基于机器学习的ECG分析及数据增强技术，用于检测老年人的疲劳状态

《Scientific Reports》：Machine learning based ECG analysis with data augmentation for fatigue status detection in elderly individuals

　　

摘要

对老年人进行疲劳检测对于预防健康问题并提升生活质量至关重要。心电图（ECG）信号是一种无需侵入即可捕捉与疲劳相关的生理变化的方法，但目前很少有解决方案具备轻量级、易解读且在实际环境中可应用的特性。本研究提出了一种基于便携式、低成本心电图系统的实时疲劳检测方法，该系统采用了改进的AD8232模块以及ESP32微控制器。研究从100名老年人身上收集了6304段心电图数据，并应用了数据增强技术（SMOTE和高斯噪声处理）。随后使用GRU、LSTM和RNN模型进行训练，并通过按受试者分组的方式进行验证。其中GRU模型的准确率为97.96%，AUC值为0.99，F1分数为0.98，其性能显著优于LSTM、RNN、随机森林和逻辑回归等基准模型。这项研究证明了基于低成本嵌入式心电图技术的疲劳检测是可行的，同时还能获得具有可解释性且可推广的结果，非常适合用于老年人护理领域。未来还计划进行进一步的临床验证。