运动动态预测:利用人工智能模型和可穿戴传感器数据在骑自行车运动期间进行运动
Aref Smiley1, Joseph Finkelstein1
1Department of Biomedical Informatics, University of Utah, Salt Lake City, UT 84108, USA.
Diagnostics (Basel, Switzerland)
|January 11, 2025
概括
机器学习使用可穿戴传感器数据准确预测身体炼. 像LSTM这样的先进算法与特征选择相结合,为健身跟踪提供了有效的生理信号分析.
科学领域:
- 物理计算的物理计算.
- 可穿戴式传感器技术的技术.
- 机器学习在体育科学中的应用
背景情况:
- 预测身体炼对于优化训练和防止过度炼至关重要.
- 可穿戴设备提供了一种非侵入性方法,用于收集持续的生理数据.
- 现有的运动预测方法往往缺乏准确性和实时适应性.
研究的目的:
- 调查机器学习 (ML) 和深度学习 (DL) 模型对预测身体炼的有效性.
- 评估各种特征选择算法的性能,以识别关键生理指标.
- 在受控运动期间使用可穿戴传感器数据开发预测模型.
主要方法:
- 收集了27名骑自行车的参与者的生理数据 (心电图,心率,氧和,RPM).
- 计算心率变量 (HRV) 作为预测特征.
- 雇员最低冗余最大相关性 (MRMR) 和特征选择的唯一变量特征排名.
- 开发了34个传统的ML模型和长短期记忆 (LSTM) 网络,用于分类和回归任务.
主要成果:
- 通过LSTM回归模型,实现了0.8493的平均平方误差 (MSE) 和0.7757.7的R平方.
- 分类模型达到89.2%的最大测试准确率和91.7%的F1得分.
- 特性选择算法有效地识别了模型训练的相关生理信号.
结论:
- 将特征选择与ML和DL相结合,显著提高了体力炼预测的准确性.
- 当使用先进算法分析可穿戴式传感器数据时,它可以提供有关劳动力水平的可靠见解.
- 这种方法对个性化的健身监测和性能优化充满了希望.
