文摘

近年来,人们的健康正面临许多挑战,他们的工作量越来越多,他们的生活也变得越来越紧张。在这种背景下,健康生活已经成为关注的话题,越来越多的人选择通过健身来促进他们的身体。为了解决这些行动识别研究中存在的问题,本文设计和实现了一个基于机器学习智能健身体育活动系统监控三个重要参数:行动的类型,行动,和行动的时期。通过动作识别算法和计算方法,行动的三个重要参数类型,行动,行动期间计算来生成一个更全面的描述的肢体动作。实验表明,该深进行神经网络学习在小数据集,实现97.61%的动作识别的准确性和支持向量机的识别精度可以达到96%以上。

1。介绍

有针对性的体育活动是一个重要的和有效的改善和治疗这些条件(1- - - - - -4]。为运动员、在运动伤害发生,并及时和适当的康复是确保运动员的一个重要组成部分恢复,回到游戏。物理康复也是治疗病人的身体活动的一个重要组成部分是受疾病,如中风(5]。此外,劳动强度的增加和信息的爆炸,人们经常长时间工作在高强度,导致身体功能下降和肥胖的增加,直接影响身体健康,这强调了及时的健身和运动的重要性(6]。

然而,有效的健身和运动需要遵循一定的科学方法;否则,不仅将它未能实现加强身体和治疗疾病的目的,但它甚至可能会适得其反,对身体造成二次伤害。例如,许多运动员训练和重复加载长时间为了改善他们的表现,和侯赛因的研究等。7),他们发现重复的活动和不合理的技术动作很长一段时间可能会导致运动损伤。此外,一些运动员接受坚定带重建术后康复期间执行低强度的恢复过程,但研究表明,执行高强度恢复过程更有利于以后功能的性能。大学生运动损伤的一项调查显示,Moreno-Guerrero et al。8)发现,40%以上的学生受伤是由于不正确的技术动作或缺乏知识。

身体的无线区域网络组成的多个传感器可以帮助医生在最初的远程会诊的病人9]。机器学习和人工智能等技术和深度学习不仅聪明性能到网络边缘设备,但也有帮助困难的诊断疾病的进展。在个人健康和医疗保健等领域,也有越来越多的人使用的基于微机电系统的姿态模块(包含加速度计、陀螺仪、磁力计等)识别和监测人体的运动和分享他们在社交网络上或体育与他人分享在社交网络或体育社区(10]。

可见,技术进步使人们有可能与电子技术协助运动和锻炼,,因此有必要提出一个multiuser-oriented运动监测系统(11]。它指的教师可以监控的物理运动运动参与者,从而提高在一定程度上的困难访问物理岭运动场景中专业的指导。这样一个系统可以部署在健身房或身体宵禁等地类,教师可以很容易地理解每个参与者的锻炼,包括运动类别是否正确和是否适当的数量和周期运动(12]。

考虑一个康复中心的场景:两个运动员经历了阿基里斯腱断裂手术正在恢复。手术后的负重训练复苏的跟腱是至关重要的,所以他们恢复与离心收缩的跟腱13]。同时,其他几个老年人轻度中风正处于周期步态训练下肢(14]。此外,还有人用哑铃上肢力量训练在同一座楼里。四肢配备可穿戴设备,每一个肢体动作的记录并上传到数据中心通过无线局域网。医务人员在屏幕上可以清楚地看到什么类型的锻炼每个人表现以及他们是否正在太快或太多次。医务人员将给予及时指导不适当的运动,从而确保他们的安全,提高他们的训练的有效性15]。可以看到,这样一个系统的存在可以为多个用户监控运动,使人更容易访问职业指导当参加体育锻炼锻炼,从而提高运动和锻炼参与者的专业精神,有效地避免运动损伤,提高体育锻炼的效果。

针对这一点,它是科学和理论的实际意义和价值提出并开发一个具有上述特征的多用户动态监测系统。

2。相关工作

人体运动识别是现代计算机技术的一个重要应用。运动识别的目的是使计算机能够感知和理解人类活动的类型,导致姿态控制等相关应用在人机交互中,健身数据跟踪可穿戴设备,和体育游戏在娱乐。

研究人体运动识别可以进一步细分为两类,即人类活动识别和身体运动识别(16]。人类活动识别是一个宏观的研究,如何区分人类的日常活动状态,如行走、坐着,跑步,躺着,骑自行车,步行上下楼梯。另一方面,通过将其与物联网和多通道遥感技术(推断用户的类型的活动与声音的结合,运动,和表达),人类活动识别可用于智能医疗、自动定位和发送求救信息等卫生保健专业人士当一位上了年纪的人承认有所下降(17]。用户可以执行特定的操作与计算机系统交互并触发相应的事件,例如,王(18)使用基于符号序列的识别算法和模板匹配识别七个手势,包括上,下,左,右,画一个圆,等。此外,识别特定的身体动作可以应用于体育领域的记录和分析运动数据,提高运动姿势或在娱乐和如果你打算创立一个场景中作为信号输入。例如,曹et al。19)使用硬件加速计内置到手机识别三种类型的中风在网球和应用到网球游戏。

在识别算法方面,经典的机器学习模型是目前最常用的。例如,王et al。20.)使用支持向量机和人工神经网络作为分类器实现六上肢动作的识别融合几个MEMS姿态模块。马丁和Gavey [21]使用SVM和BP神经网络实现识别水平,垂直,对角线,封闭的线画在人类的手臂。Slavityak [22)使用了一个基于最小二乘的相似性匹配模型实现六个哑铃运动的分类。

然而,很少有应用程序领域的深度学习技术MEMS-based情感识别。与经典的机器学习算法相比,深度学习算法可以更好地理解inter-interval序列数据,不需要繁琐的特征提取和特征选择,但是它们需要大量的训练数据。卷积神经网络(CNN)和长期短期记忆(LSTM)是两个典型的深度学习模型。首次提出了卷积神经网络(12,15,23)和用于图像识别,之后,1 d cnn也用于自然语言处理(NLP)。LSTM是复发性神经网络的变体,它适合处理时间序列信号和已广泛应用于语音识别、股票预测,等等。然而,深入学习算法尚未应用于MEMS-based肢体动作识别和只使用领域的HAR。

2.1。基于机器学习的行动识别

本节首先介绍动作识别,从构成传感器的数据分析使用一个分类模型来识别模式嵌入到数据和失去的分类操作。实施行动的识别,使用两个模型,即支持向量机和深层神经网络(24]。场景计算能力较弱和实时性能的要求很高,一个简单的和较低的计算模型如支持向量机用于动作识别;场景的计算能力强或行动的类型是复杂的,复杂的计算密集型深层神经网络用于动作识别。

2.2。运动识别算法

在基于svm的动作识别中,有两个关键步骤即特征选择、特征提取,和参数优化,其中特征选择对识别结果的影响最为显著。特征选择是数据降维的方法(25]。对于大多数实际应用机器学习、原始数据的特征在原始空间冗余或吵闹,和数据的特点是堆叠在一起,无法轻易处理由算法或直接影响计算的速度,所以特征提取是必需的。特征提取是原始数据的转换到一个新的空间,隐含的模式数据能更容易识别。一般来说,提取的特征的维数远小于原始数据,所以特征提取算法可以显著加快。然而,一些原始的信息特征提取过程中不可避免地丢失。如果失去了不重要的信息分类结果,那么这个影响可以忽略。否则,失去重要的信息将显著降低分类精度(26]。惩罚因子影响重要性多少支持向量机在数据中离群值的地方,和不同的惩罚因素会产生不同的分类界限。参数优化的过程中,有必要尝试不同的内核函数和惩罚系数取决于类型的数据以达到最好的分类结果(27]。

特征提取的方法从应用程序到应用程序。例如,身体有意义的元素图像的常用图像处理功能,包括几何特征、纹理特征,伽柏特性和统计特性。在NLP,特征提取过程中往往忽略了单词和语法,将它们视为一组词是相互独立的。此外,主成分分析(PCA),线性判别分析(LDA)和奇异值分解(圣)都是常见的特征提取算法28]。

本文四个肢体运动的统计特性提取数据,包括最大值、最小值、标准差和均值。姿态传感器生成的原始信号是一个时间序列信号,为最常见的特征提取方法是计算统计值。最大和最小的值代表的振幅的限制行动和反映操作的范围,可发生显著的变化从一个动作到另一个(29日]。均值反映了整体状态的运动,也可以运动的类型。例如,对于一些运动,四肢总是横向移动,所以加速度的均值沿着边缘方向轴总是在零附近;对于其他运动,四肢总是在垂直平面上移动,所以加速度的均值沿着边缘方向轴大约是1。运动越剧烈,标准差越大,平滑运动,标准差越小。作为显示在图1,通过计算这四个为每个轴传感器输出的统计,共有36个统计特性。

2.3。基于深度学习行为识别

基于深度学习动作识别的主要困难是如何使用小数据集训练网络收敛。肢体运动识别,怀特造数据库的样本大小远小于当前流行的公开数据,深度学习样本量通常要求高,所以很难学习足够的信息在一个小的数据集。有两种方法可以解决这个问题:首先是适当的数据预处理,以确保网络终端的输入需求得到满足和不丢失信息,二是网络终端的设计一个合适的结构,这样就可以探索数据中隐含的信息,同时减少样本量要求。

有许多不同类型的深度学习模型,包括CNN, RNN, LSTM, self-encoders (AE),限制了玻耳兹曼机(元),和生成对抗网络(甘)。不同的网络结构是适用于不同的问题,例如,CNN主要是用于图像处理,长期和短期记忆网络时间序列处理,self-encoders集群和数据压缩、图像转换和生成对抗的网络。通常,深度学习模型需要训练有素的大型数据集。大型公共数据集通常由研究机构发表,但没有大规模数据集出版领域的肢体运动识别,这也是为什么深度学习很难适用于MEMS-based肢体运动识别。

本文结合网络模型开发,基于1 d CNN和LSTM相结合的特性,可以用于处理时间序列信号从态度较低的传感器数据量要求(30.]。

网络的结构和方式进行预处理数据如图2。网络有两个一维卷积层,最大池层,LSTM层和一个输出层。卷积和LSTM层各有32个神经元,p1 p7代表当前的输入动作数据的概率属于某个类别。网络是一个矩阵的输入有两个维度,时间步长和样木维度,分别。如前所述,每个样本记录连接的第一个和最后一个9轴的原始数据。时间步对应值取样的传感器在一个给定的时刻。此外,每个数据样本的总长度变化的持续时间由传感器记录每个操作不同。编程的原因,零值可以填补每个样本应用程序中使用相同的长度(31日]。

2.4。运动计数和周期计算方法

原始数据的输出姿态传感器包括加速度、角速度和欧拉角 , ,和轴,敏感轴是一个最好的正是肢体的运动。敏感轴是最好的正是九轴之间的肢体的运动状态的数据。对于每个动作,都有一架飞机的运动,主要是在一些运动飞机和其他飞机。

这样做的原因是双重的。首先,一些九轴通常显示跳跃在原始信号的波形。这种现象主要集中在三个角轴。例如,假设一个轴的角度从0开始,它增加+ 180°和继续增长,-180°角突然变化。这种现象的产生是由于态度模块的方式计算角度,但它可以有负面影响周期计算,所以三个角轴应该排除在敏感轴的选择(32]。接下来,敏感轴选择如下: 在哪里的向量表示吗 - - - - - -在原始数据和th轴数据数据采样点的数量,即。的长度数据。每个轴的方法计算方差,方差最高的轴有序列号 ,这样rd轴选择敏感轴。通过执行敏感轴选择、计算和周期计算方法只需要执行一个轴,这不仅极大地提高了计算的效率,但也允许更高的准确率。对于相同类型的运动,只要传感器敏感轴通常是固定着以同样的方式。因此,在最初的选择轴的敏感,敏感轴可以绑定到类型的行动,并在随后的行动,可以确定敏感轴直接从绑定关系敏感轴和行动的类型,从而减少系统操作的数量。

假设一个信号 傅里叶变化 。当满足条件

被称为小波的基础上。本文中使用的小波基是cgau小波,这是一个高斯小波在复杂的形式。当小波的基础上缩短或翻译,我们可以获得一个小波序列,即 在哪里小波变换的尺度因子和吗是翻译的因素。

111年所选关键轴信号的连续小波变换如下:

逆转换计算如下:

轴的关键信号,小波变换后的小波系数矩阵 ,在哪里表示层数的小波变换表示数量的采样点,即,长度的信号。

小波能量矩阵如下: 在能量矩阵中的元素代表每个谐波分量的幅值。

下一步,使用下列向量:

这意味着该组件的位置每个谐波分量的最大能量出现在每一刻,即。的基本频率的位置传感器信号,即。小波尺度,表示矩阵的行和表示的th元素路行。

每个小波尺度的小波变换对应一个频率向量 ,是由两层的数量和规模的具体的小波变换。向量 ,它反映的行动在每个采样时刻,可以表示如下:

的每一个动作都可以通过计算相邻元素之间的区别在这个列表中。此外,另一种方法来计算这是把列表在方程(9),从而获得向量 :

这个向量代表的每个操作,列表的长度吗 ,即。,the number of actions, and the element在代表了 - - - - - -th元素的向量 。

3所示。实验过程和结果的分析

本文在前面演讲,硬件和软件设计方案,数据预处理和识别方法以及计算和周期计算方法多用户行为监控系统的行为是解释说。接下来,并给出了相关的实验过程和实验结果(2]。

3.1。实验装置

本文选择身体动作识别,显示在图3。包括四种类型的哑铃运动和三种类型的腿练习,即哑铃卷曲,起重,哑铃肩膀出版社,哑铃飞行,坐姿时,小腿,小腿提高站姿,脚跟提高。(14]。

的数据,本研究使用了一个自我构建数据集,包括共有420个样本。总共六个参与者,三个男人和三个女人,导致了数据集,每提供一个样本的70数据项,10为每种类型的运动项目。只有一个姿态采集模块是每个参与者在记录数据时所穿的。哑铃动作,姿态采集模块是戴在手腕和下肢运动;姿态采集模块是戴在脚踝。哑铃的重量25公斤哑铃运动中使用。样本总数的80%用作训练集和20%的测试集。深学习模式,20%的训练集作为验证集。

3.2。运动识别实验

对于深层神经网络,一种类型的预处理是加入第一个和最后一个九轴,所述部分3本文的,另一种是使用线性判别分析(LDA)减少维度。

两者之间的对比实验的结果处理方法如表所示1,这表明,线性判别分析是用于行动识别不准确。图4显示精度和损失的趋势在深层神经网络的训练。在图4(一),我们可以看到,培训和确认损失继续下降,直到第200一轮培训。图4 (b)代表变化训练精度和验证的准确性,在此期间验证和培训损失基本上是相同的。

为了比较不同的分类模型的有效性,本文使用不同模型下进行实验。除了支持向量机和神经网络,一个多层感知器和最小二乘潘提出的基于相似性匹配模型和Aldabbagh12)被选为这两个比较算法。每个模型的最终精度是通过实验测试集。多层感知器是一个代表性的神经网络,和它的使用作为一个比较算法可以有效地设置一个精确的参考。作为隐含层数的多层感知器通常是小的,它是缓慢的和无效的高维数据集,而原始构成传感器数据通常可以成千上万成千上万的维度,因此需要降维成一个多层感知器提供数据。在本文中,使用相同的特征提取方法,支持向量机,和相同的选择36统计特性比较两者之间的性能差异在同一数据集。

另一个比较算法至少squares-based潘提出的相似性匹配算法和Aldabbagh [12]。该方法首先执行操作,如加速分解和正常化时期的数据,然后构建一个功能数据库和法官操作类别根据测试样本之间的相似性和数据库中的标准动作在分类;如图所示的细节5。

从上面的实验结果,可以看出,深度学习模型和支持向量机实现识别精度在96%以上,高于比较算法,而多层感知器实现最低的准确性在四个模型。深度学习模型实现了识别精度为97.61%,和混淆矩阵显示只有两个哑铃的肩膀按被误解为哑铃侧木板在84测试样品,表明深学习模式提出了可用于对小数据集和动作识别。SVM的混淆矩阵表明,该方法很容易误分类的两种类型的腿部运动因为运动的两种类型是相似的和支持向量机不能完全独立的两种类型的运动基于仅从单个传感器的特性。

3.3。运动计算和实验周期计算

行动计数和周期计算实验的目的是验证数量和周期计算的准确性。对于这个实验,结果的客观性的数量在很大程度上影响试验。特别是,行动计算和分析方法的有效性只能证明通过确保足够数量的试验的结果是准确的。在这个实验中,50重复进行,价值远远高于单一运动所需的时间,验证算法的准确性。除了记录动作使用传感器,利用秒表时间每个运动的周期为实用标准。确切的周期数和实际值50运动这一实验如图6。

首先,我们可以看到从图中两条曲线的长度,该算法的操作数是非常准确的,计数统计50次同意完全与实际值。其次,图中两条曲线的整体配合很好,平均误差仅为0.08,平均误差4.03%。计算的最大误差为0.25,最大误差13.5%,发生只在曲线的端点。因此,这个实验证明了在零检测和小波分析方法的总体效果很好,而且操作数和循环计算可以更准确地实现即使有大量的行动。

4所示。结论

介绍了两种类型的运动监测算法,即运动识别算法和周期计算算法。首先,介绍了两种类型的主动识别模型,即支持向量机和神经网络。对于支持向量机,功能范围是首次引入,然后县身体特征提取和特征识别方法,最后,分类原则,介绍了支持向量机的关键参数的选择。深层神经网络,介绍了数据预处理的目的和具体方法首先,然后深网络的常见类型及其使用,然后1 d CNN和LSTM的特点进行了分析,为什么选择这两种网络构建分类模型,介绍了和动作识别的准确性达到97.61%,支持向量机识别的准确性达到96%以上。

数据可用性

原始数据支持了本文的结论将由作者提供,没有过度的预订。

的利益冲突

作者宣称没有利益冲突的这方面的工作。