根据国家体育医学院的指导方针,使用IMU和深度学习算法对坐错误进行分类

科学领域:

• 运动科学
• 生物力学
• 机器学习

背景情况:

• 准确的位评估对于预防伤害和提高表现至关重要.
• 传统的视觉坐分析缺乏客观性和一致性.
• 需要自动化方法来克服主观评估的局限性.

研究的目的:

• 开发和评估深度学习模型来分类坐运动错误.
• 使用IMU数据评估各种模型架构 (CNN,GRU,TabNet混合) 的有效性.
• 确定最佳的传感器位置,以准确检测式错误.

主要方法:

• 使用了五个惯性测量单位 (IMU) 的数据.
• 训练并比较多个深度学习模型:CNN,CNN-TabNet,GRU,GRU-TabNet,CNN-GRU和CNN-GRU-TabNet.
• 基于准确性,精度,回忆力和F1分数来分类五种位变化 (正确,膝盖,膝盖,腰背曲,腰背圆).

主要成果:

• 使用所有五个IMU的数据,CNN-GRU模型实现了最高的分类精度 (0.997).
• 使用右大腿传感器实现了单个IMU的最佳性能,达到0.988准确度.
• 在使用所有IMU时,混合模型 (CNN-TabNet,GRU-TabNet) 显示了比基本CNN和GRU模型更好的准确性.

结论:

• 混合深度学习模型,特别是CNN-GRU,显示了自动化位错误分类的巨大潜力.
• 通过单个战略性放置的IMU,可以高精度地检测位错误.
• 这些发现支持用于体育科学和康复应用的实用可穿戴系统的开发.