使用活动追踪器识别滑板和板通勤行为:使用机器学习方法的可行性研究

科学领域:

• 可穿戴技术
• 人与计算机的互动
• 生物力学

背景情况:

• 滑板运动和板运动越来越受欢迎.
• 目前的活动追踪器很难识别这些活动的独特动作模式.

研究的目的:

• 通过可穿戴传感器和智能手机评估滑板和板通勤的可行性.
• 识别来自传感器的关键特征,以准确识别活动.

主要方法:

• 十名参与者进行了九项活动,包括滑板和板.
• 从手腕,部和口袋传感器 (加速计,陀螺仪,气压计) 收集的数据.
• 用于多类和二进制分类的随机森林分类器.

主要成果:

• 在多类分类中,手腕传感器的准确度最高 (84%-88%).
• 识别滑板运动 (93%-99%) 和板运动 (97%-99%) 的高度灵敏度.
• 推-推-滑翔超级分类实现了高准确度 (91%-95%).

结论:

• 通过可穿戴传感器,特别是手腕设备, 识别滑板和板通勤是可行的.
• 更广泛的推推滑动分类显示了活动跟踪器集成的潜力.
• 未来的研究应该集中在传感器融合和能源支出估计上.