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:

1
2
3
4
5
6
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》

通过 HRV 预测运动 RPE
https://wonderhoi.com/2023/12/15/通过-HRV-预测运动-RPE/
作者
wonderhoi
发布于
2023年12月15日
许可协议