基于心率的运动训练健康分析算法特征提取和卷积神经网络

文摘

智能运动器材和软件出现在体育领域的信息技术的发展,允许职业运动员收集和直观地显示人体的运动和体征援助计划的运动策略。直观的数据,另一方面,不能帮助普通缺乏专业知识的人正确地锻炼。因此,智能领域的体育和健康,有效利用收集到的锻炼和体征数据来分析用户的个人身体状况并生成合理的锻炼已经成为一个研究方向的建议。在人类中,心音信号是一个生物信号。它可以帮助人们检测和监测心脏健康问题通过分析心音信号的特征。本文的目的是利用心音识别和分析运动员训练的健康。它提供了一个革命性的健康分析算法基于心脏节律特征提取和卷积神经网络,它是基于运动训练。它大大提高了识别的准确性和预测运动员训练的健康状况。

1。介绍

当今社会的经济状况正在改善,但快节奏的工作和生活成本上升对人们的健康有很大的负面影响(1- - - - - -3]。年轻人和中年人“成人身体健康指数平均下降了0.5%。因此,仍有缺陷的人的身体健康4,5),尤其是成年人承受着巨大的工作和生活压力。体育运动是保持身体健康的有效方式每天(6),和大量的研究表明,使用正确的锻炼方法和足够的锻炼可以提高身体健康和健康在所有年龄段的人。

作为一个体育健康市场的一部分,体育健身近年来也发展迅速。据估计,中国的在线体育健身市场的规模在2019年达到1740亿元,和用户的数量达到了1.95亿。庞大的用户规模带来了大量的信息和数据,其中包含巨大的价值。目前,体育健康应用程序(7- - - - - -10)更注重数据收集(11和数据可视化显示12- - - - - -14)和缺乏进一步的分析和挖掘用户健康数据。合理的建议和帮助的主要方向是体育和健康应用在智能时代。

近年来,物联网等技术(15,16),大数据(17,18,云计算19,20.),和人工智能21- - - - - -23)已经逐渐成熟。物联网技术由5 g促进了移动互联网的深入发展和提供了一个基础设施大规模实时用户数据采集。为了提高资源利用率,云计算将存储和计算资源集成到一个可伸缩、可扩展的资源池,而大规模的计算和存储能力。客户可以通过网络统一管理和调度资源池,以极大的灵活性。因此,云计算的优势降低硬件成本,增强自主发展能力,提高资源利用率。大数据技术能快速存储和计算大量的数据,为企业提供更准确的决策支持,提高生产率,降低生产成本。人工智能技术深度学习和机器学习等辅助产业的演化对无人驾驶和智能操作,允许顾客获得更精确的无人服务,降低社会生产成本,提高服务质量。集成技术,如物联网、云计算、大数据和人工智能实现低成本、聪明、和精确的体育健康云平台可以促进体育健康产业的发展,提供先进的技术援助改善人民的身体健康。

本文的目的是看体育健康预测的问题24- - - - - -26)和识别从心音周期的角度特征提取方法和心音神经网络结构设计。为运动员提供准确的服务,促进体育健康和智力的发展,基于心率的运动训练的健康分析算法提出了特征提取和卷积神经网络。

以下是本文的主要创新:(1)提出的新方法可以使用当前的主流与图像分类器和生物ieee卷积神经网络(CNN),进一步结合CNN和心音特征提取方法。它可以用于识别运动员训练的心音。(2)摘要心音卷积神经网络旨在解决心脏问题的声音识别和分类的基础上,提取心音周期特性。本文研究了心音信号预处理、特征提取方法,和心音神经网络的结构设计,从数学定义和推导实验方法。

本文的其余部分组织如下。节2、研究背景和文献综述阐述了。一节中讨论的方法是3节中,紧随其后的是实验装置和结果4。最后,部分5总结了纸。

2。背景

体育卫生服务(27)包括锻炼建议,身体健康监测等。其中,也被称为运动处方锻炼建议。这是生理学家Kapović在1950年代提出的。由于人类体质的差异,每个人的合适的锻炼方法和运动量有所不同。存在很大的差异。就像医疗咨询的形式,锻炼的建议是定制根据用户自身的物理特性,形成运动处方的概念。传统体育的一代是一个一对一的方法,它的规模是有限的运动处方专家,不能满足大规模的需求。随着大数据的出现和人工智能技术,尤其是成熟和无人驾驶的人工智能技术,智能地生成运动处方和为用户提供精确的服务已经成为体育卫生服务的主要方向。

随着数据信息技术的发展等大数据和机器学习28,29日),使用数据算法从大量数据挖掘有价值的信息已成为一个热点话题的数据研究[30.,31日]。体育健康应用程序,它收集大量用户的运动和体征数据,可以使用数据信息技术挖掘出有价值的信息,所以运动可以更聪明助理服务和个性化。

数据分析可以帮助人们理解不同类型和结构的数据,但这种肤浅的理解数据不足以执行数据的函数。数据还帮助人类关注中包含的信息数据分析,数据的真正价值。这些信息可以分为生物或非生物。微生物基因组数据,数据、个性化医疗数据和疾病数据生物类型数据的例子,和这一主题侧重于类型的数据中发现个性化医学和疾病数据。众所周知,一个特定的生物信号数据包含生物体的生理特点,我们可以从这样的生物信号分析生物信息数据。像有机体的独特性,其生物信号也具有一定的独特性。

这些数据已经成为许多研究者的宝库。通过研究同一生物体的生物信号,我们可以理解这些数据之间的差异,这样我们就可以画一些定量的或普通的结论。当我们有数据的乳酸在肌肉休息和大量的乳酸在肌肉锻炼,它能帮助我们得出准确的结论。可以说,数据收集和分析方法的发展帮助我们理解生活的法律越来越多。也有许多biosignal数据在人类,这有利于研究人员正在研究人类的生理结构和人类的病理原因。

近年来,出现了卷积神经网络(CNN)领域的神经网络,特别是在图像识别领域,前所未有的效果。在图像的分类和识别,CNN已经广泛的应用前景。不仅如此,但对于医学图像,这也是美国有线电视新闻网的范围内。目前,在学术界对心音信号的研究,许多研究人员使用更深入、更复杂的网络和更多的计算资源以追求更高的精度,和这些研究人员使用的方法来提高精度非常高的标准。特殊很少考虑存储空间和计算资源。包括平台的计算能力有限在真实的应用程序中,如手持心音过滤器,可穿戴的生命套装,和其他任务,由于实际生产成本和市场需求,和这些平台都是实时的。检查员必须能够迅速获得测试结果而保持低成本,所以这些平台必须能够处理快速分类和识别任务。因此,心音的工程分类和识别,用更少的参数和计算神经网络更可行。

3所示。方法

3.1。运动员心音的集合

心音采集的过程中,要注意以下三个方面在心音采集装置的设计。

首先,应该考虑环境噪声。这个问题将在所有进程遇到了心音信号的采集,需要额外的关注和努力减少环境噪声的影响。

其次,从采集设备错误应该考虑和操作员的误动作。这可以改善或避免在收集过程中,如处理轻与更好的性能和选择传感器的收集器。

第三,其他生物信号采集自己应该考虑。在人体内,还有其他生物信号除了心脏的声音,例如,肺的声音,所以如果收集器拾取心音剧烈运动之后,他们将不同的心音,在休息。

因此,本节审查的现状心音采集设备和期待未来更多的智能心音采集设备组成的特定结构。这是显示在表1。

3.2。心音信号预处理

3.2.1之上。心音重采样

最初的心音信号通常是在22050 Hz取样。采样点相比相对较大的信号的频率。两者的区别是一个数量级,所以有很多的原始采样数据。心音信号的频率范围是101000 Hz,所以有很多的原始采样数据。可以说,大部分的数据,这些数据是其他不相关的信号,甚至可能是干扰信号。因此,这样一个采样率增加噪声的可能性,和大量的数据也增加了信号。处理的时间复杂性和空间复杂性会影响处理心音信号的速度。因此,有必要重新取样最初的心音信号。本节将使用一个2000 Hz的采样率,和抽样效果如图1(一)和1 (b)。

3.2.2。小波去噪

由于心音信号是一个生物信号与信号强度很低,很容易被噪声信号收集或处理。如果噪音信号没有移除,它将产生重大影响的使用心音在疾病诊断。因此,必须运用心音信号。例如,上述的心音信号采集设备可以认识到,目前的技术还没有达到零噪音心音信号采集。因此,它是必要的,不仅依赖于硬件措施来解决干扰问题,但也有一个特定的信号滤波技术参与,为各种研究奠定了良好的基础的心音信号。

小波基函数的选择和信号分解层数的确定影响小波去噪性能的两个重要方面。如果小波基的选择不好,整个表现将遭受损失。

因此,小心音信号和噪声信号是分开的,如果你选择太多的层次的分解,但如果你选择分解水平太少,你过滤掉一些有用的信号。是非常重要的选择波基函数或确定的分解层数。心音信号利用小波的去噪过程可以概括为以下基本步骤:(1)选择小波基函数最适合心音信号。(2)确定的分解层数N。(3)根据分解的水平N心音信号分解N层。(4)每一层分解后得到的高频系数,软1}7价值或硬1}7选择价值进行量化处理。(5)如果效果不好,返回,直到获得最佳效果。

3.2.3。希耳伯特变换

因为心的声音是准周期的信号,本文是一个周期性的心音信号的研究,本节采用信封没有显示心音的位置提取方法。事实上,在时域峰值的高度对心音包含心音信号的特征,可以反映在心音信号的包络。

在信号分析工具,希尔伯特变换是一个重要的方法。希尔伯特变换通常被用来提取信号的相位信息,计算信号的包络,分析信号的频谱信息。希尔伯特变换的定义如下所示。假设有一个信号 ,希尔伯特变换后,可以得到以下方程:

它可以看到从方程(1),输出信号与输入信号线性相关除以时间。电压和电流之间的关系一样,添加一个过滤器。因此,该转换可以变成一个过滤器,过滤器的输出响应设置 ;然后:

上面的公式中可以看到信号在时域的形式。但是希尔伯特变换主要是分析信号的频域的关系,所以我们需要知道频率响应希耳伯特变换。

因此,希尔伯特变换后的信号 ,结果在频域频谱转变。积极的信号频率旋转90°逆时针在频域,即相移减少90°。负频率信号在频域内顺时针旋转90°,这就增加了相移90°。因此,有一个积极的频率信号之间的差异180°和负频率信号。如果输出信号被描述为和输入信号被描述为 ,可以获得信号的包络线。因此,如果信封信号设置为 ,这个方程可以得到:

原始信号图所示2。

希尔伯特变换获得的心音包络的方法显示在图3。

原始信号由蓝色曲线表示,包络曲线是由一个红色曲线表示。在希尔伯特变换,一个包络曲线长度相同的信号,即信号的包络特征可以完全表达。

3.3。心音卷积神经网络

深度的体系结构模型可以由总层数在每个阶段的数量和结构 。例如, 和 表明该模型有3个阶段,卷积在第一层的数量,第二,第三阶段是4,3,分别和2。在推导公式之前,您需要定义一些必需的参数符号,输入谱图的大小 ,卷积核大小 ,和最低价值 。本文要求所有层的值不小于最小值价值 。的接受域卷积层持续增长和卷积核的大小在每个卷积层不变,可以看出最后卷积层的值是最小的。因此,它相当于确保最后一层的价值在每个卷积层不小于t,可以转换成一组不平等: 在哪里是接受域的大小的最后一层一层的卷积吗的 - - - - - -层。顶部的接受域卷积层应该小于一个心音周期的面积。也就是说,公式表示如下:

目标函数的形式可以表示的总数最大池层,和它的最终方程

模型的心音卷积神经网络设计摘要如图4。

4所示。实验和结果

4.1。实验装置

这个实验使用PyCharm编译器和TensorFlow深度学习框架在Windows环境中,使用构造心音卷积神经网络预测和识别训练运动员的健康状况。亚当•优化器使用小批量的学习方法,学习速率为0.0001,共1000次迭代执行。

4.2。数据集

本文使用生理网/ CinC挑战2016数据库。所有录音都重新取样2000 Hz,录音范围从5秒的持续时间超过120秒。本研究的最终目标是把他们划分为两种类型的正常和异常心音。训练集由5个数据文件夹(E),包含3240心脏录音,测试集包含301心录音。在这项研究中,通过提取5个心动周期作为光谱图的时间长度,共有28000个训练样本。有4800个样本进行测试。

4.3。评价指标

相对误差(RE)以实际值为参考价值和法官通过比较相对区别目标数据的预测结果和实际值。我们通常将其表示为一个百分比。值的相对误差越小,越接近实际值的预测结果。换句话说,所构造的模型的预测效果越好。一般来说,相对误差可以更好地反映预测结果是否可信。相对误差表达式如下:

4.4。实验结果

的基础上设计基本心音神经网络结构,模型优化的复杂性通过改变卷积层的数量,和模型验证实验;心音的参数分类模型,训练时间,训练精度如表所示2。

从表可以得出一些结论2。当只有一个回旋的层,模型参数的数量是巨大的,无法准确获得重要的功能,和训练时间长;当有三个卷积模型的层中,训练时间短,参数的数量很小,但准确率降低,在两个卷积层的情况下,训练时间是可以接受的,精度是最高的。

本文实现的设计适应了心音信号通过改进结构。为了说明模型的有效性由本文提出的方法设计的心音挑战数据库数据作为数据源。固定数量的训练步骤10000步。本节我们改变模型的batch_size为比较分析不同的值。培训过程如图5。

它可以清楚地看到从图5batch_size 32时,可以获得最优效果。然而,由于10000年的训练步骤一般CNN太小,以下修复batch_size大小和变化的数量训练为了获得最好的模型。

4.5。烧蚀研究

我们验证自定义参数学习速率的影响在该算法的性能。我们建立了一套消融实验和仿真实验选择4种不同的学习速率。实验结果如表所示3。

从表可以看出3,如果学习速率降低,性能作为一个整体增加,直到达到最高的值为0.0001。其次,后又学习速率降低,性能降低。因此,这证明该算法的学习速率设置是正确的。

4.6。限制

虽然该模型基于心脏节律特征提取和卷积神经网络提出了本文取得了有效的成果,心音信号是一种时间序列数据,其中包括远程信息的依赖。在特征提取有一定的局限性。在接下来的研究中,我们将研究复发性神经网络的有效性对心音信号的特征提取。

5。结论

在本文中,我们认为收集运动的有效使用和体征数据来分析用户的个人体质和生成合理的运动建议已成为智能锻炼与健康领域的研究方向。心音信号是一个存在于人类的生物信号。通过分析心音信号的特点,它可以帮助检测和监测心脏健康问题的人。本文的目的是识别和分析运动员的训练健康心脏的声音。它使用当前主流卷积神经网络(CNN)的图像和生物分类器和结合了CNN和心音特征提取方法提出一种新颖的方法基于运动训练的健康分析算法基于心脏节律特征提取和卷积神经网络。它大大提高了识别的准确性和预测运动员训练的健康状况。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

引用

1. a . v .霍维茨,j·麦克劳克林,h·r·白”伙伴关系的正面和负面的方面是如何影响心理健康的年轻的已婚人士,“健康与社会行为》杂志上,39卷,不。2、124 - 136年,1998页。视图:出版商的网站|谷歌学术搜索
2. a .布朗,s·w·弗林特,a . z . Kalea美国威廉姆斯,m•欧凯恩称,r . l . Batterham”负面影响的第一个COVID-19锁定在与健康有关的行为和心理健康严重和复杂的肥胖患者在英国,”EClinicalMedicine34卷ID 100796条,2021年。视图:出版商的网站|谷歌学术搜索
3. c .音带和s . Mayimbo”的负面影响贫困妇女和儿童的健康,”医学和健康科学研究的史册,7卷,不。6、2017。视图:谷歌学术搜索
4. 韦斯特伍德,“神话”老LGBT +”人:研究缺陷和政策/实践影响健康/保健规定,“《老化研究卷,55 ID 100880条,2020年。视图:出版商的网站|谷歌学术搜索
5. 施尼策尔,库尔a, h·阿道夫,j . Holzhausen和l . Schenk”抱怨医疗指标的缺点:哪个组的患者受到影响?”国际期刊质量的医疗保健,24卷,不。5,476 - 482年,2012页。视图:出版商的网站|谷歌学术搜索
6. 徐z l·陈,“回顾运动训练和医疗健康之间的关系,“国际前沿的医学杂志》上,卷2,不。1,第78 - 73页,2020。视图:出版商的网站|谷歌学术搜索
7. 美国合欢树、l·w·格林和l . Kannas”回顾settings-based健康促进应用体育俱乐部,”健康促进国际卷,29号3、494 - 509年,2014页。视图:出版商的网站|谷歌学术搜索
8. a . Paiva f·费雷拉,a . Catarino m·卡瓦略和h·卡瓦略,“纺织扩展传感器的设计和特性对于体育和健康应用程序,”IOP会议系列:材料科学与工程,卷459,不。1,文章ID 012058, 2018。视图:谷歌学术搜索
9. a . Avci博世,m . Marin-Perianu r . Marin-Perianu和p .真的,做出“活动识别使用惯性传感医疗、健康和运动的应用:一项调查,”《第23国际会议在2010年计算系统的体系结构,页1 - 10,VDE,汉诺威,德国,2010年2月。视图:谷歌学术搜索
10. t·罗恩·d·a·詹姆斯,d . Rowlands,“iPhone传感器平台:运动监测的应用程序”,Procedia工程13卷,第512 - 507页,2011年。视图:出版商的网站|谷歌学术搜索
11. n a·德雷尔c·d·麦克·r·b·安德森·e·m·Wojtys e·b·赫什曼声a .基材,”课程从NFL伤害监测数据收集和管理计划,”体育健康:多学科的方法,11卷,不。5,440 - 445年,2019页。视图:出版商的网站|谷歌学术搜索
12. c . perinatal r . Vuillemot c, d . Stolper j . t . Stasko j .木材和s . Carpendale”运动数据可视化的艺术状态,”计算机图形学论坛,37卷,不。3、663 - 686年,2018页。视图:出版商的网站|谷歌学术搜索
13. m . Du和x元,“竞技体育的调查数据可视化和可视分析,“《可视化,24卷,不。1,47 - 67、2021页。视图:出版商的网站|谷歌学术搜索
14. b·w·布鲁尔和t·p·范·布鲁尔,”一个可视化模板图形表示的运动损伤祖先和后果模型和数据,”功能形态学和运动机能学杂志》上,5卷,不。4 p。87年,2020年。视图:出版商的网站|谷歌学术搜索
15. g·李和张平”,对广藿香增长设计和实现基于物联网的环境监测系统,”ASP对物联网交易,1卷,不。1、14 - 18,2021页。视图:出版商的网站|谷歌学术搜索
16. s . l . Yu道、w·高和l . Yu”自我监控方法改善健康相关的生活质量:数据采集、监测、分析生命体征和饮食,”ASP交易模式识别和智能系统,1卷,不。1,24-31,2021页。视图:出版商的网站|谷歌学术搜索
17. w .太阳,张平,z . Wang和d·李,“基于机器学习的预测心血管疾病”,ASP对物联网交易,1卷,不。1 - 35,2021页。视图:出版商的网站|谷歌学术搜索
18. 王x, x Ning s徐et al .,”co-training研究的回顾。并发性和计算:实践和经验”,生物工程的应用32卷,文章ID e6276, 2021。视图:出版商的网站|谷歌学术搜索
19. x z楚,m .胡,陈,“机器人掌握检测使用新颖的两阶段方法,”2020年,http://arxiv.org/abs/2011.14123。视图:谷歌学术搜索
20. z黄、张p, r . Liu和d,“不成熟的苹果检测方法基于改进Yolov3,”ASP对物联网交易,1卷,不。1,第四,2021页。视图:出版商的网站|谷歌学术搜索
21. w x Ning, y . Wang, l . Liu和w·蔡“仿生覆盖学习方法基于同源连续性原则,“ASP交易模式识别和智能系统,1卷,不。1,9到16,2021页。视图:出版商的网站|谷歌学术搜索
22. 张x, y顾,a . Chen c .风扇和沈j . k . Li“深度学习的基础细胞分类成像流式细胞分析仪,”ASP交易模式识别和智能系统,1卷,不。2,18-27,2021页。视图:出版商的网站|谷歌学术搜索
23. 李s, y, l . Yu, j . Liu h .秦和w·李,“多项式拟合的算法基于神经网络,”ASP交易模式识别和智能系统,1卷,不。1,32-39,2021页。视图:出版商的网站|谷歌学术搜索
24. 长b . s . Dorrel t, s·谢弗,和g·d·迈尔“评估功能性运动的屏幕作为损伤预测工具在活跃的成年人口中,“体育健康:多学科的方法,7卷,不。6,532 - 537年,2015页。视图:出版商的网站|谷歌学术搜索
25. h .歌曲,c, e .执著汉c . e . Montenegro-Marin和s krishnamoorthy”安全预测和运动损伤的评估使用基于深度学习的卷积神经网络”环境智能和人性化计算杂志》上,12卷,不。3、3399 - 3410年,2021页。视图:出版商的网站|谷歌学术搜索
26. w·a·马奎斯和b·l·贝克”或不发育迟缓儿童参与体育运动:从儿童和家庭因素,预测”发育障碍的研究37卷,45 - 2015页。视图:出版商的网站|谷歌学术搜索
27. v . s .曾,c·h·周k .问:杨和j·c·曾“体育行为的大数据分析框架矿业和个性化健康服务”学报2017年会议技术和人工智能的应用(TAAI)IEEE,页178 - 183年,台北,台湾,2017年12月。视图:谷歌学术搜索
28. m .赵a . Jha问:刘et al .,“快速均值漂移:GPU-accelerated集群余弦embedding-based细胞分割和跟踪,”医学图像分析文章ID 102048卷,71年,2021年。视图:出版商的网站|谷歌学术搜索
29. m .赵c . h . Chang w·谢,谢z, j·胡,”云形状分类系统基于多通道cnn和改善fdm,”IEEE访问,8卷,第44124 - 44111页,2020年。视图:出版商的网站|谷歌学术搜索
30. y张,王,k .夏y江,p .钱,”阿尔茨海默病多级诊断通过多通道神经影像嵌入特征选择和融合,“信息融合卷,66年,第183 - 170页,2021年。视图:出版商的网站|谷歌学术搜索
31. 江y, y,林c, d . Wu, C.-T。因为它使得基于脑电图林,”司机困倦估计使用在线多视点和转移tsk模糊系统,”IEEE智能交通系统,22卷,不。3、1752 - 1764年,2021页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021京李et al。这是一个开放访问分布在条知识共享归属许可,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。