多模态生物特征融合用于运动表现优化：动态多传感器融合分类器（DMSFC）的验证与比较评估

《SLAS Technology》：Multi-Modal Biometric Fusion for Athletic Performance Optimization: Clinical Validation of the Dynamic Multi-Sensor Fusion Classifier (DMSFC)

　　

将实时生物特征监测整合到运动科学中，对于优化运动表现和降低损伤风险日益重要。然而，许多现有系统在准确融合多个生物特征来源数据方面的能力有限。本研究评估了动态多传感器融合分类器（Dynamic Multisensor Fusion Classifier，DMSFC），用于分析从多种生物特征模态采集的生理与功能数据，包括心电图（electrocardiography，ECG）、指纹测量和面部识别。研究人员开发了基于DMSFC的多模态生物特征框架，用于监测并分类精英运动员的关键健康与表现指标。评估变量包括心率（heart rate，HR）、氧饱和度（oxygen saturation，SpO₂）、血压（blood pressure，BP）、柔韧性、肌肉力量和耐力能力。采用准确性（accuracy）、敏感性（sensitivity）、特异性（specificity）和受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）评估分类器性能。实施所提出的监测框架后，观察到所评估的表现与健康指标改善。平均心率从78次/分降至66次/分，氧饱和度从98%略升至99%。血压从120/80 mmHg降至110/70 mmHg。柔韧性从32 cm改善至36 cm，肌肉力量从105磅增至122磅，耐力能力从20 min增至24 min。在评估的分类器中，DMSFC表现出最强的总体性能（即准确性0.94、敏感性0.91、特异性0.96、AUC 0.97）。这些发现提示，DMSFC可能能够为运动科学中的多模态生物特征分析提供有效框架。其应用可能支持运动员评估、促进个体化训练方案制定，并有助于损伤预防策略。由于所报告的生理变化是在实施该框架后观察到的，仍需进一步对照研究以确定这些变化是由监测系统、相关运动方案还是其他因素所致。

近年来，可穿戴传感与生物特征技术的发展使运动科学能够对运动员表现和生理状态进行连续、客观和个体化监测。多模态测量可同时反映心血管功能、神经肌肉活动、运动效率、训练负荷及个体生理特征，有助于评估疲劳、恢复、表现能力与损伤易感性。然而，许多现有运动员监测系统仍将生理状态评估与生物特征识别分开处理，常对单一信号独立分析，难以利用不同传感模态之间的互补信息；基于单一ECG或运动数据的系统还可能受到运动强度、环境条件、传感器位移和个体差异影响。因此，研究人员提出并评估动态多传感器融合分类器（Dynamic Multi-Sensor Fusion Classifier，DMSFC），将ECG、指纹和面部识别数据与生理及表现指标整合，以实现运动员识别与生理状态评估的统一分析，并采用准确性、敏感性、特异性和AUC评价其性能。研究在实施DMSFC监测框架后观察到多项生理与功能指标改善，并报告DMSFC在比较分类器中表现最强，提示其可能为运动科学中的多模态生物特征分析、运动员评估、个体化训练和损伤预防提供决策支持；但原文也指出，所报告生理变化发生在框架实施之后，尚需对照研究明确其因果来源。

关键技术方法可概括为：同步采集ECG、指纹和面部数据，并以时间戳和会话ID进行时间对齐；对ECG进行0.5–40 Hz带通滤波、QRS/R峰检测、RR间期提取、心率变异性（heart rate variability，HRV）时域与频域分析及形态特征提取；对指纹和面部数据提取结构或图像特征；采用混合互信息熵（Hybrid Mutual Information Entropy，HMIEC）进行方法保留式与跨方法关联的特征选择；以支持向量机（support vector machine，SVM）、决策树和神经网络作为基分类器，并进行决策级融合；采用受试者独立10折交叉验证评估DMSFC与HMIEC，采用受试者独立训练-测试划分评估常规分类器。样本来源为School of Physical Education, Baoshan University伦理批准（编号20210190）的运动员队列，参与者符合正常生理状态、规律结构化训练且无急性损伤等标准，并接受多次监测会话；识别结果部分仅涉及4名运动员。

3.1 生理与表现结局：通过DMSFC监测训练项目实施前后的比较，心率由78降至66次/分（?12；?15.4%），体温由37.0°C降至36.5°C，血压由120/80 mmHg降至110/70 mmHg，肌肉力量由105 lbs增至122 lbs，SpO₂由98%升至99%，柔韧性由32 cm增至36 cm，耐力由20 min增至24 min。作者将上述结果解释为观察到的适应，而非因果证据，因为研究未设置非训练对照组。

3.2 心血管与血流动力学适应：静息心率下降12次/分（15.4%），收缩压和舒张压均下降10 mmHg，提示监测训练期后心血管效率改善；原文认为这与规律训练改善自主调节及有氧运动降低静息血压的既有证据一致，但基线体能、运动强度、营养状态和测量变异未被单独控制，故应谨慎解释改善程度。

3.3 呼吸与体温调节反应：SpO₂由98%升至99%，提示监测期间氧合维持；但1%的绝对变化受传感器准确性、外周灌注、运动和环境条件影响，可能反映生理稳定而非氧运输能力的临床意义改善。静息体温下降0.5°C，也需谨慎解释，因为体温受环境、水合、昼夜节律和测量技术影响。

3.4 神经肌肉与功能表现适应：柔韧性增加4 cm（12.5%），肌肉力量增加17 lbs（16.2%），耐力增加4 min（20%）。原文将这些改善与拉伸、抗阻和有氧训练适应证据相联系，但柔韧性采用单一表现指标且无对照组，应视为训练相关变化而非DMSFC确认效应；研究未量化训练负荷、强度分布、营养和恢复状态，具体生理机制不能确认。作者认为DMSFC指导的训练方法与神经肌肉、心血管、呼吸和体温调节领域的有利变化相关，但需更大样本、纵向、对照、重复测量和独立验证。

3.5 多模态生物识别性能：通过ECG、指纹和面部识别整合进行运动员识别，成功定义为三个生物特征通道均识别。运动员A01和A04均为3/3成功（100%），A02为2/3成功（66.67%，指纹和面部成功而ECG未成功），A03为1/3成功（33.33%，仅ECG成功）；12个运动员-方法组合中9个成功，方法层面总体成功率为75%。结果说明多模态整合具有互补性，单一方法不能识别所有运动员；但评估仅涉及4名运动员，只能证明概念可行性，不能建立人群层面可靠性，未来需更大样本、重复测量及不同环境和活动条件评估。

3.6 DMSFC比较分类性能：比较评估显示DMSFC在准确性、敏感性、特异性和AUC上均最高，分别为0.94、0.91、0.96和0.97；HMIEC为0.92、0.89、0.94和0.95；决策树为0.85、0.82、0.88和0.89；神经网络为0.91、0.88、0.93和0.94；SVM为0.80、0.50、0.91和0.92。原文报告DMSFC较HMIEC各指标绝对提高0.02，相对提高约2.1%–2.2%；较决策树准确性提高0.09（约10.6%），较SVM准确性提高0.14（约17.5%）；敏感性方面DMSFC为0.91而SVM为0.50，绝对提高0.41，提示SVM虽保持较高特异性和AUC，但漏检阳性事件风险较高。AUC 0.97提示优良的分类分离能力。作者认为一致改善可能源于多分类器与多传感器特征整合，但不能完全排除过拟合，因缺乏外部验证、独立测试数据和跨人群评估。

3.7 局限性与未来方向：本研究样本运动员数量有限，仅评估ECG、指纹和面部识别三种生物特征方法；尽管DMSFC优于HMIEC、决策树、神经网络和SVM，仍需在更大、更异质运动员人群中验证其泛化性和稳健性。评估主要集中于准确性、敏感性、特异性和AUC，未研究计算效率、实时处理性能和连续监测条件下的可扩展性；未来还需在不同运动项目、训练环境、传感器配置和更长监测周期中评估。

讨论部分总结：原文强调，DMSFC监测训练项目后观察到的心血管、呼吸、体温调节和神经肌肉变化应解释为训练相关适应，不能直接归因于DMSFC系统；多模态生物特征整合可通过ECG、指纹和面部的互补信息提高运动员识别稳健性；DMSFC在多项分类指标上优于HMIEC及常规分类器，但受样本量小、缺乏外部验证和实时性能评估等限制。研究结论翻译：在本研究中，DMSFC为同时进行运动员识别和生理状态评估提供了有前景的框架。研究发现，DMSFC监督的训练项目与有利的心血管、呼吸、体温调节和神经肌肉适应相关。此外，多模态生物特征整合通过结合ECG、指纹和面部识别方法的互补信息改善了运动员识别。比较评估显示，DMSFC在准确性、敏感性、特异性和AUC方面持续优于HMIEC、决策树、神经网络和SVM。总体而言，这些发现支持DMSFC作为个体化运动员监测、训练优化和损伤预防的可靠决策支持框架的潜力；然而，仍需在更大和更多样的运动人群中进一步验证。