通过 HRV 预测运动 RPE

通过 HRV 预测 REP 核心文献为 2 篇。

1. 《Heart Rate Variability-Based Subjective Physical Fatigue Assessment》
2. 《Sports fatigue detection based on deep learning》

1.HRV 的相关指标

1.1.时域分析

名称	单位	描述
meanNN	ms	平均相邻正常心跳时间间隔
meanHR	1/min	平均心率
SDNN	ms	全部正常窦性心搏间期（NN）的标准差
RMSSD	ms	全程相邻NN间期之差的均方根值
SDANN	ms	分段先计算心跳间期的平均值，再计算平均间期的标准差
SDNNi	ms	上述标准差的平均值
NN50	count	每对相邻正常心跳时间间隔，差距超过50毫秒的数目
pNN50	%	间隔差距超过50毫秒的占比
HRVTi	-	相邻正常心跳间隔的总个数除以相邻正常心跳间隔直方图的高度
TINN	ms	使用最小方差法，求出全部NN间期的直方图近似三角形底边的宽度

目前已知：

1. HRVTi 减小，交感神经活动增强，副交感神经活动下降；

1.2.频域分析

名称	单位	描述
VLF	ms^2	极低频功率
LF	ms^2	低频功率
HF	ms^2	高频功率
LF/HF	-	比值
peakVLF	Hz
peakLF	Hz
peakHF	Hz

目前已知：

1. LF/HF 减小，反应了交感神经和副交感神经系统活动的均衡状态发生变化；

1.3.非线性分析

名称	单位	描述
sampen	-	两个序列在下一点保持相似的条件概率的负自然对数
SD1	ms	庞加莱图短轴
SD2	ms	庞加莱图长轴
SD1/SD2	-
Alpha	-	去波动趋势分析
Alpha1	-	短时程参数
Alpha2	-	长时程参数

目前已知：

1. SD1 反应的是短期、瞬时 RR（两个 R 波） 变化；
2. SD2 则是为长期的；
3. SD1/SD2 可代表交感神经与副交感神经的活性；
4. 运动强度越大 Alpha1 越低。

2.具体文献

两篇文献均是通过机器学习的方法，实现 HRV 数据预测运动期间的 REP。

前者，也就是《Heart Rate Variability-Based Subjective Physical Fatigue Assessment》，通过 Bruce 测试，具体内容见下：

Stage	Duration（min）	Speed	Incline（%）
rest	5	0	0
1	5	3	5
2	5	5	5
3	5	6.4	5
4	5	7.8	5
5	5	10.2	5
6	直到力竭	11.6	5

收集测试期间的心跳数据（ECG），并且在每隔阶段结束时，要求汇报 RPE。

这里的 RPE 采用的是 6-20 量表。

但最后会被划分为：

1. 6-10 为轻松；
2. 11-16 为有点累；
3. 17-20 为累。

最终呈现的数据格式为:

stage:
	duration:
	speed:
	incline:
heart: []
rpe:

后者《Sports fatigue detection based on deep learning》同为 Bruce 测试。

但每个阶段的具体运动速度/坡度/时间有调整，针对男女具体运动内容不同。

每个阶段改为 3 分钟，且每分钟都收集一次 RPE。同样采用 6-20 量表，但划分方式有点区别：

1. 6-11 为轻松；
2. 12-16 为有点累；
3. 17-20 为累。

前者在 31 个特征中筛选出 14 个特征，并最终选用 LightGBM 算法。

后者直接确认了 27 个特征，使用 Bi-LSTM 神经网络。

3.其它

除了使用 HRV 特征量外，还可以通过卷积（CNN）的方式来提取特征。参考：

1. 《Real-Time Detection of Acute Cognitive Stress Using a Convolutional Neural Network From Electrocardiographic Signal》
2. 《基于表面肌电信号能量核相图的卷积神经网络人体手势识别算法》