论文部分内容阅读
随着社会的发展,越来越多的人疲于工作、生活作息不规律、缺乏运动锻炼使得身体长期处于亚健康状态,因此适当的运动锻炼是非常重要的。在运动中实时了解自身肌肉疲劳状态,及时调整运动强度,可以有效提高锻炼的科学性。本文设计并搭建了一套人体疲劳状态智能识别系统,通过s EMG采集设备采集并处理跑步时腿部六块肌肉的表面肌电信号数据。将采集的数据通过主从蓝牙模块HC-05发送到PC端,在PC端加载已经训练好的疲劳判别模型对采集的s EMG数据进行疲劳判别,并将疲劳状态实时同步到云端数据库。制作手机终端APP用于实时疲劳状态,并对运动时间段疲劳状态的统计情况进行分析,给使用者提供合理的锻炼建议,提高使用者运动锻炼的科学性。采集强度较大的中长跑运动中腿部六块肌肉的表面肌电信号,并对数据集进行有效区间检测、数据成帧、数据缺省、数据标准化以及对数据帧按照0-500m、500-800m、800-1200、1200-1500m的跑步距离进行疲劳标签标注,以此为输入搭建基于CNN的深度学习模型与机器学习相结合的算法模型对采集的肌电信号进行疲劳状态分类训练,通过实验对比,CNN-RF模型分析疲劳状态效果最佳。该模型在测试集上可以进行较高精度的疲劳状态识别,正确识别率达到92%,相较于其他常用分类模型对于本文场景中的疲劳判别正确率更高。对数据集进行数据降维,可以在减少数据集中的噪声的同时,大幅度减少模型参数以及FLOPs,模型参数由1038.96M降为260.41M,并且FLOPs由5.192G降为1.299G,并且疲劳判别准确率提升为96%。对基于卷积神经网络的特征提取模型进行结构化剪枝,可以在对识别精度影响很小的前提下,对整体模型进行进一步压缩,实现模型的轻量化。制作手机终端APP,APP主要包括注册登录模块、状态显示模块、疲劳分析模块。并对整体疲劳判别系统的普适泛化能力进行实验测试,选取的受测人员均未参与模型训练数据采集实验。实现结果表明基于CNN-RF的系统模型识别准确率最高,为76.75%。经过分析总结人体运动疲劳状态智能识别系统可以在实际应用实时判别跑步时疲劳状态,但目前系统模型普适泛化能力欠佳,系统对于0状态和3状态的疲劳判别的准确率较高。