基于心率变异性的体育锻炼负荷强度实时监测研究

2021-06-24方晓峰

赤峰学院学报·自然科学版 2021年4期

方晓峰

摘要：以准确、实时监测体育锻炼负荷强度为目标，研究基于心率变异性的体育锻炼负荷强度实时监测方法。首先使用基于改进小波阈值函数的心率变异性信号去噪算法，去除心率变异性信号中噪声信号;然后使用基于多尺度基本尺度熵和希尔伯特边际谱熵的特征提取方法，提取去噪后心率变异性信号的波动特征;最后将所提取的特征信息作为基于支持向量机的体育锻炼负荷强度实时监测方法的监测数据样本，衡量体育锻炼负荷强度是否超标，实现体育锻炼负荷强度监测。研究结果显示：所提方法对多个运动员体育锻炼负荷强度监测结果的准确率高达95%，监测结果的Kappa系数显示具有完全一致性;在监测体育锻炼负荷强度是否超标时，监测延迟时间最大值是0.15s，时间极短。

关键词：心率变异性;体育锻炼;负荷强度监测;改进小波阈值;特征提取;支持向量机

中图分类号：R-331;G806 文献标识码：A 文章编号：1673-260X（2021）04-0059-05

1 引言

体育锻炼中，运动训练主要是为了提升运动员竞技能力与运动成绩，运动训练最为关键的调控内容就是体育锻炼负荷[1，2]。伴随运动员竞技水平逐渐增强，体育锻炼的精细化控制十分关键，而因为运动员个体存在差异性，就算是同一训练负荷，不同运动员的身体内部负荷也存在一定差异[3]。研究一些能够高精度体现运动员内部负荷的生理指标，为教练员设置个性化训练方案，优化训练水平十分重要[4，5]。当下国内外评估训练负荷的指标大多是心率、血乳酸。心率、血乳酸即使能够十分客观地评估运动负荷强度，但是未能量化负荷状态。

近年来，心率变异性分析成为自主神经兴奋性的常用监测方法，心理变异指标对疲劳、心理以及生理等反应十分敏感，能够在差异运动员体育锻炼负荷强度监测中使用[6]。

综上所述，提出了心率变异性的体育锻炼负荷强度实时监测方法，以期为运动生理学提供应用方法。

2 基于心率变异性的体育锻炼负荷强度实时监测方法

2.1 基于改进小波阈值函数的心率变异性信号去噪算法

心率变异性信号采集过程中难免存在一定程度的噪声信号，这对心率变异性信号纯净度存在一定影响[7]。设置一个存在有限长度的含噪心率变异性信号是f（k），将f（k）实施小波变换，获取i层h点位置的分解小波系数i，h。按照小波变换的稀疏性与去相关性，通过小波变换后，有用信号能量将聚集在小波域有限小波系数里，噪声能量聚集在整个小波域里[8-10]。选择合适阈值并设置合理阈值对分解后小波系数？覣i，h实施阈值量化处理后，将处理完毕的小波系数i，h实施小波逆变换重构，便可实现心率变异性信号去噪。

阈值函数属于小波系数阈值量化处理的核心因素，直接影响重构信号的精度与连续性，以往常用的阈值函数分别是硬阈值、软阈值，详情如下式：

综上所述，基于改进小波阈值函数的心率变异性信号去噪算法的步骤是：

（1）将心率变异性信号实施小波分解，获取每层小波系数？覣i，h。

（2）估计噪声，设置每层阈值，使用改进阈值函数将小波数？覣i，h实施阈值量化处理，获取处理后小波系数i，h。

（3）将处理后小波系数i，h实施重构获取去噪后心率变异性信号r（k）。

2.2 基于多尺度基本尺度熵和希尔伯特边际谱熵的特征提取方法

2.2.1 多尺度基本尺度熵提取

综上所述，本文使用基于多尺度基本尺度熵和希尔伯特边际谱熵的特征提取方法，可以获取去噪后心率变异性信号的波动特征，将此特征整理为一个数据样本，作为2.3小节的测试样本。

2.3 基于支持向量机的体育锻炼负荷强度实时监测方法

在通过2.2小节所提取的心率变异性信号波动特征监测体育锻炼负荷强度时，若存在k个特征样本G（g，t），那么，使用支持向量机分类体育锻炼负荷强度时的最优超平面是：

通过此决策函数，便可实现体育锻炼负荷强度分类，完成体育锻炼负荷强度监测。

3 实验结果

MIT-BIH数据库里存储大量心律失常的数据，为测试本文方法应用效果，使用本文方法在MATLAB仿真平台中进行测试，主要应用MIT-BIH数据库里8个运动员的心率数據作为本文方法测试数据。

3.1 心率变异性信号去噪效果

为测试本文方法在监测体育锻炼负荷强度时，对运动员心率变异性信号去噪效果，使用信噪比SNR、均方根误差RMSE、两个指标进行衡量。计算方法分别是：

其中，M是信号长度;j是去噪次数。

本文方法的去噪效果如图1、图2所示。

图1、图2显示，本文方法在监测体育锻炼负荷强度时，对运动员心率变异性信号去噪后，心率变异性信号的信噪比高于0.9;去噪后心率变异性信号与原信号的均方根误差低于0.2，和心率变异性原信号信息不存在较大偏差。则本文方法在监测体育锻炼负荷强度时，对运动员心率变异性信号去噪效果较好，本文为方法可提升心率变异性信号纯度。

3.2 心率变异性信号特征提取效果

使用查全率测试本文方法对运动员心率变异性信号特征提取效果。查全率（pecision）计算方法是：

其中，本文方法准确提取的心率变异性信号特征量是Uij;Ui是心率变异性信号特征量总数。

本文方法对运动员心率变异性信号特征的查全率测试结果如图3所示。

图3显示，本文方法对运动员心率变异性信号特征提取后，心率变异性信号特征查全率大于95%，由此可知，本文方法在监测体育锻炼负荷强度时，对运动员心率变异性信号特征的提取效果极好。

3.3 体育锻炼负荷强度监测效果

在经过心率变异性信号去噪、心率变异性信号特征提取之后，本文方法对8个运动员的体育锻炼负荷强度监测结果如表1所示。

表1显示，本文方法对8个运动员体育锻炼负荷强度监测结果与MIT-BIH数据库中所记载的实际情况一致，表示本文方法能够准确监测运动员体育锻炼负荷强度。

为进一步验证本文方法监测结果的可信度，测试本文方法对运动员体育锻炼负荷强度监测结果的准确率（accuracy）、Kappa系数。准确率（accuracy）、Kappa系数运算方法如下：

其中，TP是被正确监测负荷强度的运动员数量;TN是被错误监测负荷强度的运动员数量;M是运动员数量总值;p0、pe分别是监测准确率与监测错误率。

Kappa系数的分析标准如表2所示。

本文方法监测结果的准确率与Kappa系数测试结果如图4、表3所示。

图4、表3显示，本文方法对多个运动员体育锻炼负荷强度监测结果的准确率高达95%，监测结果的Kappa系数显示具有完全一致性，表示本文方法监测结果可信。

在MATLAB仿真平台中，随机提取1位运动员的心率变异性数据作为测试数据，测试本文方法在监测此运动员体育锻炼负荷强度的实时性，结果如表4所示。

表4显示，本文方法在监测此运动员体育锻炼负荷强度是否超标时，监测延迟时间最大值是0.15s，时间极短，验证本文方法可实时监测运动员体育锻炼负荷强度情况。

4 结论

以往在监测体育锻炼负荷强度问题时，通过整理锻炼数据、分析锻炼数据的过程实现体育锻炼负荷强度监测。因数据量较大，人工分析难度较大。本文提出基于心率变异性的体育锻炼负荷强度实时监测方法，并通过实验验证其应用效果。经验证，本文方法在监测体育锻炼负荷强度时，对运动员心率变异性信号去噪效果、运动员心率變异性信号特征提取效果都极为显著，并且可以实时，准确地监测体育锻炼负荷强度。

参考文献：

〔1〕赵海燕，王林霞，赵德峰，等.心率变异性指标RMSSD和TL_（HRV）在持续性运动训练负荷监控中的有效性研究[J].中国运动医学杂志，2018，37（06）：461-467.

〔2〕王梁，申占全，黄俊朋，等.基于Player LoadTM及IMA的篮球训练与比赛负荷监控[J].广州体育学院学报，2018，38（01）：73-76，128.

〔3〕冯锐，陈小平，蔡旭旦.基于Accelerometer及GPS的中国优秀男子曲棍球运动员比赛负荷的研究[J].中国体育科技，2018，54（06）：59-67.

〔4〕李聪颖，邵壮壮，封少帅，等.自行车骑行者生理，心理与综合负荷感知模型[J].交通运输工程学报，2020，20（01）：181-191.

〔5〕甘永进，郑金存，李琼，等.基于反射式检测方法的多生理参数测量研究[J].电子器件，2018，41（02）：512-515.

〔6〕赵荣建，汤敏芳，陈贤祥，等.基于光纤传感的生理参数监测系统研究[J].电子与信息学报，2018，40（09）：2182-2189.

〔7〕王倩，陶晋宜.一种基于欧拉的非接触式检测生理参数的加速方法[J].数学的实践与认识，2020， 50（07）：154-160.

〔8〕李浩，吴综，陈真诚，等.基于Android平台的心率变异性检测系统[J].航天医学与医学工程，2017， 30（02）：98-102.

〔9〕王贝，赵德峰，赵海燕，等.便携式能量消耗测试仪SenseWear Armband估测职业女子足球运动员运动能量消耗的有效性[J].中国运动医学杂志，2017，36（03）：243-247.

〔10〕陈欣键，姜飞，申瑞民，等.基于区域与分类回归融合的AU强度估计算法[J].计算机工程，2019， 45（01）：186-191.

〔11〕郭继昌，邱琳耀，张雪.一种利用预测运动矢量改进的H.264快速运动估计算法[J].数据采集与处理，2017，32（02）：278-285.