基于运动后心脏活动机器学习分析的体力负荷水平预测
机器学习
2019-12-23 v1 信号处理
机器学习
摘要
现实生活中能量消耗的评估对于监测人们当前的身体状态具有重要意义，尤其在工作、运动、养老、医疗乃至日常生活中。本工作报道了若干机器学习方法（线性回归、线性判别分析、k 近邻、决策树、随机森林、高斯朴素贝叶斯、支持向量机）在运动员能量消耗监测中的应用。分类问题为：依据训练后短时间（仅 1 分钟）内测得的心率活动特征（即运动后负荷特征）预测已知的运动中负荷水平（按卡路里分为三类）。所得结果表明，运动后心脏活动特征保留了运动中训练负荷的信息，并使我们能够预测其实际的运动中水平。最佳性能可由随机森林分类器配合全部 8 个心率特征（微平均曲线下面积 AUCmicro = 0.87，宏平均 AUCmacro = 0.88）以及 k 近邻分类器配合 4 个最重要心率特征（AUCmicro = 0.91，AUCmacro = 0.89）取得。文中概述了所用机器学习方法的局限性与前景，并就其改进与实施以更好预测运动中能量消耗提出了一些实用建议。
引用
@article{arxiv.1912.09848,
title = {Prediction of Physical Load Level by Machine Learning Analysis of Heart Activity after Exercises},
author = {Peng Gang and Wei Zeng and Yuri Gordienko and Oleksandr Rokovyi and Oleg Alienin and Sergii Stirenko},
journal= {arXiv preprint arXiv:1912.09848},
year = {2019}
}
备注
6 pages, 8 figures, 3 tables; preprint of paper for 2019 IEEE Symposium Series on Computational Intelligence (SSCI), December 6-9 2019, Xiamen, China