增强式运动分类性能,采用带有变压器网络模型的封闭长期短期存储器
Xinyao Hu1, Wenyue Zhang1, Haopeng Ou1
1Institute of Human Factors and Ergonomics, College of Mechatronics and Control Engineering, Shenzhen University, Shenzhen, China.
Sports biomechanics
|February 19, 2024
概括
这项研究引入了一种具有变压器网络 (GLTN) 模型的新型封闭的长期短期记忆,用于准确的体重坐运动分类. GLTN模型有效地识别了异常的腰形式,提高了体育训练的安全性和性能.
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:
- 体重是体育训练的基本练习.
- 准确地分类异常的腰动作对于安全有效的训练至关重要.
- 现有的方法可能缺乏实时反所需的精度.
研究的目的:
- 介绍一种具有变压器网络 (GLTN) 模型的新型封闭的长期短期记忆,用于对体重坐运动进行分类.
- 评估GLTN模型在区分可接受和异常的腰形式方面的性能.
- 提供可行的可穿戴解决方案,用于在体育训练中监测式训练技巧.
主要方法:
- 开发了一种具有变压器网络 (GLTN) 模型的新型封闭的长短期内存.
- 收集了22名健康年轻男性参与者的数据,他们进行了9种坐变化 (1种可接受,8种异常).
- 使用四个定制的惯性测量单元 (IMU) 放置在胸部,腰部,右大腿和右部,采样速率为200Hz.
主要成果:
- GLTN模型实现了高分类性能:96.34%的准确性,96.31%的精度,96.45%的回忆率和96.32%的F-score.
- 在坐运动分类中表现优于最先进的深度学习模型.
- 证明了该模型在识别异常坐运动方面的有效性.
结论:
- 拟议的GLTN模型提供了一个可行的可穿戴解决方案,用于监测异常的腰运动.
- 这项技术可以促进体育训练期间的表现提升和受伤风险评估.
- 在实施这个模型时,教练和从业者应该考虑个人的需求和目标.


