基于可穿戴传感器的运动强度识别领域适应的可行性研究
Lei Pang1, Yi Li1, Ming-Xia Liao1
1Institute of Artificial Intelligence in Sports, Capital University of Physical Education and Sports, Beijing 100091, China.
Sensors (Basel, Switzerland)
|September 19, 2025
概括
这项研究开发了一个使用多维传感器的深度子域适应网络,以准确地识别个人之间的运动强度. 该模型实现了92.87%的识别率,在预防伤害方面改进了经典和整体方法.
科学领域:
- 生物医学工程 生物医学工程
- 运动科学 运动科学 运动科学
- 机器学习 机器学习
背景情况:
- 精确的运动强度监测对于预防康复,公共卫生和军事训练中的运动伤害至关重要.
- 有效的监测有助于促进健康的生活方式和优化训练方案.
研究的目的:
- 利用多维传感器数据和先进算法开发一个跨个体运动强度识别模型.
- 为了比较各种机器学习模型的性能,以识别低,中和高的运动强度水平.
主要方法:
- 使用加速度和角速度传感器放置在七个身体部位上.
- 比较了经典的机器学习,集体学习和一个新的深度子域适应网络算法.
- 整合了个性化的身体数据特征,以提高识别能力.
主要成果:
- 深度子域适应网络实现了最高的识别率,达到92.87%.
- 经典机器学习算法表现最低 (80.31%-82.97%),而组合方法表现更好 (87.35%-88.86%).
- 身体左侧的传感器产生了更高的识别率,特别是在跑步比赛中.
结论:
- 将域适应方法与多维传感器相结合,对于跨个体的运动强度识别是有效的.
- 开发的模型为大规模,个性化的运动强度监测提供了坚实的基础.
- 这种方法对体育科学,伤害预防和个性化训练计划有重大影响.
