相关实验视频
Updated: Jan 13, 2026
07:24
Home-Based Monitor for Gait and Activity Analysis
Published on: August 8, 2019
7.2K
机器和深度学习用于从加速仪数据中检测中度至强度的体力活动:系统范围审查
Yahua Zi1, Sjors Rb van de Ven2, Eco Jc de Geus2
1School of Exercise and Health, Shanghai University of Sport, Shanghai, China.
Interactive journal of medical research
|January 8, 2026
概括
机器学习 (ML) 和深度学习 (DL) 显示出使用加速度计准确估计中度至强度体力活动 (MVPA) 的前景. 虽然在实验室中有效,但现实世界的表现有所不同,突出了在体育活动研究中更好的概括性和开放科学实践的需求.
科学领域:
- 可穿戴技术和传感器数据分析.
- 生物医学工程和公共卫生研究.
- 在健康和健身方面的人工智能.
背景情况:
- 准确监测中度至强度体力活动 (MVPA) 对公共卫生和个性化干预至关重要.
- 传统的加速度计方法在自由生活条件下难以获得准确性和通用性.
- 机器学习 (ML) 和深度学习 (DL) 提供先进的自动化 MVPA 检测功能.
研究的目的:
- 通过使用加速度计数据对ML和DL技术进行MVPA估计的范围审查.
- 分析这些先进方法的性能,偏差,传感器配置和翻译潜力.
- 综合现有关于人工智能驱动体育活动评估的证据.
主要方法:
- 在主要科学数据库 (PubMed,IEEE Xplore,Web of Science) 中按照PRISMA-ScR指南进行系统的文献搜索.
- 标题,摘要和完整文本由两个独立审稿人进行选.
- 以预定义的研究问题为指导的数据提取和叙事合成,经过严格的作者审查.
主要成果:
- 40项研究符合纳入标准;传统的ML模型显示高实验室性能,但在现实环境下下降.
- 深度学习 (DL) 架构展示了强大的自由生活性能,混合模型实现了最先进的结果.
- 手腕戴式传感器是常见的,但多传感器配置 (例如,手腕+部) 显示出更高的准确性;算法偏差和缺乏数据共享是关键挑战.
结论:
- ML和DL通过自动化特征提取和适应现实世界的变化来显著改善MVPA监测.
- 在通用性,验证一致性和透明度方面的差距阻碍了这些技术的翻译.
- 未来的研究应该集中在包容性培训,标准化报告和开放科学上,以确保在体力活动评估中公平的AI.
