基于惯性传感器和深度学习的跑者疲劳阶段的识别
Pengfei Chang1, Cenyi Wang1, Yiyan Chen1,2
1School of Physical Education and Sports Science, Soochow University, Suzhou, China.
Frontiers in bioengineering and biotechnology
|December 4, 2023
概括
深度学习模型有效地使用惯性测量单元 (IMU) 数据预测运行疲劳. 带有注意力机制的混合CNN-LSTM模型在分类跑者疲劳水平方面表现出卓越的表现.
科学领域:
- 生物力学 生物力学
- 运动科学 运动科学 运动科学
- 机器学习 机器学习
背景情况:
- 跑步是一项受欢迎的运动,但具有很高的受伤风险.
- 准确预测跑步疲劳对于预防伤害和性能优化至关重要.
研究的目的:
- 开发基于IMU的建模方法来评估运行行动模式.
- 调查各种深度学习模型的分类性能,以预测跑步疲劳.
主要方法:
- 收集了来自多个IMU的时间序列数据,这些数据来自在疲劳前,疲劳中和疲劳后状态下的19名健康男性跑步者.
- 利用深度学习模型,包括LSTM (单层和双层),CNN,LSTM与Attention,以及混合CNN-LSTM模型.
- 纳入跑者训练水平作为身体疲劳的额外指标.
主要成果:
- 深度学习模型在跑者疲劳识别方面取得了良好的分类准确性.
- 无论是CNN还是LSTM都有效地使用IMU数据对疲劳进行了分类.
- 带有注意力机制的混合CNN-LSTM模型的表现优于单个模型,在疲劳分类方面展示了优越的特征提取.
结论:
- 深度学习,特别是带有注意力的混合CNN-LSTM模型,为基于IMU的跑步疲劳分类提供了强大的方法.
- 这项研究为未来使用深度学习进行行动模式分析的研究提供了宝贵的参考.
- 开发的模型可以帮助监测跑步者的疲劳,并可能预防伤害.
