论文部分内容阅读
随着当前各国大力发展军事装备与技术,士兵系统的出现对士兵能够提出了很高的要求。因此,对单兵在运动过程中能量消耗和心理状态的评估具有广阔的发展空间。但是,传统的能量消耗预测和心理状态评估方法造价高,应用范围受限,精确度不够。因此,寻找一种低成本、应用范围广、准确、有效的评估方法来实时地测量士兵在运动过程中的能量消耗和心理状态,具有十分重要的现实意义,同时对士兵的各项训练具有十分科学的指导作用。本文选取了15名男性陆军士兵,分别获取了他们的心率、呼吸率、加速度、摄氧量和ECG信号,分别建立了这15名士兵能量消耗预测模型和心理状态评估模型。通过仿真分析,模型误差远小于传统方法,验证了该模型的可实施性与有效性,为后续其他士兵运动状态评估提出了一种新的方法。本文主要内容如下:首先,分析了目前常用的几种极限学习机:增量型极限学习机(I-ELM)和正交增量型极限学习机(OI-ELM),针对他们的不足,在正交增量型极限学习机的基础上,提出一种改进的正交增量型极限学习机(EOI-ELM),解决了原有的算法无法减少无效节点的问题,同时,通过仿真实验验证,EOI-ELM算法比OI-ELM算法具有更高的准确性、稳定性以及泛化能力。其次,基于EOI-ELM算法,提出了一种利用生理参数对士兵能量消耗进行预测的模型。通过士兵生理信息采集正交实验的设计,获得士兵在运动过程中的心率、呼吸率、皮温、加速度,以这些参数作为输入,摄氧量为输出,对士兵能量消耗进行预测,通过与传统能量消耗预测方法的比较,其预测误差有效减小,验证了该方法的有效性和准确性,也说明了EOI-ELM可以实现对士兵能量消耗的预测。然后,通过对士兵运动过程中的ECG信号进行小波阈值去噪,提取R波,得到士兵的心率变异性数据。选取HRV时域分析、频域分析和非线性分析中的特征作为输入,士兵的压力感受为输出,在EOI-ELM算法的分类功能,建立了士兵心理状态评估模型。通过与心理状态评估单一分析方法的比较,其正确率能达到90%以上,验证了该方法相对于单一分析方法的优势。最后,本文还设计了低负荷人体灵活度测试系统和士兵状态评估系统,结合这两套系统,可以在低负荷状态下,测量士兵的能量消耗和心理状态,实现对士兵训练的科学指导作用。