基于传感器融合和Hammerstein模型的非侵入式VO2估计方法及其在运动生物反馈控制中的应用

《IEEE Access》:Sensor Fusion-Based Identification of VO2 From Noninvasive Respiratory, Cardiac, and Exercise Rate Measurements Using a Hammerstein Model

【字体: 大 中 小 】 时间:2025年12月11日 来源:IEEE Access 3.6

编辑推荐:

  本研究针对传统氧耗量(VO2)测量需要昂贵气体分析设备的难题,开发了一种基于Hammerstein系统(HamS)的非侵入式估计方法。通过融合心率(HR)、呼吸率(RpR)和运动频率(ER)等多模态传感器数据,建立了动态VO2预测模型。实验显示在划船和骑行运动中拟合优度分别达到81%和79.5%,RMSE分别为0.8236 ml/min/kg和1.346 ml/min/kg。该方法为个性化运动处方制定提供了经济有效的技术方案,显著提升了运动监测的实用性和可及性。

  
在运动生理学研究领域,准确监测氧耗量(VO2)一直是评估运动强度的金标准。然而传统的VO2测量需要佩戴笨重的气体分析面罩,使用昂贵的代谢车设备,这种侵入式监测方式不仅成本高昂,还会影响运动员的自然运动状态。更棘手的是,现有基于单一心率(HR)的估计方法容易受到情绪、环境温度等非代谢因素的干扰,导致在动态运动过程中的预测精度大打折扣。
面对这些技术瓶颈,巴基斯坦Ghulam Ishaq Khan研究所的Dur-e-Zehra Baig团队另辟蹊径,将工程领域的系统辨识理论创新性地应用于生理信号处理。他们发现,在节奏性运动(如骑行、划船)中,身体运动的频率(运动频率,ER)与代谢需求之间存在稳定的动力学关系。基于这一发现,研究团队在《IEEE Access》上发表了题为"Sensor Fusion-Based Identification of VO2From Noninvasive Respiratory, Cardiac, and Exercise Rate Measurements Using a Hammerstein Model"的突破性研究。
该研究的核心技术方法融合了多模态传感技术与非线性系统建模。通过triaxial accelerometer(三轴加速度计)精确捕捉运动频率(ER),结合Polar心率带监测HR,MLT1130呼吸带 transducer(传感器)记录RpR,构建了三位一体的非侵入式监测系统。采用Hammerstein系统(HamS)框架建立动态模型,其中非线性静态模块处理信号间复杂关系,线性动态模块刻画生理响应时序特征。实验设计采用Pseudo-Random Binary Sequence(伪随机二进制序列)控制运动强度变化,确保模型能够捕捉完整的动态响应过程。
研究方法部分主要包含以下几个关键技术环节:
首先是多模态数据采集系统的构建,研究团队搭建了完整的计算机站(CS)平台,通过National Instruments DAQ62E数据采集系统同步接收来自三轴加速度计、心率监测器和呼吸传感器的信号。其次是基于个体生理参数的VO2计算模型,利用Harris-Benedict方程估算静息氧耗量(VO2rest),通过最大心率(HRmax=220-年龄)和静息心率推算最大摄氧量(VO2max)。最后是Hammerstein系统辨识流程,采用Prediction Error Method(预测误差法)优化模型参数,使用Sigmoid-net函数处理ER输入,Piecewise Linear(分段线性)函数处理△%HR和△RpR变化量。
III. IDENTIFICATION OF VO2ESTIMATOR
研究团队通过理论推导建立了相对摄氧量变化(△%VO2)的估算框架。关键创新在于将绝对生理参数转换为相对值:△%HR = %HRmeas- %HRrest,△%VO2= %VO2meas- %VO2rest。这种标准化处理有效消除了个体差异的影响。如图1所示的估算器结构包含两个核心环节:HamS模块负责计算△%VO2,后级加法器和乘法器将其转换为绝对VO2值。
A. COMPUTING RESTING AND MAXIMAL VO2
静息代谢计算采用性别差异化公式:男性VO2rest= 66.5 + 13.75×体重 + 5.03×身高 - 6.75×年龄;女性VO2rest= 655.1 + 9.56×体重 + 1.85×身高 - 4.68×年龄。最大摄氧量通过HRmax/HRrest比率法估算:VO2max= 15.33 × HRmax/HRrest。这些公式为模型提供了个体化参数基础。
B. CONFIGURING HAMMERSTEIN SYSTEM FOR △%VO2IDENTIFICATION
Hammerstein模型采用如图2所示的经典结构,静态非线性函数f(u)将输入向量u(n)=[ER, △%HR, △RpR]T映射到中间变量w(n),随后通过线性传递函数G(z)输出△%VO2。模型参数通过最小化预测误差平方和VN(G,f)进行优化。
C. EXPERIMENTAL EQUIPMENT AND PROTOCOL FOR DATA COLLECTION
实验设计涵盖设备平台搭建与受试者管理两个维度。硬件系统集成Tunturi卧式自行车(图3)和Concept2划船机(图4),通过计算机站统一控制。6名健康男性受试者(表1)在标准环境条件下完成测试,每位受试者进行包含休息、运动、恢复三个阶段的实验 protocol(方案),运动强度按表2设置四个等级。
数据采集过程采用PRBS信号(表3)控制运动强度切换,图5-8展示了骑行和划船过程中各生理参数的动态变化。结果显示ER与VO2之间存在显著相关性,且这种关系在较高运动强度下更为明显。
D. HamS IDENTIFICATION USING EXPERIMENTAL DATA
模型辨识采用两阶段策略:先通过ARX模型获得线性部分初始估计(表4-5),再采用PEM算法优化完整HamS结构。最终模型对骑行和划船运动的拟合优度分别达到79.5%和81%,验证了模型的有效性。
E. HamS VALIDATION AND ITS APPLICATION IN SELF-BIOFEEDBACK CONTROL
验证实验包含模型精度测试和生物反馈应用两个层面。如表6所示,模型在不同运动强度下均保持较高预测精度,且随强度增加性能提升。图9-10直观展示了VO2测量值与估计值的高度一致性。
自生物反馈系统(图11)实现方案采用三态控制逻辑:当VO2est低于目标值5%时加速运动,高于5%时减速,在±5%范围内保持当前节奏。实时实验结果显示(图12-13,表7),系统在稳态阶段控制效果显著,但在运动强度突变时存在一定的 transient response(瞬态响应)延迟。
IV. DISCUSSION
本研究通过工程方法成功解决了运动生理学领域的实际测量难题。与传统HR-VO2校准曲线相比,HamS模型不仅能准确预测稳态VO2,还能捕捉动态运动过程中的瞬态变化。引入ER作为主导输入变量是重要创新点,它有效克服了单一HR指标易受非代谢因素干扰的缺陷。
模型性能在两个方面表现突出:一是无需个体化校准即可实现跨被试的准确预测,二是计算效率满足实时生物反馈需求。不过研究也发现系统在运动强度快速变化阶段的控制精度有待提升,这主要源于传感器延迟和受试者反应时间等固有因素。
该技术的应用前景广阔:在个性化训练领域,可帮助运动员精确控制训练强度;在康复医学中,能为心血管疾病患者提供安全的运动监护方案;在大众健身领域,可开发智能健身指导系统。未来通过引入自适应控制算法和预测滤波技术,有望进一步提升系统在动态场景下的性能。
V. CONCLUSION
本研究证实了基于多传感器融合的Hammerstein系统在VO2估计中的有效性,为非侵入式运动监测提供了新颖的技术路径。该方法通过巧妙结合工程控制理论与生理学原理,实现了对复杂生理过程的有效建模。虽然目前在瞬态响应控制方面存在局限,但其在稳态调节中的优异表现已展现出巨大的应用潜力。随着可穿戴传感器技术的进步和算法优化,这种基于模型估计的生物反馈方法有望成为未来智能健身系统的核心技术支撑。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号