文摘

过度的锻炼可以增强身体和使人们幸福,但是它也会导致人身伤害。为了解决这个问题,本文提出了TFD-SE (Three-Frame不同时空熵)算法和磅(标签传播)算法,都是基于SE(时空熵)和标签技术。TFD-SE算法使用three-frame差分法计算图像的区别,然后计算像素的SE在不同的图像,并进行形态学滤波和阈值分割,使其有效地探测移动物体。图像中标记的意义价值节点使用磅计算算法。在这两个定性和定量的比较,实验结果表明,两种算法比其他经典算法的检测性能。

1。介绍

疲劳是由多种因素引起的。疲劳可以分为四个不同的类别(1- - - - - -3):根据第一个分类,疲劳是清醒和睡眠之间的过渡状态,没有明确区分这两个;根据第二分类、疲劳分为心理和生理疲劳;疲劳的第三种类型分为四类:心理病态,精神,和身体疲劳;和第四个分类是基于疲劳最常见的临床症状。的职业运动员和士兵两个例子需要每天大量运动训练。过度训练削弱了训练效果,同时增加更多的严重副作用的风险如晕厥、肌肉损伤,甚至突然死亡(4]。因此,运动疲劳检测是人类安全的关键。体育运动疲劳检测有两个部分:数据采集和数据驱动的识别算法5]。

有氧运动疲劳检测在生物识别领域中起着重要的作用,生物监测、生产、繁殖。近年来,许多方法已经提出了解决这一问题。其中,背景减法的方法是最常用的检测方法之一(6,7]。它从当前视频帧减去背景帧,然后选择一个合适的阈值的二值化图像,获得提取运动目标。平均信息熵是表示,首次引入信息。知识熵已广泛应用于图像分割领域(8,9]。edge-based方法被认为更适合语义视频图像分割。因为人们对移动物体的边缘非常敏感,的影响从背景中提取移动对象的边缘很大程度上取决于预设阈值(10]。因为不同的图像序列包含不同图像组件及其变量特征明显不同,任何预设固定阈值不适合有氧运动疲劳检测。受物理因素,如摩擦和滑动,形状和位置传感器将导致错误的数据采集过程,这将减少识别算法的准确性并不能得到满意的结果。

检测有氧运动疲劳,本文运用SE(时空熵)和标签技术。可以检测出移动目标直接减去当前帧图像从背景中得到的差分图像,然后计算SE图像的差别。这种方法使用熵来反映生物的力量疲劳,当加上标签技术,降低了算法的计算时间。该算法计算复杂度低,参数鲁棒性强,和一个明确的目标,是一种有效的生物有氧运动疲劳检测方法相比传统的SE方法。

近年来,在人类国内外疲劳方面的研究,特别是研究疲劳对疲劳的影响,一直在逐年增加。在[11与健康的人的数据,通过比较发现两个参数的对称性以及它们之间的线性关系有很大的不同。文献[12]证明外侧和中间部位的肌肉不平衡下的小腿疲劳与测功器的横向偏差在地板上。在文献[13),通过垂直压盘上运行,速度和压力的影响。结果表明,加速度的峰值加速度的胫骨和鞋上显著下降。文献[14]研究了HRV的特征变化(心率变异性)的受试者当骑自行车和发现,随着练习的深入,HRV的高频能量的峰值逐渐从0.25赫兹上升到0.6赫兹,这表明,HRV的主要能量会逐渐转移到正确的在运动。文献[15HRV)用于研究不同类型的疲劳在健康的人,取得了良好效果。文献[16]研究了功率谱的变化表面疲劳前后肌电图(肌电图)信号恒静载荷下,发现疲劳后的功率谱转移到左边与整个和峰值相比之前的疲劳。文献[17)发现一维EMG时间序列具有混沌特征。他们计算各种EMG信号的信息熵在二维相空间重构和分析结果来确定肌肉和运动之间的法律。在文献[18),使用定量递归分析,发现一个确定的比例部分面肌肌电图信号(表面)的肱二头肌在运动中不断增加疲劳,这是比中值频率的变化更敏感MF(中位频率)与疲劳。

的基础上,文献[19)提出了一个算法来检测人类有氧运动疲劳。这个方法建立了一个直方图来计算每个像素点的本身价值和使用价值来确定像素点是否属于一个移动的目标。一个有氧运动疲劳检测算法基于熵图和自适应状态标签技术提出了在文献[20.]。文献[21)提出了一个“center-surround”模式,实现了使用空间金字塔的本地特性对比的颜色,亮度,和方向。尽管眼动点预测模型检测和起源的意义方面取得了显著进展,这些方法有一个缺陷,在实践中会影响他们的表现。计算显著价值,文献[22使用直方图信息从图像亮度通道。第一次,文献[23]介绍了凸起过滤器,用高维高斯滤波器充分表达的对比和卓越的测量标准。检测的目标,文献[24]融合各种先验信息条件随机域。中心周围的对比柱状图、光谱残余,之前和颜色空间分布数据。文献[25)外观信息与之前的空间信息集成计算图像中每个像素的意义价值。这些网络使用和计算方法简单,但结果并不总是理想在处理复杂的背景。

3所示。研究方法

3.1。SE-Based有氧运动疲劳检测

疲劳是一种人类不适感觉。后感觉是一种很大的体力或脑力的劳动。它将减少人们完成工作的能力。当运动疲劳发生时,运动员心脏负荷不断增加,变得比平时更急躁,易怒,肌肉酸痛和灵活性将减少,和必要的思维能力等竞技体育的判断和反应也会减少(3]。因此,运动疲劳是一个全面的身心疲劳与精神、心理和体力。

人体的环境会改变大大在运动过程中,人体的许多生理指标也将大大改变。在这些指标中,可以更多的与人体疲劳的变化趋势,以及如何选择和计算这些索引来更好地监控和分析人体运动疲劳仍在深入研究。在传统的运动疲劳评估,主观(心理)评估方法通常用于快速估计人体的疲劳程度,直接和有效。然而,由于运动疲劳是一个复杂的过程,它只通过主观评价缺乏客观性,很难全面、准确分析和评估它。

状态识别得到了很多利益作为一种新的识别技术。当人们行走,“李”这个词指的是所有身体部位的整体运动状态在任何给定的时间。步的大小,身体晃动的程度,和努力的习惯都是走路的姿势的不同方面。状态识别的目的是决定一个人的身份基于其独特的走路姿势。走路是一种运动,两腿交替推动和缓冲地面。人体的加速度随时间变化时期的散步。会有转折点的加速度信号,如最大和最小下肢最初建立时,缓冲,一鼓作气。熵是衡量多少信息都包含在一块数据在信息理论。当熵最大,获得的信息量最大。

如果一个随机实验 可能的结果或一个随机信息 可能的值,分别和他们发生的可能性 ,然后这些事件的信息数量,即熵,定义为

因为熵是衡量信息的大小,这表明一个事件的多样性的程度,熵可以用来描述像素状态的多样性,然后反映运动强度的像素点的程度。

有氧运动疲劳的有效方法检测必须建立相应的关系沿着时间轴移动目标。与此同时,因为移动目标不仅有移动领域的时间相关,但也有空间灰度值的相关性,扩展到二维阈值检测意义的有氧运动疲劳在时域。

在这篇文章中,一个有氧运动疲劳检测算法基于TFD-SE (three-frame不同时空熵)。算法使用three-frame差分法获得图像的视频图像序列的区别和使用SE原理来检测有氧运动疲劳的不同形象。疲劳检测的过程中,首先将图像序列划分为3×3块和计算帧间的对比 和当地的方差 为每个块的图像序列。

每个像素的概率密度分布在视频中可以通过计算获得其直方图。根据分布概率时间轴上的一个像素,像素在空间的分布概率是通过空间坐标,采样空间如图1本文建立了。


图1
二维直方图。

帧间对比显示灰度级像素的连续性在相同的位置在不同的帧在时间方向,定义如下: 在这 代表的灰度值 当前块的位置 代表当前的灰度值 块的位置参考图像。

相邻像素的灰度值的连续性在同一个框架是由当地的方差,定义如下: 在哪里 是当前块像素灰度值的平均值。

计算直方图图像的每个像素的概率密度分布。计算像素的直方图分布,使用滑动窗口在时间和空间。像素的空间变化及其随时间的变化都是在滑动窗口。

在获得每个像素的直方图,像素的概率密度分布 可以通过下面的公式: 在哪里 是在矩形窗口中像素的总和,也就是说, 。可以获得每个像素的概率密度,并可以计算每个像素的熵(5)获得SE图像。

SE反映了图像中每个像素的变化在时间和空间。如果像素属于前景目标, 大,如果像素属于背景, 很小。因此,可以判断是否前景目标像素通过某个阈值熵的图像。

算法的流程如图2。


图2
算法的流程。

首先,视频图像的边缘提取是进行获得连续三帧图像边缘,之后三帧差分操作执行的连续三帧图像边缘获得不同形象,建立了二维直方图图像的区别,区别的SE图像计算,最后,二值化和形态学处理提取完成目标。

3.2。磅有氧运动疲劳检测

有氧运动疲劳检测的现有方法基本上是自下而上的数据驱动,和基本框架是首先定义卓越的测量标准,然后分析了凸区域或基本图像中像素单位根据这些标准,以便检测出显著目标。这些方法主要使用突出目标的特征信息来确定测量标准,或一些方法检测凸目标根据背景区域的特征信息。

本文考虑结合这两种方法根据不同的凸目标和背景区域的特征信息和使用的原则磅(标签传播)获得相应的凸地图,分别,然后把凸映射通过一种改进的贝叶斯模型,得到最终的检测结果。图3本文的算法流程图。


图3
算法的磅有氧运动疲劳检测。

磅算法是一个semisupervised图模型的学习算法。其基本思想是使用标记节点标签节点和估计标记节点信息基于图模型的传播机制。迭代结束时,类似的节点的传播概率分布往往是相似的。相似度高的节点分为相同的类,然后磅过程结束。人们通常不会把视觉注意力集中于图像的边缘。突出原始图像中的对象基本上不接触的边缘图像。因此,在本文中,图像的边界节点用作背景的种子节点传播,也就是说,边界节点用作标记数据来磅其他剩余的节点,以获得其余superpixels和标签之间的相似性度量方法superpixels,从而获得显著地图基于之前的背景信息。

为了满足测量的意义,本文需要标准化向量[0,1]的范围。因此,根据传播公式,凸起地图使用背景之前作为标签节点可以计算,和卓越的价值 superpixel节点被定义为 在哪里 代表一个superpixel形象和节点 代表了一种归一化向量。因为背景节点用作标签节点磅过程中,背景区域的标签值需要设置为1。

在大多数情况下,好的结果可以通过传播的背景标记。然而,在一些具有复杂背景的图像或低前景和背景之间的颜色对比,背景之前的传播获得的检测结果不理想,和大量的背景区域误认为是重要的目标。

现在,使用前景目标作为一个标签节点,所以标签向量。根据传播公式,向量 是归一化的范围[0,1],然后是显著地图使用前景先验信息作为标签节点。然后卓越价值 superpixel节点的定义是

得分对象映射到每个像素使用和高斯核函数的位置关系。最后,通过添加和平均每个superpixel对象得分,有些superpixels得分较高的对象选为可靠前景标签节点。本文将凸起从superpixel级别映射到像素级前贝叶斯融合计算精度,从而增加计算复杂度但收益更好的检测结果。

计算像素级的显著图的公式如下:

其中, 代表了卓越的地图superpixel水平, 代表像素的颜色特性和坐标向量 或superpixel区域 ,分别 代表的数量直接邻近地区超像素区域 ,和 代表了归一化参数。 参数控制颜色和位置的敏感性。

本文根据之前的前景和背景之前,当选择标签数据将不可避免地发生错误,这将会导致不准确的目标探测经过磅。然而,使用贝叶斯融合结合两个传播的结果,使用背景信息和前景信息之间的互补关系,提高检测的准确性通过背景磅目标,并有效地抑制背景区域通过前景磅,并最终获得理想的检测效果。

4所示。结果分析和讨论

长期有氧运动使体温上升,体温急剧上升。防止身体过热,大量的汗水和散热是用来保持体温平衡。大部分的水失去了通过排汗是水主要来自等离子体,细胞间液,细胞内液的身体。脱水会发生如果没有及时补充水,这将产生重大影响运动能力。当一个人的水损失达到2%的体重,他们的工作能力下降10%至15%,而当它到达5%的体重,运动员的运动能力下降10%到30%。

在本节中,识别运动疲劳模型由TFD-SE构造算法和其分类精度测试。首先,训练疲劳识别模型与心电图(心电图)和肌电图特征,分别和检查的准确性,然后培训和检查和肌电图特征融合。数据4- - - - - -6的统计结果TFD-SE疲劳识别模型的分类精度由肌电图的三种模式,心电图,心肌电特性融合下50%的交叉测试。


图4
统计TFD-SE分类模型的分类精度下的肌电图特征训练5倍交叉测试。

图5
TFD-SE分类模型的分类精度统计下的心电图特征训练5倍交叉测试。

图6
TFD-SE分类模型的分类精度统计下心肌电特性融合培训5倍交叉测试。

图6心电图上显示了识别模型训练和肌电图特征有一个稳定的综合分类性能和良好的识别能力三种类型的疲劳状态。结果,TFD-SE识别模型训练与心肌电特性融合优于TFD-SE识别模型训练与心电图和肌电图特征。

骨骼肌产生很多的热量时努力工作很长一段时间。身体外部环境会增加散热为了维持一个恒定的体温。热量只能消散通过排汗,特别是在高温季节,当环境温度高于体温。身体会出汗很多,很多电解质将通过汗水流失,导致电解质紊乱,神经肌肉兴奋性异常,肌肉痉挛,运动能力下降。证明的有效性和可比性融合策略在本节中,未加权融合策略对应中国风格在这一节中单独使用基于跟踪算法的框架内具有相同功能在本节中,跟踪误差如图7。


图7
比较误差曲线的跟踪结果不同的融合策略。

这个算法的时间成本主要集中在每个特性的提取和相似度的计算,这是直接关系到目标的大小和颗粒的数量。目标越大,获得的更多的粒子和花费更多的时间。因此,对于更大的目标,可以减少计算时间采样目标和降低分辨率。

纠正脱水和提供能量后不久,有氧运动可以帮助你恢复更快。液体和电解质丢失期间锻炼的总量应该有效地恢复。获得快速水化,最好使用sugar-electrolyte运动后饮料。饮料的糖含量的范围可以从5%提高到10%,和钠盐含量的范围可以从30到40毫克当量。维生素C是一种重要的氢供体生物氧化过程中,所以它是重要的有氧耐力运动。它可以加快体内的氧化还原反应,使身体获得更多的能量,从而提高运动性能。因此,运动后服用维生素可以帮助缓解疲劳症状,延缓运动性疲劳的发生。

为了使这个模型更有说服力的有氧运动疲劳检测性能,比较它与其他现有的经典算法。摘要F-measure价值,召回率,AUC(曲线下的面积)的价值,这些有氧运动疲劳检测算法将评估在ASD的图像数据库。结果如图8- - - - - -10。


图8
Accuracy-recall曲线。

图9
平均精度不同的models-recall率和F-measure价值。

图10
AUC值的不同模型的比较。

accuracy-recall曲线不同的模型如图8。本文模型可以实现0.96在大多数范围的召回率和精度明显优于大多数检测模型。文献[的检测效果18)是接近这个模型,检测性能只在部分地区略高召回率低。

许多独立的小区域和空白通常出现在关键的图像,这将影响移动对象的提取。因此,孤立的小区域的关键图像被删除的图像形态学方法,和在同一时间的一项空白。在二进制图像形态学处理,首先,孤立的小区域是被腐蚀操作,然后小缺口是由扩张操作。一方面,它能消除噪声,另一方面,它可以平滑图像,这样就可以完全检测移动目标。

图9显示了平均精度rate-recall率和f-measure不同模型的价值。可以看出,该方法的准确性和F-measure平均价值可以达到9.4和8.8,分别也比其他方法更好。

它已经建立,当人体参与高强度运动,强度主要是由中枢神经系统脉冲频率的增加(16),中枢神经系统不断发出高频脉冲在运动。由于光照的突然改变,颜色和纹理特征失去跟踪性能当行人通过照明区域。尽管边缘特性不受光照的影响,他们失去了有效性由于强干扰对象边缘阴影在照明领域,作为文献[21)所示。

尽管本节中的算法受到了同样的影响,还介绍了运动特性,有效区分行人从静态的背景,使跟踪算法在本节中可靠地跟踪目标在整个序列。

纹理特征是一个很好的补充当背景干扰。飞机的头部旋转时,突然改变颜色和纹理特性,而边缘特性可以有效地捕获头部的轮廓闭塞,没有显著改变。许多功能均有不同程度的影响在阻塞发生时由于各种位置和程度的阻塞,但融合后,保持稳定和有效的跟踪效果。

图10显示了不同模型的AUC值的比较。有氧运动疲劳检测可以简单地理解为二等分类问题,其目的是识别的目标从背景中。AUC值反映了该分类模型的性能。从图可以看出,该模型的AUC值略高于其他模型,达到了0.935。

从图可以看出,亮点出现在一些背景区域。这是因为没有内在联系的节点在后台区域图像,这使得检测算法无法有效区分背景区域和突出的对象。添加thegeodesic约束之后,边界地区之间的联系加强,一些明显的目标是没有检测到使用只有一层的邻居节点。这是因为你的邻居节点在第一层没有充分利用图像的空间信息,导致缺少一些有氧运动疲劳的目标检测。然而,如果所有图像节点被认为是邻居的节点,它将不仅增加的计算量,而且可以减少检测的效果。

磅公式的结果已经能够检测到显著的目标在这篇文章中,使用边界之前和测地线的限制的特点。背景标记节点然后选择活着,和接触边界明显的目标是尽可能最小化,使该方法更健壮。贝叶斯融合利用背景和前景之间的互补关系之前的信息有效地抑制背景噪声而一致强调的目标。

实验的结果表明,在信息熵原理应用到生物领域的有氧运动疲劳检测是可行的和有效的,它有效地改善和解决不规则运动的问题,在疲劳检测,检测速度慢的生物目标以及印证了熵的理论基础可以反映出移动目标的力量。该方法算法复杂度低,参数鲁棒性强,和优越的抗噪音的能力相比,传统的有氧运动疲劳检测方法。它是一个可靠的生物检测方法有氧运动疲劳,可以应用于生物识别、生物监测、和其他领域。

5。结论

有氧运动疲劳的检测是研究本文使用SE和标记技术,收集和处理人类步态加速度信号。TFD-SE是提出一种新的算法用于检测有氧运动疲劳。实验结果表明,使用entropy-related原则信息学检测有氧运动疲劳是可行的和有效的。卓越地图基于前景信息传播和基于背景信息传播特点地图都可以同时使用磅算法获得的。这个模型所产生的显著图可以有效地抑制背景噪声和突出特点目标一致和准确,视觉效果比较地图就证明了这一点。

脑电图和运动疲劳之间的关系只是广义上的探索。在未来做更多的研究和挖掘这一主题。

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

所有的作者没有任何可能的利益冲突。

确认

这项研究是2022年由河南大学重点科研项目指导项目:有氧运动对糖脂代谢的影响high-fat-fed脂肪chemerin基因敲除小鼠(没有。22 b890005)。