基于心率變異性的體育鍛煉負荷強度實時監測研究

方曉峰

摘 要：以準確、實時監測體育鍛煉負荷強度為目標，研究基于心率變異性的體育鍛煉負荷強度實時監測方法。首先使用基于改進小波閾值函數的心率變異性信號去噪算法，去除心率變異性信號中噪聲信號;然后使用基于多尺度基本尺度熵和希爾伯特邊際譜熵的特征提取方法，提取去噪后心率變異性信號的波動特征;最后將所提取的特征信息作為基于支持向量機的體育鍛煉負荷強度實時監測方法的監測數據樣本，衡量體育鍛煉負荷強度是否超標，實現體育鍛煉負荷強度監測。研究結果顯示：所提方法對多個運動員體育鍛煉負荷強度監測結果的準確率高達95%，監測結果的Kappa系數顯示具有完全一致性;在監測體育鍛煉負荷強度是否超標時，監測延遲時間最大值是0.15s，時間極短。

關鍵詞：心率變異性;體育鍛煉;負荷強度監測;改進小波閾值;特征提取;支持向量機

中圖分類號：R-331;G806 ?文獻標識碼：A ?文章編號：1673-260X（2021）04-0059-05

1 引言

體育鍛煉中，運動訓練主要是為了提升運動員競技能力與運動成績，運動訓練最為關鍵的調控內容就是體育鍛煉負荷[1，2]。伴隨運動員競技水平逐漸增強，體育鍛煉的精細化控制十分關鍵，而因為運動員個體存在差異性，就算是同一訓練負荷，不同運動員的身體內部負荷也存在一定差異[3]。研究一些能夠高精度體現運動員內部負荷的生理指標，為教練員設置個性化訓練方案，優化訓練水平十分重要[4，5]。當下國內外評估訓練負荷的指標大多是心率、血乳酸。心率、血乳酸即使能夠十分客觀地評估運動負荷強度，但是未能量化負荷狀態。

近年來，心率變異性分析成為自主神經興奮性的常用監測方法，心理變異指標對疲勞、心理以及生理等反應十分敏感，能夠在差異運動員體育鍛煉負荷強度監測中使用[6]。

綜上所述，提出了心率變異性的體育鍛煉負荷強度實時監測方法，以期為運動生理學提供應用方法。

2 基于心率變異性的體育鍛煉負荷強度實時監測方法

2.1 基于改進小波閾值函數的心率變異性信號去噪算法

心率變異性信號采集過程中難免存在一定程度的噪聲信號，這對心率變異性信號純凈度存在一定影響[7]。設置一個存在有限長度的含噪心率變異性信號是f（k），將f（k）實施小波變換，獲取i層h點位置的分解小波系數i，h。按照小波變換的稀疏性與去相關性，通過小波變換后，有用信號能量將聚集在小波域有限小波系數里，噪聲能量聚集在整個小波域里[8-10]。選擇合適閾值并設置合理閾值對分解后小波系數？覣i，h實施閾值量化處理后，將處理完畢的小波系數i，h實施小波逆變換重構，便可實現心率變異性信號去噪。

閾值函數屬于小波系數閾值量化處理的核心因素，直接影響重構信號的精度與連續性，以往常用的閾值函數分別是硬閾值、軟閾值，詳情如下式：

綜上所述，基于改進小波閾值函數的心率變異性信號去噪算法的步驟是：

（1）將心率變異性信號實施小波分解，獲取每層小波系數？覣i，h。

（2）估計噪聲，設置每層閾值，使用改進閾值函數將小波數？覣i，h實施閾值量化處理，獲取處理后小波系數i，h。

（3）將處理后小波系數i，h實施重構獲取去噪后心率變異性信號r（k）。

2.2 基于多尺度基本尺度熵和希爾伯特邊際譜熵的特征提取方法

2.2.1 多尺度基本尺度熵提取

綜上所述，本文使用基于多尺度基本尺度熵和希爾伯特邊際譜熵的特征提取方法，可以獲取去噪后心率變異性信號的波動特征，將此特征整理為一個數據樣本，作為2.3小節的測試樣本。

2.3 基于支持向量機的體育鍛煉負荷強度實時監測方法

在通過2.2小節所提取的心率變異性信號波動特征監測體育鍛煉負荷強度時，若存在k個特征樣本G（g，t），那么，使用支持向量機分類體育鍛煉負荷強度時的最優超平面是：

通過此決策函數，便可實現體育鍛煉負荷強度分類，完成體育鍛煉負荷強度監測。

3 實驗結果

MIT-BIH數據庫里存儲大量心律失常的數據，為測試本文方法應用效果，使用本文方法在MATLAB仿真平臺中進行測試，主要應用MIT-BIH數據庫里8個運動員的心率數據作為本文方法測試數據。

3.1 心率變異性信號去噪效果

為測試本文方法在監測體育鍛煉負荷強度時，對運動員心率變異性信號去噪效果，使用信噪比SNR、均方根誤差RMSE、兩個指標進行衡量。計算方法分別是：

其中，M是信號長度;j是去噪次數。

本文方法的去噪效果如圖1、圖2所示。

圖1、圖2顯示，本文方法在監測體育鍛煉負荷強度時，對運動員心率變異性信號去噪后，心率變異性信號的信噪比高于0.9;去噪后心率變異性信號與原信號的均方根誤差低于0.2，和心率變異性原信號信息不存在較大偏差。則本文方法在監測體育鍛煉負荷強度時，對運動員心率變異性信號去噪效果較好，本文為方法可提升心率變異性信號純度。

3.2 心率變異性信號特征提取效果

使用查全率測試本文方法對運動員心率變異性信號特征提取效果。查全率（pecision）計算方法是：

其中，本文方法準確提取的心率變異性信號特征量是Uij;Ui是心率變異性信號特征量總數。

本文方法對運動員心率變異性信號特征的查全率測試結果如圖3所示。

圖3顯示，本文方法對運動員心率變異性信號特征提取后，心率變異性信號特征查全率大于95%，由此可知，本文方法在監測體育鍛煉負荷強度時，對運動員心率變異性信號特征的提取效果極好。

3.3 體育鍛煉負荷強度監測效果

在經過心率變異性信號去噪、心率變異性信號特征提取之后，本文方法對8個運動員的體育鍛煉負荷強度監測結果如表1所示。

表1顯示，本文方法對8個運動員體育鍛煉負荷強度監測結果與MIT-BIH數據庫中所記載的實際情況一致，表示本文方法能夠準確監測運動員體育鍛煉負荷強度。

為進一步驗證本文方法監測結果的可信度，測試本文方法對運動員體育鍛煉負荷強度監測結果的準確率（accuracy）、Kappa系數。準確率（accuracy）、Kappa系數運算方法如下：

其中，TP是被正確監測負荷強度的運動員數量;TN是被錯誤監測負荷強度的運動員數量;M是運動員數量總值;p0、pe分別是監測準確率與監測錯誤率。

Kappa系數的分析標準如表2所示。

本文方法監測結果的準確率與Kappa系數測試結果如圖4、表3所示。

圖4、表3顯示，本文方法對多個運動員體育鍛煉負荷強度監測結果的準確率高達95%，監測結果的Kappa系數顯示具有完全一致性，表示本文方法監測結果可信。

在MATLAB仿真平臺中，隨機提取1位運動員的心率變異性數據作為測試數據，測試本文方法在監測此運動員體育鍛煉負荷強度的實時性，結果如表4所示。

表4顯示，本文方法在監測此運動員體育鍛煉負荷強度是否超標時，監測延遲時間最大值是0.15s，時間極短，驗證本文方法可實時監測運動員體育鍛煉負荷強度情況。

4 結論

以往在監測體育鍛煉負荷強度問題時，通過整理鍛煉數據、分析鍛煉數據的過程實現體育鍛煉負荷強度監測。因數據量較大，人工分析難度較大。本文提出基于心率變異性的體育鍛煉負荷強度實時監測方法，并通過實驗驗證其應用效果。經驗證，本文方法在監測體育鍛煉負荷強度時，對運動員心率變異性信號去噪效果、運動員心率變異性信號特征提取效果都極為顯著，并且可以實時，準確地監測體育鍛煉負荷強度。

參考文獻：

〔1〕趙海燕，王林霞，趙德峰，等.心率變異性指標RMSSD和TL_（HRV）在持續性運動訓練負荷監控中的有效性研究[J].中國運動醫學雜志，2018，37（06）：461-467.

〔2〕王梁，申占全，黃俊朋，等.基于Player LoadTM及IMA的籃球訓練與比賽負荷監控[J].廣州體育學院學報，2018，38（01）：73-76，128.

〔3〕馮銳，陳小平，蔡旭旦.基于Accelerometer及GPS的中國優秀男子曲棍球運動員比賽負荷的研究[J].中國體育科技，2018，54（06）：59-67.

〔4〕李聰穎，邵壯壯，封少帥，等.自行車騎行者生理，心理與綜合負荷感知模型[J].交通運輸工程學報，2020，20（01）：181-191.

〔5〕甘永進，鄭金存，李瓊，等.基于反射式檢測方法的多生理參數測量研究[J].電子器件，2018，41（02）：512-515.

〔6〕趙榮建，湯敏芳，陳賢祥，等.基于光纖傳感的生理參數監測系統研究[J].電子與信息學報，2018，40（09）：2182-2189.

〔7〕王倩，陶晉宜.一種基于歐拉的非接觸式檢測生理參數的加速方法[J].數學的實踐與認識，2020， 50（07）：154-160.

〔8〕李浩，吳綜，陳真誠，等.基于Android平臺的心率變異性檢測系統[J].航天醫學與醫學工程，2017， 30（02）：98-102.

〔9〕王貝，趙德峰，趙海燕，等.便攜式能量消耗測試儀SenseWear Armband估測職業女子足球運動員運動能量消耗的有效性[J].中國運動醫學雜志，2017，36（03）：243-247.

〔10〕陳欣鍵，姜飛，申瑞民，等.基于區域與分類回歸融合的AU強度估計算法[J].計算機工程，2019， 45（01）：186-191.

〔11〕郭繼昌，邱琳耀，張雪.一種利用預測運動矢量改進的H.264快速運動估計算法[J].數據采集與處理，2017，32（02）：278-285.

〔12〕彭良廣，龐宇，王元發，等.多導聯心電信號特征檢測系統的設計[J].計算機工程與設計，2020，41（03）：896-901.

〔13〕李松斌，楊潔，劉鵬，等.基于關聯網絡模型的H.264/AVC運動矢量調制信息隱藏檢測方法[J].應用科學學報，2019，37（05）：663-672.

〔14〕王丹丹，張磊，吳雪萍.應用運動傳感器量化監測智力障礙者的身體活動水平[J].中國組織工程研究，2018，22（36）：5889-5896.

〔15〕李紅利，于軍，肖磊，等.一種可穿戴多生理信號采集系統[J].天津工業大學學報，2019，038（002）：57-61.