基于传感器的实时人类活动识别,用于eFitness和eHealth平台

科学领域:

• 计算机科学 计算机科学
• 生物医学工程 生物医学工程
• 运动科学 运动科学 运动科学

背景情况:

• 人类活动识别 (HAR) 对医疗保健,安全和娱乐领域的应用至关重要.
• 精确的运动跟踪和重复计数对于运动训练和监测至关重要.
• 现有的HAR方法经常在实时性能和对背景活动的稳定性方面扎.

研究的目的:

• 开发一种实时系统,用于识别12种类型的运动,并计算运动训练期间的重复次数.
• 使用深度神经网络和运动传感器数据,提高HAR模型的准确性和稳定性.
• 调查设计要求和数据收集协议对HAR系统性能的影响.

主要方法:

• 使用一个深度神经网络模型,由位于胸部的9轴惯性测量单元 (IMU) 传感器的数据养.
• 实施了一个编码器架构,预训练了对比学习,以提高模型质量.
• 设计了系统,以便在移动平台 (iOS,Android) 上部署,以实现可访问性.

主要成果:

• 与端到端培训相比,拟议的方法显著提高了模型准确性 (F1分数,MAPE).
• 与背景活动相比,表现出更好的稳定性,由较低的假阳性率表明.
• 该系统实现了对12个不同的练习的实时识别和重复计数.

结论:

• 开发的HAR系统为运动识别和计数提供了高质量,强大和准确的解决方案.
• 用对比学习进行预训练是改善HAR的深度学习模型的有效策略.
• 公开发布AIDLAB-HAR数据集将促进移动HAR系统的进一步研究.