基于特征工程和深度学习方法估算体力消耗的模型有效性研究

摘要：

目的 探究不同佩戴部位、不同惯性测量装置(IMU)(加速度计和陀螺仪)以及不同机器学习方法对人体走、跑活动能量消耗预测准确性的影响.方法 对IMU的原始信号进行预处理并提取多种活动特征,采用交叉验证的方式分别对基于特征工程的机器学习方法和基于深度学习的卷积神经网络方法进行建模.结果 在走、跑活动中,对于IMU的不同佩戴部位,踝部模型的性能整体上优于髋部模型;对于不同IMU获取的运动信号,加速度计模型的性能整体上优于陀螺仪模型;对于不同的机器学习模型,基于特征工程的机器学习方法普遍优于基于深度学习的卷积神经网络方法.结论 基于多信号融合的人工神经网络模型在不同运动强度下的稳定性和泛化能力均优于其他3种模型,建议使用该模型对走、跑活动的能量消耗进行估算.

关键词：体力活动能量消耗、惯性测量装置、加速度计、陀螺仪、机器学习、深度学习

所属期刊栏目：46

分类号：G804.49(体育理论)

在线出版日期：2022-10-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：52-64