ANN、RNN 与 CNN 在运动信号方面的研究

ANN（MLP）

这里将 SVM 和 Random Forest 也包含在内。

1.《Influence mechanism of running sportswear fatigue based on BP neural network》

ANN，手动提取 EMG 信号特征预测疲劳。

2.《A Novel Method for Classification of Running Fatigue Using Change-Point Segmentation》

Random Forest，手动提取 EMG 信号特征预测疲劳。

3.《Sport-induced fatigue detection in gait parameters using inertial sensors and support vector machines》

SVM，手动提取 IMU 信号特征预测疲劳。

RNN

1.《Sports fatigue detection based on deep learning》

BiLSTM，手动提取 ECG 信号特征预测 RPE。

该文献不是直接采用原始 ECG 信号进行模型训练，而是先手动提取了 ECG 信号特征（HRV）。

可以看到原始信号和提取特征后的准确率：

文献还对比了 Random Forest、SVM 与 ANN 下面为准确率：

2.《Heart Rate Variability-Based Subjective Physical Fatigue Assessment》

LightGBM，手动提取 ECG 信号特征预测 RPE。

这篇文献是采用 LightGBM 处理时间序列，所以放在了 RNN 这里。本篇文献除了采用 LightGBM 外，还对比了 DT、KNN 与 SVM 的准确率：

CNN

1.《Real-Time Detection of Acute Cognitive Stress Using a Convolutional Neural Network From Electrocardiographic Signal》

CNN，通过 CNN 提取 ECG 信号特征预测急性认知压力。

文献使用了十层的简单 CNN 结构。

第一层是图像输入层。其大小为799×1×1，等于输入频带的大小；
第二层是卷积层，由六个 4×1×1 的滤波器组成，步幅为 1×1；
接下来是批量归一化层、ReLU 层和概率为 0.5 的 dropout 层；
接下来的三层是两个全连接层和它们之间的批量归一化层。两个全连接层的单元数量分别为十个和两个；
最后两层是 softmax 层和分类输出层，它们都有两个单元。

2.《Cardiologist-Level Arrhythmia Detection with Convolutional Neural Networks》

CNN，通过 CNN 提取 ECG 信号特征预测心律失常。

CNN 网络大致的结构都可以用下面图片展示：

3.《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》

CNN，通过 CNN 提取 EMG 信号特征预测手势。

组合模型

1.《A Deep Learning Approach for Fatigue Prediction in Sports Using GPS Data and Rate of Perceived Exertion》

CNN-GRU，通过 CNN 提取 IMU 信号特征，然后通过 GRU 训练预测 RPE。

2.《基于卷积长短时记忆网络的心律失常分类方法》

CNN-LSTM，该文献通过 CNN 提取 ECG 特征后，并不是直接交给 FC 层进行分类，而是再经过 LSTM 后再交给 FC 层进行 Softmax 分类。

3.《Dynamic gesture recognition based on LSTM-CNN》

与上面文献恰好相反，该文献的组合为 LSTM-CNN 识别 EMG 信号对应的手势。

模型由 2 个 LSTM 层、2 个一维卷积层和 1 个输出层组成。首先，通过 LSTM 层传递输入信号来提取时间信息。使用 2 个 LSTM 层，每个 LSTM 层有 52 个单元，每个单元有 64 个隐藏层。LSTM层的输出信号被输入到擅长特征提取的CNN层。具体来说，使用 2 个卷积层，第一层使用 65 个 3·1 卷积核，第二层卷积层使用 30 个 3·1 滤波器。

4.《基于深度学习并行网络模型的心律失常分类方法》

这篇文献的网络比较复杂。

一共采用了 3 种网络 DenseNet+BiLSTM+ECANet，最后采用 Softmax 对 ECG 信号进行分类。

DenseNet（CNN）

密集连接卷积神经网络，Densely connected convolutional network

BiLSTM（RNN）

双向长短时记忆网络，Bidirectional long short-term memory network

ECANet

高效通道注意力网络，Efficient channel attention network

5.《融合 CNN 和 BiLSTM 的心律失常心拍分类模型》

本文献融合了 CNN 和 BiLSTM 的神经网络。将经过正则化的大尺度心拍输入 Muti-BiLSTM 网络中，提取一维时序数据的全局特征；将经过正则化的小尺度心拍输入 CNN 网络提取心拍的局部特征。将大尺度特征和局部特征经过拼接后的向量输入到 3 层全连接网络中。全连接层的激活函数都是指数线性单元(exponential linear units, ELU)，最后通过 softmax 的激活函数实现心拍的分类。