基于心率变异性与机器学习的养老护理人员疲劳分类

摘要

针对养老护理人员疲劳评估中主观量表法的局限性，提出基于心率变异性（HRV）与机器学习的养老护理人员疲劳分类方法。通过可穿戴设备采集78名护理人员736 h心电信号，使用巴特沃斯滤波与Pan-Tompkins算法进行预处理，系统提取了心率变异性的时域、频域及非线性域共42个特征参数，并采用皮尔逊相关系数法筛选18个关键特征，构建基于XGBoost的疲劳分类模型。结果表明：通过特征降维显著提升了模型性能，分类准确率从0.78提升至0.91，其中重度疲劳分类准确率达到0.99；与SVM、KNN等传统模型相比，XGBoost在特征精简后展现出最优的非线性拟合能力；2 min短时窗心电数据的分类性能最优，准确率达0.91，显著优于4～10 min心电数据准确率（0.61～0.69）。该方法实现了护理疲劳的高效精准监测，为预防职业性心脑血管疾病及优化养老服务管理提供了可穿戴智能技术支持。

关键词

心率变异性 / 机器学习 / 心电信号 / 特征降维 / XGBoost / 疲劳分类