通过结合决策树和卷积神经网络,在智能织带上识别和分类人体练习
Bonhak Koo1, Ngoc Tram Nguyen2, Jooyong Kim1
1Department of Materials Science and Engineering, Soongsil University, Seoul 156-743, Republic of Korea.
Sensors (Basel, Switzerland)
|July 14, 2023
概括
这项研究引入了一种新的级联方法,用于在健身练习中识别人类活动 (HAR). 这种新的方法显著提高了使用决策树和1D-CNN的运动分类准确性,优于传统模型.
科学领域:
- 运动科学 运动科学 运动科学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 人类活动识别 (HAR) 对体育和健身应用至关重要.
- 准确的健身练习分类对于性能分析和个性化训练至关重要.
- 现有的方法需要优化,以提高效率和准确性.
研究的目的:
- 提出和评估一种新的级联方法来对健身运动进行分类.
- 将拟议方法的性能与传统的1D-CNN模型进行比较.
- 调查优化级联模型性能的方法.
主要方法:
- 开发了一种两阶段的级联分类方法,使用决策树,然后使用1D-CNN.
- 从五名参与者收集数据,他们使用手腕佩戴的IMU传感器进行炼.
- 只有z轴加速度计数据被用于模型训练和测试.
主要成果:
- 拟议的级联模型实现了约92%的运动分类准确性.
- 这对传统的1D-CNN模型来说是一个显著的改进,该模型实现了82.4%的准确性.
- 评估了决策树阶段的两个优化方法,进一步提高了性能.
结论:
- 拟议的级联方法在健身运动分类中提供了高性能,减少了训练时间和计算成本.
- 该模型展示了在体育和健身领域实时HAR应用的潜力.
- 进一步开发可能会导致可穿戴技术和健身跟踪系统的广泛采用.
