本文關(guān)鍵詞：運動疲勞下語音參數(shù)變化的研究

  更多相關(guān)文章： 語音 運動疲勞 特征選擇 支持向量機

【摘要】：人體運動疲勞程度的檢測對于科學(xué)的進行運動訓(xùn)練而言非常重要。準(zhǔn)確的運動疲勞度檢測可以給運動員的訓(xùn)練過程提供科學(xué)的指導(dǎo),從而達(dá)到更好的訓(xùn)練效果。如果沒有科學(xué)的運動疲勞評價體系作為指導(dǎo),容易造成運動員的過量運動。長此以往會出現(xiàn)疲勞堆積以及疲勞性損傷。本文設(shè)計了基于語音的運動疲勞度檢測的實驗方案,研究了多個語音特征參數(shù)隨運動疲勞度變化的規(guī)律,進行了特征參數(shù)的分析與選擇,最后用支持向量機對特征進行了分類,本文的主要工作如下:首先,本文對基于語音的運動疲勞度檢測方案進行了設(shè)計。通過采集30個受試者四種運動疲勞狀態(tài)下的語音信號,來研究運動疲勞與語音信號的關(guān)系,從而實現(xiàn)通過語音信號檢測運動疲勞程度。語音信號采集過程中的受試者運動疲勞程度的判定是依據(jù)RPE 6-20量表。同時本文設(shè)計了表征人體平衡能力的壓力中心數(shù)據(jù)采集方案。其次,本文對運動疲勞語音信號進行了特征參數(shù)的提取。提取的特征參數(shù)包括短時平均能量、短時平均過零率、平均語速、基音周期以及運動疲勞語音信號特有的喘息段時長等參數(shù)。并分析了各個特征參數(shù)隨著運動疲勞程度的變化規(guī)律。并進行了基于統(tǒng)計假設(shè)檢驗的特征分析,計算了任意兩個運動疲勞狀態(tài)間各個特征參數(shù)的差異顯著水平,各類運動狀態(tài)間特征參數(shù)的顯著性分析結(jié)果總體上較為理想。同時簡單分析了壓力中心各項參數(shù)在運動前后的變化規(guī)律,作為本實驗的對比和補充。最后,本文利用支持向量機對運動疲勞程度進行檢測。首先對支持向量機這一分類算法進行了介紹。然后運用支持向量機(Sopport Vector Machine,SVM)對運動疲勞樣本進行了檢測。檢測中運用多次十折交叉驗證法保證檢測正確率的準(zhǔn)確性。最后得到幾種不同特征參數(shù)組合下的運動疲勞度檢測正確率,其中正確率最高的特征組合的正確率為61.1%。由于“稍累”與“累”這兩類狀態(tài)的特征參數(shù)差異不顯著,因此去掉“累”這一狀態(tài)后的三類運動疲勞狀態(tài)的檢測正確率最高的特征組合的正確率為78.4%。從而說明了運用語音信號檢測運動疲勞是可行的。
【學(xué)位授予單位】：蘇州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN912.3

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 馮煒權(quán);運動疲勞及過度訓(xùn)練的生化診斷——運動生物化學(xué)動態(tài)之三[J];北京體育大學(xué)學(xué)報;2000年04期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 顧曉江;不匹配信道下耳語音說話人識別研究[D];蘇州大學(xué);2011年

2 岳敏;基于BBN-SVM和PCV的多變量時間序列預(yù)測算法研究[D];蘭州大學(xué);2010年

，

本文編號：1284658