,第699 - 691页,1984年。视图:出版商的网站|谷歌学术搜索
10. h . Yoshitake“三特征模式的主观疲劳症状,”人体工程学,21卷,不。3、231 - 233年,1978页。视图:出版商的网站|谷歌学术搜索
11. b . Pageaux r .麻风病人,“十六章心理疲劳对竞赛项目的相关性能的影响,”体育和大脑:准备的科学、持久和获胜,部分C爱思唯尔,卷。240年,荷兰阿姆斯特丹,2018年。视图:谷歌学术搜索
12. 已经雕刻。Benoit, o . Solopchuk g . Borragan a . Carbonnelle s . Van Durme和a . Zenon”认知任务回避与疲劳性能衰减与主观疲劳,但不是“这项研究卷。123年,30 - 40,2019页。视图:出版商的网站|谷歌学术搜索
13. s . l . Rozzi s . m . Lephart, p.h.傅”影响膝关节松弛的肌肉疲劳和神经肌肉男、女运动员的特点,“《体育训练,34卷,不。2、106 - 114年,1999页。视图:谷歌学术搜索
14. Borresen和m .伊恩•兰伯特”量化的训练负荷,训练反应和对性能有影响,”运动医学,39卷,不。9日,第795 - 779页,2009年。视图:出版商的网站|谷歌学术搜索
15. e . TønnessenØ。Sylta, t . a . Haugen e .下摆i s·斯文森主持,和美国西勒,“黄金之路:训练和峰值特征在今年之前金牌耐久性能,”《公共科学图书馆•综合》,9卷,不。7篇文章ID e101796 2014。视图:谷歌学术搜索
16. l·施密特,j . Regnard g . p .小米“监控疲劳状态HRV措施精英运动员:RMSSD以外的大道吗?”前沿生理学》第六卷,343页,2015年。视图:出版商的网站|谷歌学术搜索
17. l .针板g . n . Nogueira否决权v . l . s . n .按钮和p . Nohama”Avaliacao da fadiga肌肉佩拉mecanomiografia杜兰特aplicacao de嗯protocolo de EENM”巴西的物理治疗》杂志上,13卷,不。5,422 - 429年,2009页。视图:出版商的网站|谷歌学术搜索
18. t .木村,m . Fujibayashi s .田中,t . Moritani”Mechanomyographic反应在四头肌疲劳的连续循环运动,”欧洲应用生理学杂志》上,卷104,不。4、651 - 656年,2008页。视图:出版商的网站|谷歌学术搜索
19. j . Taelman j . Vanderhaegen m . Robijns g . Naulaers a . Spaepen和s . Van Huffel”评价肌肉疲劳使用表面肌电图和近红外光谱,”氧气运输组织第十七届卷,701年,第359 - 353页,2011年。视图:出版商的网站|谷歌学术搜索
20. r·b·格雷厄姆·m·p·Wachowiak, b . j . Gurd“肌肉工作的评估,疲劳和生理适应使用肌电图和小波分析,“《公共科学图书馆•综合》,10卷,不。8日,1-13,2015页。视图:出版商的网站|谷歌学术搜索
21. H.-G。金,E.-J。郑,D.-S。巴姨,y . h·李,B.-H。古,”压力和心率变异性:一个荟萃分析和审查的文学,”精神病学调查,15卷,不。3、235 - 245年,2018页。视图:出版商的网站|谷歌学术搜索
22. p . k . Whelton r·m·凯里w·s·Aronow et al .,“2017年ACC / AHA / AAPA / ABC / ACPM / AGS / APhA /灰/ ASPC / NMA / PCNA指南防止离子,检测、评估和管理成人高血压:报告的美国心脏病学院/美国心脏病协会临床实践指南工作组,”高血压,卷71,不。6,pp. e13-e115, 2017年。视图:出版商的网站|谷歌学术搜索
23. l . Mourot n .法布尔,a·萨沃德利和f . Schena,”第二个通气阈值从心率变异性:有效的上半身是什么时候?”国际期刊《运动生理学和性能,9卷,不。4、695 - 701年,2014页。视图:出版商的网站|谷歌学术搜索
24. e . Howley d·r·巴塞特,h·g·韦尔奇”标准最大摄氧量:回顾和评论,”医学和科学在运动和锻炼,27卷,不。9日,第1301 - 1292页,1995年。视图:谷歌学术搜索
25. k•沃瑟曼b·j·惠普尔Koyl、和w·l .海狸”Anaero bic阈值和呼吸气体交换在运动过程中,“应用生理学杂志,35卷,不。2、236 - 243年,1973页。视图:谷歌学术搜索
26. PLUX无线生物,“Biosignalsplux hub-data表”技术。代表,2015年,科技代表。视图:谷歌学术搜索
27. h . j . Hermens b . Freriks c . Disselhorst-Klug和g .劳”的发展对面肌电信号传感器和传感器放置程序的建议,“肌电图、运动机能学杂志》上,10卷,不。5,361 - 374年,2000页。视图:出版商的网站|谷歌学术搜索
28. s . Thongpanja a . Phinyomark p Phukpattaranont, c . Limsakul“均值和中位数EMG信号的频率来确定肌肉力量基于时变功率谱均值和中位数EMG信号的频率来确定肌肉力量基于时间-依赖的功率谱,”电子和电气工程,19卷,不。3,51-56,2013页。视图:出版商的网站|谷歌学术搜索
29. b·j·贝克尔和蔡明俊。吴”,荟萃分析回归斜坡的合成”,统计科学,22卷,不。3、414 - 429年,2007页。视图:出版商的网站|谷歌学术搜索
30. A . Pimentel r·戈梅斯b h . Olstad h . Gamboa,”一个新工具的自动检测肌肉主动收缩肌信号的分析,“与电脑互动,27卷,不。5,492 - 499年,2015页。视图:出版商的网站|谷歌学术搜索
31. j .锅和w·j·汤普金斯,”实时QRS检测算法”,IEEE生物医学工程,BME-32卷,不。3、230 - 236年,1985页。视图:出版商的网站|谷歌学术搜索
32. j·罗德里格斯,d .比罗和h . Gamboa”噪声检测基于烧结的集群的心电图形态特性,”计算机在生物学和医学卷,87年,第334 - 322页,2017年。视图:出版商的网站|谷歌学术搜索
33. 美国r . Acharya k·p·约瑟夫,n . Kannathal c . m . Lim和j·s .苏瑞“心率变异性:审查,”医学和生物工程和计算机,44卷,不。12日,第1051 - 1031页,2006年。视图:谷歌学术搜索
34. 工作组的欧洲社会电生理学”,心率测量variability-standards、生理的解释和临床使用的任务,”循环,卷93,不。5,1043 - 1065年,1996页。视图:出版商的网站|谷歌学术搜索
35. 大津,“从灰度直方图的阈值选择方法,”IEEE系统,人,控制论,9卷,不。1,第66 - 62页,1979。视图:出版商的网站|谷歌学术搜索
36. m·伯伦斯坦l . v .树篱,j·p·t·希金斯和h r . Rothstein”基本介绍固定效应和随机模型分析,“研究合成方法,1卷,不。2、97 - 111年,2010页。视图:出版商的网站|谷歌学术搜索
37. 美国路易斯和m·克拉克,“森林情节:试图看到木头和树,”BMJ,卷322,不。7300年,第1480 - 1479页,2001年。视图:出版商的网站|谷歌学术搜索
38. d . m . Rouffet和c . a . Hautier”EMG规范化研究肌肉活动在自行车。”肌电图、运动机能学杂志》上,18卷,不。5,866 - 878年,2008页。视图:出版商的网站|谷歌学术搜索
39. t . v .橡碗、l . r . Altimari和h . Bortolotti“肌股四头肌的活动和肌肉疲劳的速度骑自行车运动中严重的领域,”肌力与体能训练研究》杂志上,25卷,不。9日,第2543 - 2537页,2011年。视图:出版商的网站|谷歌学术搜索
40. m . Knaflitz和p . Bonato时频方法应用于肌肉疲劳评估动态收缩期间,“肌电图、运动机能学杂志》上,9卷,不。5,337 - 350年,1999页。视图:出版商的网站|谷歌学术搜索
41. a . Koumarianou p . Pelekasis m . Kontogoni, c . Darviri”如何遇到恐慌症的发展在乳腺癌辅助化疗:一个案例研究中,“《临床病例报告,5卷,不。1、1 - 2,2015页。视图:谷歌学术搜索
42. r·k .粘结剂m . Wonisch, Corra,“方法论的方法第一和第二乳酸阈值增量心肺运动试验中,“欧洲心血管预防与康复杂志》上,15卷,不。6,726 - 734年,2008页。视图:出版商的网站|谷歌学术搜索
43. o . Faude w . Kindermann, t·迈耶,“乳酸阈值的概念,”运动医学,39卷,不。6,469 - 490年,2009页。视图:出版商的网站|谷歌学术搜索
44. m·a·赫斯特,美国t·杜e . Osuna j·普拉特和b . Scholkopf“支持向量机”,IEEE智能系统和他们的应用程序,13卷,不。4,18-28,1998页。视图:出版商的网站|谷歌学术搜索
45. c·科尔特斯和诉Vapnik支持向量网络。”机器学习,20卷,不。3、273 - 297年,1995页。视图:出版商的网站|谷歌学术搜索
46. p . m . Granitto c . Furlanello f . Biasioli f . Gasperi,“递归特性消除随机森林ms分析农业的和工业的产品”化学计量学和智能实验室系统,卷83,不。2、83 - 90年,2006页。视图:出版商的网站|谷歌学术搜索
47. p . Bonato s h·罗伊·m·Knaflitz和c j . de Luca”表面肌电的信号的时频参数评估肌肉疲劳循环动态收缩期间,“IEEE生物医学工程,48卷,不。7,745 - 753年,2001页。视图:出版商的网站|谷歌学术搜索
48. d .淀粉”的解释表面肌动电流图动态收缩,“运动和体育科学的评论,34卷,不。3、121 - 127年,2006页。视图:出版商的网站|谷歌学术搜索
49. m . Vitor-Costa h . Bortolotti, t . v .橡碗“EMG光谱分析的增量运动骑自行车和non-cyclists使用傅里叶和小波变换,“航空杂志上Brasileira de Cineantropometria & De-sempenho Humano,14卷,不。6,660 - 670年,2012页。视图:出版商的网站|谷歌学术搜索
50. j·l·Dantas本人交出密码,t . v .橡碗,m·a·o·c·布鲁内托,a·c·莫拉t . Abrao和l . r . Altimari”EMG信号的傅里叶和小波频谱分析等距和动态最大努力锻炼,”《IEEE 2010年度国际会议工程在医学和生物学卷,2010年,页5979 - 5982,布宜诺斯艾利斯,阿根廷,2010年9月。视图:谷歌学术搜索
51. a . Phinyomark c Limsakul, p . Phukpattaranont”应用肌电图特征提取的小波分析进行模式分类,“测量科学评论,11卷,不。2,45-52,2011页。视图:出版商的网站|谷歌学术搜索
52. m . Bigliassi p . r . Scalassara t . f . d . Kanthack t . Abrao a . c, d。·莫拉和l . r . Altimari”EMG信号的傅里叶和小波频谱分析在1公里自行车计时赛,”应用数学,卷05,不。13日,1878 - 1886年,2014页。视图:出版商的网站|谷歌学术搜索
53. d . MacIsaac p·a·帕克,r . n . Scott“短时傅里叶变换和动态收缩,肌肉疲劳评估”肌电图、运动机能学杂志》上,11卷,不。6,439 - 449年,2001页。视图:出版商的网站|谷歌学术搜索
54. r·a·达席尔瓦c . Lariviere a·b·阿瑟罗s Nadeau和a . Plamondon”小波的比较,Fourier-based肌指数动态收缩期间的背部肌肉疲劳:有效性和可靠性的结果,“肌电图和临床神经生理学,48卷,不。3 - 4、147 - 162年,2008页。视图:谷歌学术搜索
55. b . Makivićm . NikićDjordjević,m . s .威利斯,“心率变异性(HRV)作为诊断工具和监控性能在体育和体育活动,“运动生理学杂志》在线,16卷,不。3,2013。视图:谷歌学术搜索
56. s . Sarmiento j . m . Garcia-Manso j . m . Martin-Gonzalez d·瓦蒙德j .卡尔德隆和m . e Da Silva-Grigoletto“心率变异性在高强度的锻炼,”《系统科学和复杂性,26卷,不。1,第116 - 104页,2013。视图:出版商的网站|谷歌学术搜索
57. y Tran: Wijesuriya, m . Tarvainen p . Karjalainen和a·克雷格,“光谱心率变异性的变化之间的关系和疲劳,”心理生理学杂志,23卷,不。3、143 - 151年,2009页。视图:出版商的网站|谷歌学术搜索
58. m . Patel, s . k . l . Lal d·卡文纳和p . Rossiter”应用神经网络对心率变异性分析数据来评估司机疲劳,”专家系统与应用程序,38卷,不。6,7235 - 7242年,2011页。视图:出版商的网站|谷歌学术搜索
59. j . Murgoitio Larrauri、j·l·g·Temino和m . j . g . Larrea”多心率variability-knowing HRV分析和疲劳在交通研究中,“国会国际心血管技术学报》上,第114 - 107页,2013年。视图:谷歌学术搜索
60. f . o . Cottin c . MeDigue下午。LepreTre, y Papelier, j。Koralsztein, v . r . Billat“心率变异性在运动中表现低于和高于通气阈值,“医学和科学在体育及运动,36卷,不。4、594 - 600年,2004页。视图:出版商的网站|谷歌学术搜索
61. a . p . Pichon c . de Bisschop m . Roulaud a . Denjean y Papelier,“光谱分析心率变异性在运动的训练科目,”医学和科学在体育及运动,36卷,不。10日,1702 - 1708年,2004页。视图:出版商的网站|谷歌学术搜索
62. r . m . Enoka“肌肉疲劳机制:中央因素和任务依赖性,”肌电图、运动机能学杂志》上,5卷,不。3、141 - 149年,1995页。视图:出版商的网站|谷歌学术搜索
63. d . Ioannis“潜在的负面生物效应过度运动和过度训练在健康个体中,“学报》Martiniana,14卷,不。3,5 - 12,2014页。视图:谷歌学术搜索
64. g . Vilhena de Mendonca c . Teodosio和p . m .布鲁诺,“两性异形从峰值心率恢复锻炼,”欧洲应用生理学杂志》上,卷117,不。7,1373 - 1381年,2017页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 g·拉莫斯等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。