骑自行车的智能可穿戴分析:基于人工智能的身体炼预测
Aref Smiley1, Joseph Finkelstein1
1Department of Biomedical Informatics, The University of Utah, SLC, UT, USA.
Studies in health technology and informatics
|July 1, 2025
概括
深度学习使用生理数据准确地预测骑自行车时的感知炼. 具有多头注意力模型的LSTM有效预测运动水平,有助于运动监测.
科学领域:
- 运动科学 运动科学 运动科学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 精确监测运动强度对于优化训练和防止过度劳累至关重要.
- 生理信号和性能指标为实时的劳动力评估提供了潜力.
研究的目的:
- 评估深度学习模型,特别是具有多头注意力的LSTM,用于预测感知劳动力 (RPE) 评级.
- 确定骑自行车运动期间炼的关键生理和性能预测因素.
主要方法:
- 收集了27名骑自行车的参与者的心率,氧和度,踏板速度 (RPM) 和心电图衍生的HRV特征.
- 使用具有多头注意力模型的LSTM进行RPE的回归和分类 (高/低功耗).
- 员工最低冗余最大相关性 (MRMR) 和单变特征排名 (UFR) 用于特征选择.
主要成果:
- LSTM模型实现了回归的R2为0.54,准确度为82.9%,分类的F1得分为86.3%.
- 关键预测因素包括生理特征和RPM,突出了它们在运动估计中的重要性.
结论:
- 深度学习,特别是具有多头注意力的LSTM,在预测运动期间感知到的炼方面表现出显著的有效性.
- 这些发现支持使用生理数据和先进的机器学习来客观地监测运动强度.
