注意增强的CNN-LSTM模型用于与多源时间特征的运动氧气消耗预测
Zhen Wang1, Yingzhe Song1, Lei Pang1
1Institute of Artificial Intelligence in Sports, Capital University of Physical Education and Sports, Beijing 100191, China.
Sensors (Basel, Switzerland)
|July 12, 2025
概括
我们开发了一个CNN-LSTM模型,整合了可穿戴传感器数据,以预测动态氧气吸收 (VO2). 结合加速度计和心率数据,显著提高了预测准确度,尤其是空间注意力机制.
科学领域:
- 生理学 生理学 生理学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 动态氧气吸收 (VO2) 对于运动科学和临床应用至关重要.
- 现有的方法在融合各种传感器数据和建模时间模式方面面临挑战.
研究的目的:
- 通过使用CNN-LSTM架构集成可穿戴加速计和心率数据来增强VO2预测.
- 评估注意力机制对预测准确性的影响.
主要方法:
- 在休息和运动测试期间从21名成年人收集了生理信号和VO2.
- 开发并比较了基线CNN-LSTM,LSTM和CNN-LSTM模型与空间,时间和时空注意力模块.
- 使用R平方值评估模型性能.
主要成果:
- 结合加速度计和心率数据,与单独的心率相比,改善了VO2预测.
- 基线CNN-LSTM (R2=0.946) 的表现优于普通的LSTM (R2=0.926).
- 空间注意力进一步提高了准确性 (R2=0.962),而时间注意力略有下降 (R2=0.930).
结论:
- 带有传感器融合的CNN-LSTM为可穿戴代谢监测提供了一个强大的方法.
- 空间注意力机制可以提高可穿戴系统中的VO2预测准确度.
- 在高强度运动期间,模型的性能下降,这表明需要进一步研究非线性生理反应.
