人类运动的潜空间表示:评估疲劳的影响
Thomas Rousseau1, Gentiane Venture2, Vincent Hernandez2
1Faculty of Odontology, University of Reims Champagne-Ardenne, 51100 Reims, France.
Sensors (Basel, Switzerland)
|December 17, 2024
概括
这项研究使用深度学习和人类活动识别 (HAR) 来可视化运动疲劳. 敌对自动编码器 (AAE) 在2D空间中有效地映射运动控制变化,有助于疲劳监测.
科学领域:
- 运动科学和生物力学
- 人工智能和机器学习
- 人类运动分析 人类运动分析
背景情况:
- 疲劳显著影响运动表现,训练和受伤风险.
- 预测和理解疲劳对于优化体育训练和恢复至关重要.
- 目前的疲劳评估方法可能很复杂,需要专门的设备.
研究的目的:
- 在人类活动识别 (HAR) 中应用深度学习方法来减少维度,以研究疲劳.
- 使用对抗式自动编码器 (AAE) 来评估和可视化2D隐性空间中的疲劳.
- 通过检查数据点分布变化来分析与疲劳相关的运动控制变化.
主要方法:
- 使用Wii平衡板和惯性测量单元 (IMU) 收集动力学和动态数据.
- 实施的对抗式自动编码器 (AAE) 用于半监督和有条件的维度缩小.
- 应用集群技术来识别2D潜伏空间中与疲劳相关的模式.
主要成果:
- AAEs成功地减少了数据的维度,使得2D潜伏空间中的疲劳可视化成为可能.
- 潜伏空间的表现显示了与因疲劳而导致的运动控制变化相对应的明显模式.
- 观察到数据点分布的显著变化,疲劳水平增加.
结论:
- 深度学习,特别是AAE,提供了一种有效的方法来可视化和监测运动引起的疲劳.
- 2D潜伏空间为运动控制变化提供了宝贵的见解,支持疲劳评估.
- 这种方法可用于优化培训计划和康复策略.


