运动疲劳下语音参数变化的研究

发布时间：2017-12-13 09:25

  本文关键词：运动疲劳下语音参数变化的研究

  更多相关文章： 语音 运动疲劳 特征选择 支持向量机

【摘要】：人体运动疲劳程度的检测对于科学的进行运动训练而言非常重要。准确的运动疲劳度检测可以给运动员的训练过程提供科学的指导,从而达到更好的训练效果。如果没有科学的运动疲劳评价体系作为指导,容易造成运动员的过量运动。长此以往会出现疲劳堆积以及疲劳性损伤。本文设计了基于语音的运动疲劳度检测的实验方案,研究了多个语音特征参数随运动疲劳度变化的规律,进行了特征参数的分析与选择,最后用支持向量机对特征进行了分类,本文的主要工作如下:首先,本文对基于语音的运动疲劳度检测方案进行了设计。通过采集30个受试者四种运动疲劳状态下的语音信号,来研究运动疲劳与语音信号的关系,从而实现通过语音信号检测运动疲劳程度。语音信号采集过程中的受试者运动疲劳程度的判定是依据RPE 6-20量表。同时本文设计了表征人体平衡能力的压力中心数据采集方案。其次,本文对运动疲劳语音信号进行了特征参数的提取。提取的特征参数包括短时平均能量、短时平均过零率、平均语速、基音周期以及运动疲劳语音信号特有的喘息段时长等参数。并分析了各个特征参数随着运动疲劳程度的变化规律。并进行了基于统计假设检验的特征分析,计算了任意两个运动疲劳状态间各个特征参数的差异显著水平,各类运动状态间特征参数的显著性分析结果总体上较为理想。同时简单分析了压力中心各项参数在运动前后的变化规律,作为本实验的对比和补充。最后,本文利用支持向量机对运动疲劳程度进行检测。首先对支持向量机这一分类算法进行了介绍。然后运用支持向量机(Sopport Vector Machine,SVM)对运动疲劳样本进行了检测。检测中运用多次十折交叉验证法保证检测正确率的准确性。最后得到几种不同特征参数组合下的运动疲劳度检测正确率,其中正确率最高的特征组合的正确率为61.1%。由于“稍累”与“累”这两类状态的特征参数差异不显著,因此去掉“累”这一状态后的三类运动疲劳状态的检测正确率最高的特征组合的正确率为78.4%。从而说明了运用语音信号检测运动疲劳是可行的。
【学位授予单位】：苏州大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN912.3

【参考文献】

中国期刊全文数据库 前1条

1 冯炜权;运动疲劳及过度训练的生化诊断——运动生物化学动态之三[J];北京体育大学学报;2000年04期

中国硕士学位论文全文数据库 前2条

1 顾晓江;不匹配信道下耳语音说话人识别研究[D];苏州大学;2011年

2 岳敏;基于BBN-SVM和PCV的多变量时间序列预测算法研究[D];兰州大学;2010年

，

本文编号：1284658