文摘
这是探索运动识别技术的角色基于卷积神经网络(CNN)模型在指导大学生的有氧运动及其对他们的身体和心理健康的影响,为学生提供了一个科学有效的方法有一个健康的身体和情绪。256名大学生被随机分为对照组(由自我评价选择适当的有氧运动,运动进行自发)和观察组(有氧运动的指导下机器学习模型运动识别技术),每组128例。的生理和心理状态的改变两组大学生进行评估后一年。CNN算法的识别率测试结果(92.98%)和静止的识别精度,散步,跑步,蹲,手提高,坐的位置,刺,和其他运动国家高于递归神经网络(RNN)(52.22%)和深层神经网络(款)(40.21%)算法( );经过1年的锻炼,800/1,000 m运行性能,立定跳远表现,1分钟仰卧起坐性能、肺活量、最大每分钟呼吸机体积(MVV)和肺活量/体重指数、中风量(SV)、心输出量(CO)、射血分数(EF)、心率(HR)、射血时间(ET),意味着收缩射血率(女士),平均速度的圆周纤维缩短(MVCF)观察组优于对照组,和紧张、愤怒、抑郁、疲劳、恐慌、能源、自身的情感,和改善情绪干扰(TMD)总得分也高于运动前。改善身体健康的影响,大学生的心肺功能,心态观察组优于对照组( )。有氧运动可以有效地改善身体健康,心肺功能,和不良心态的大学生,通过机器学习的帮助,运动识别技术可以进一步提高有氧运动的效果,值得应用和推广。
1。介绍
近年来,由于学习和社会的激烈的竞争,许多大学生的生理和心理状态不同程度影响,带来了很大的影响在随后的研究中,生活,和工作。研究统计数据后,大学生的共同生理效应包括体能差造成的缺乏锻炼,复兴的心血管疾病,和心脏性猝死的发生率增加1]。心理效应包括心理焦虑引起的各种压力(学习、体型等等),这间接导致行为障碍,如药物滥用和依赖,饮食失调,网络成瘾大学生(2]。持续的教育体制改革,国家越来越重视大学生的身心健康,建议学校应该被包括在评估系统的检测身体健康水平(3]。为了让学生有一个健康的身体和心情,大多数高校都提倡加强有氧运动。有氧运动被定义为一个体育锻炼的做运动的人足够的氧气供应状态(4]。有氧运动是由节奏调整呼吸状态,而且可以使锻炼者控制运动强度根据自己的身体状况和身体健康,它可以大大提高心肺功能(5]。Guadagni et al。6)提出合理的有氧运动可以提高人们的身体健康,减少心血管疾病的可能性(7),提高人们的自信和幸福,并减少心理疾病的发生8]。目前,更常见和容易推广有氧运动主要包括慢跑、游泳、太极拳等结合各种锻炼方法(9]。然而,运动模式和运动状态对运动的效果有一定的影响。
运动状态识别是指建立运动模型采用相应的技术手段通过大量的数据采集和数据分析的运动状态的做运动的人10]。运动状态识别技术的关键环节是建立模型,模型建立的基础和技术手段。前面的运动模型是基于传统的分类算法,但该算法获得的数据信息是相对单一,和自学能力差,导致经常有某些错误的获得数据,并应用范围更为有限的不便携带测量工具(11]。互联网的快速发展和深度学习技术,以使应用程序的数据测量工具无限的,它可以广泛应用于许多领域(如医疗卫生、军事训练、虚拟现实)(12]。Yu et al。13)提出了一种基于多层神经网络的运动状态识别方法,可以使用智能手机来收集数据和准确识别运动状态。多层神经网络模型包括卷积神经网络(CNN)图像识别和语音识别(14),递归神经网络(RNN)的自然语言处理和语音音频识别(15),深层神经网络(款)有所发展过度拟合现象16]。多项研究表明,CNN的self-extraction和特性保留特征可以有效地提高运动的准确性和稳定性识别技术(17,18]。
这是进一步探索运动识别技术的指导作用基于CNN网络大学生的有氧运动模型及其影响大学生的身心健康。大学生被选为研究对象。通过分析大学生的身体和心理健康前后运动,运动识别技术基于CNN网络模型应用于评估大学生的身体功能,评估这项技术的应用价值,并为学生提供多种科学有效的方法有健康的身体和情绪。
2。研究方法
2.1。研究对象
256名大学生参加2017、2018、2019年和2020年在XXX学校被随机选中作为研究对象。有173名男大学生和83名女大学生,年龄在23到27岁,平均年龄为(25.23±1.34)岁,体重50公斤至80公斤,平均(67.10±17.01)千克的重量。所有受试者分为对照组和观察组随机数字表,每组128例。大学生在对照组选择适当的有氧运动通过自我评估和执行锻炼自己。观察组的大学生进行有氧运动的锻炼运动识别技术的指导下根据CNN网络模型。的生理和心理状态的改变两组大学生进行评估后一年。这个实验被相关的伦理委员会批准。
入选标准如下:大学生;学生自愿参与这个实验;学生签署知情同意;学生以前没有系统的有氧运动和其他运动。
排除标准如下:患有严重的心理疾病,没有自主意识;严重患者内脏疾病,免疫系统疾病,和其他疾病;那些未能完成实验;nonschool体育的学生。
2.2。根据CNN网络运动状态识别模型
它应该是智能手机收集的数据属性值的数量N。然后,输入数据集可以表示为 ,和卷积的输出结果层CNN网络可以表示如下: 代表了激发函数,代表卷积的数据层,代表功能组的数量,代表了偏见,意味着卷积核的大小,意味着神经元的数量,意味着数据的数量。卷积的输出结果层通过池层,和最大池用于数据处理。 代表池层的大小,表示步长。隐藏的特性数据的数据获得的多个处理根据上述方程。然后,将Softmax分类器是用于分类数据,以区分不同的运动状态。将Softmax分类器位于顶部的CNN网络。从池获得特征向量集层可以表示为 , 意味着在最后池层的单元数,并将Softmax分类器的表达如下: 代表了一类,代表数据的最新水平,表示类别数量的值。最后的运动状态类别可以通过分类器的分类。CNN网络表示运动状态识别如图1。
图1显示了一个操作过程的运动状态识别和前馈操作CNN网络的一部分的重量值CNN网络共享。分类的错误率可以通过这个网络运行,然后,新的重量可以获得通过使用随机梯度下降法(SGD)。SGD的具体表达式如下: 在哪里代表了损失函数和非线性映射函数方法。当正面反馈的准确性达到估计价值或其他条件都满足,可以停止计算。
因为CNN网络在矩阵的数据格式,在智能手机和数据格式不一致,有必要从红绿蓝(RGB)数据格式在图像处理领域,主要由滑动窗口处理折叠方法。假设数据集 ,的长度是 ,滑动窗口的长度 ,和步长 ,和滑动窗口折叠的处理表达式如下:
转换后,可以获得。
卷积的计算相应的层和池层可以表示如下。
相应的卷积计算层如下: 代表了复杂的矩阵,卷积输出矩阵,卷积核,矩阵的大小。
池层主要用来降低数据的维数卷积层。池的长度和宽度内核表示为和 ,分别。然后,最大池的操作表达如下:
运动状态识别进行了根据模型,通过计算及其应用性能进行了评价其识别率(年代)的运动状态和识别精度(一个)的不同运动状态。
具体计算方法如下。 在哪里代表实际运动状态分类,意味着认识到运动状态类别。代表的总病例数某种类型的运动,识别错误的病例数的某种类型的运动,然后呢数量的类型的运动状态。
2.3。锻炼的方法
根据常见的有氧运动方法,锻炼方便地实现大学生是主要的运动,包括太极拳、慢跑、和锻炼方法相结合。大学生在对照组选择适当的锻炼方法根据自己的条件,没有收到任何人的指导或技术在这一时期,可以调整根据他们的身体健康;观察组的大学生选择有氧运动方法和更精确的运动的指导下执行CNN网络运动状态识别技术;做运动的人的四肢和肌肉,调整通过最大化的运动状态的识别运动的效果。培训周期和时间是3次/周,90分钟/次,和对照组与观察组是相一致的。
2.4。结果测量
身体健康的变化、心肺功能和心理两组前后一年的锻炼进行了比较。
物理变化的测定方法:根据相关内容和专家意见,主要身体健康指标包括运行性能,测量站跳远成绩,1分钟仰卧起坐的性能。
心肺功能评价方法、肺活量最大每分钟呼吸机体积(MVV)和肺活量/体重指数、中风量(SV)、心输出量(CO)、射血分数(EF)、心率(HR)、射血时间(ET),意味着收缩射血率(女士),平均速度的圆周纤维缩短(MVCF),测量评估心肺功能的变化。
心理评估方法、心理评估,采用的情绪状态(盐)[19]。测试指标主要包括紧张、愤怒、抑郁、疲劳、恐慌,能量,和自身的情感。使用五级量表,几乎没有0点,少点,moderate-2点,相当lot-3分,对于点。以上七个方面的最高分数是24日,28日,24日,20日20日24日和20日分别得分最低的是0。之后,心情总扰动(TMD)得分计算评估情绪状态。具体计算如下:
来指示的得分结果紧张、愤怒、抑郁、疲劳、恐慌,能量,和自身的情感。较低的TMD表示好心情状态。
2.5。统计方法
采用SPSS 22.00统计软件对数据录入,整理和统计分析。χ2测试是用来比较的统计数据;测量数据(平均值±标准偏差),表达的t以及使用。 表示没有显著性差异; 表示有显著差异; 表示一个非常显著的差异。
3所示。结果
3.1。比较运动状态的识别率
数据获得的140名学生拿着智能手机采样频率为50 HZ。CNN算法识别率与RNN和款算法。结果表明,CNN算法的训练结果和测试结果分别为96.67%和92.98%,分别。两组之间没有显著差异( )。RNN算法的训练结果和测试结果分别为65.11%和52.22%,分别和两组之间有显著性差异( )。款算法的训练结果和测试结果分别为90.65%和40.21%,分别和两组之间有非常显著差异( )(表1)。CNN算法的识别率高于RNN和款算法( )。
3.2。比较不同运动状态的准确率
主要确定运动静止等州,散步,跑步,蹲,手提高,坐的位置,和道具。CNN的识别精度,RNN款算法计算不同运动状态(图2)。通过观察、各种运动状态的识别精度最高的CNN算法模型,识别精度的静止不动的,走路,坐的位置,和道具是100%,98.87%,99.67%,97.99%。
3.3。一般条件的比较
表2展示了大学生的一般情况在两组。在对照组,男大学生占69.53%,女大学生占30.47%。观察组的男大学生的比例是65.63%,而女大学生的比例是34.38%。在对照组,大学生与正常血压的比例是48.44%,而血压异常的比例是51.56%。观察组的血压正常的比例是53.91%,和血压异常的比例是46.09%。大学生的平均年龄和平均体重对照组(24.23±1.76)岁(68.73±16.12)公斤,分别。大学生的平均年龄和平均体重观察组(25.66±1.06)岁(67.12±16.87)公斤,分别。后比较,无显著性差异在性别分布、平均年龄、平均体重,血压分布之间的两组( )。它表明两组有一定的可比性。
3.4。生理变化的比较
图3显示了800/1,000米跑成绩的比较前后两组的大学生一年的锻炼。运动前,对照组的平均运行得分(3.61±0.08)分钟/ s,和观察组(3.64±0.07)分钟/ s。两组之间没有显著差异( )。经过一年的锻炼,对照组的平均运行得分(3.40±0.04)分钟/ s,和观察组(3.04±0.03)分钟/ s。800/1,000米跑成绩的对照组和观察组经过1年的锻炼比运动前,和运行观察组的分数经过1年的锻炼是优于对照组( )。
图4建议的立定跳远成绩的比较前后两组大学生一年的锻炼。在锻炼之前,对照组的平均站跳远成绩(1.71±0.03)米,与观察组(1.72±0.04)米,无显著差异( )。经过一年的锻炼,对照组的平均站跳远成绩(1.76±0.06)米,与观察组(1.82±0.07)米。比较后,立定跳远成绩的对照组和观察组后一年比运动前运动好。立定跳远成绩的观察组优于对照组经过1年的锻炼( )。
图5显示1分钟仰卧起坐性能的比较之前和之后一年两组之间的运动。在锻炼之前,平均1分钟仰卧起坐表现(34±4)对照组和观察组(35±3),无显著差异( )。经过1年的锻炼,平均1分钟仰卧起坐表现(42±7)对照组和观察组(56±4)。比较后,1分钟仰卧起坐性能经过1年的锻炼在对照组和观察组优于在锻炼之前,和1分钟仰卧起坐性能的观察组优于对照组,在经过1年的锻炼( )。
3.5。比较心肺功能的变化
图6显示出统计结果至关重要的能力,MVV和肺活量/体重指数两组大学生的之前和之后1年的锻炼肺通气功能的评估。在锻炼,肺活量、MVV和肺活量/体重指数的大学生在对照组(2810 .12点±121.65)mL, (102.01±3.98) l / S,和48.22±4.02,分别,而观察组(2798 .89±126.02)毫升,l / S(103.35±3.87),和47.67±4.23,分别和没有显著差异( )。经过一年的锻炼,肺活量,MVV,和肺活量/体重指数的大学生在对照组和观察组改善,毫升(2910 .67±131.77),(116.34±4.99)l / S,在对照组50.02±4.92,和(3102点±125.09)毫升(120.33±4.87)l / S,分别观察组和52.12±4.65。比较之后,肺活量的改善效果,MVV和肺活量/体重指数在观察组优于对照组( )。
图7显示了心脏泵功能的变化的统计一年前后两组大学生的运动。图7(一)表明SV的检测结果,有限公司,英孚,人力资源,等,女士,MVCF对照组和观察组在运动之前。它可以观察到,没有显著差异的检测上述指标在两组之间的大学生( )。图7 (b)揭示了SV的检测结果,有限公司,英孚,人力资源,等,女士,MVCF两组大学生运动后。SV的检测结果,有限公司,英孚,女士,和MVCF观察组高于对照组,和人事等的检测结果低于对照组。两组之间有显著的统计学差异( )。
(一)
(b)
3.6。比较的心态变化
酸盐被用来评估变化的心态锻炼前后的两组。表3盐低分数的结果显示两组大学生在锻炼之前,并没有显著的统计学差异紧张、愤怒、抑郁、疲劳、恐慌、能源、自身的情感,和TMD分数两组( )。图8显示了比较紧张、愤怒、抑郁、疲劳、恐慌、能源、自身的情感,和TMD得分结果两组之间经过一年的锻炼。的紧张、愤怒、抑郁、疲劳、恐慌,和TMD的大学生在两组减少,和评估能源和自身情绪的增加,和改善效果的观察组明显优于对照组( )。
4所示。讨论
逐渐关注身体健康,体育锻炼已经吸引了广泛的关注。今天的健康不仅包括物理方面也是心理健康。作为这个国家的希望,学生的身体和心理健康已经成为一个热点的关注。目前,有氧运动被人们公认和练习,和许多研究表明,有氧运动可以有效地调节和改善人体的功能(20.,21]。为了提高准确性的运动和锻炼的效果最大化,有氧运动结合运动状态识别技术是基于CNN算法,这是应用于大学生的健康运动。
精度和强度的运动可以被识别准确地调整运动状态的试验程序。CNN算法的识别率测试结果(92.98%)高于RNN(52.22%)和款(40.21%)算法( )。CNN算法的识别精度高于RNN的算法和固定的算法,款步行、跑步、蹲,手提高,坐的位置,和道具。CNN算法的识别精度为静止的,走路,坐的位置,和道具是100%,98.87%,99.67%,97.99%。一些相关研究也得出结论,CNN-based运动状态识别模型的性能明显优于其它算法,和准确性是最高的22]。此外,通过比较CNN算法的训练结果和测试结果,RNN算法,算法款,发现没有明显区别的训练结果和测试结果CNN算法( ),虽然之间有显著差异的两个结果算法和款RNN算法( ),表明CNN的稳定性能高于RNN和款算法。陈等人。23]提到,CNN算法在应用程序测试稳定性好。徐et al。24还提议,CNN算法的识别精度和稳定性更好的识别方法比基于时域和频域特征。通过上面的分析,发现采用运动状态识别技术基于CNN算法有很好的可行性。为了进一步探索的辅助效果上面的运动状态识别技术在大学生有氧运动,256名大学生被分为对照组和观察组应用效果评价。
通过研究,发现两组大学生的身体健康得到了改进后一年的锻炼,和800/1,000 m运行得分,站跳远成绩,1分钟仰卧起坐的对照组和观察组后一年的锻炼是高于运动前( ),表明有氧运动可以有效地改善人们的身体健康。Farenia et al。25)提出,有氧运动更有效果在改善肌纤维结构与无氧运动相比,可以更好地促进人们的运动量。此外,心肺功能指标的结果(MVV肺活量,肺活量/体重指数、SV,有限公司,英孚,人力资源,等,女士,和MVCF)和盐(紧张、愤怒、抑郁、疲劳、恐慌,能量,自身的情感,和TMD)两组中均有改善后一年的锻炼( ),表明有氧运动可以有效地改善人们的心肺功能,提高人们的情绪状态。Aburub et al。26]提到有氧运动对心脏健康的积极作用。Messaggi-Sartor et al。27)提出,在高强度的有氧运动可以帮助呼吸肌肉训练能够有效地提高运动能力和呼吸肌肉力量肺癌切除术后的患者。Santoso et al。28]提出有氧运动的影响提高NT-pro BNP,通气效率,有氧能力,最大负载,并在心力衰竭患者左心室功能。此外,急性有氧运动对改善情绪和减少焦虑的影响也被证明在临床和临床前的数量29日]。这些研究表明,有氧运动可以增强人的心肺功能,这基本上是一致的趋势这一探索的结果。品牌等。30.)提出,有氧运动更有可能发挥作用在改善心理功能维度当人民运动协调的需要得到满足。运动状态识别技术可以准确地检测人民运动协调。此外,穆罕默德et al。31日)发现,运动识别可以有效地改善康复训练的影响,表明运动状态识别技术在临床治疗具有良好的应用前景。
5。结论
运动识别技术基于CNN网络模型用于指导大学生的有氧运动,及其应用价值在大学生的身体和心理健康进行了研究。结果表明,有氧运动可以有效地改善身体健康,心肺功能,和不良心态的大学生,和运动识别技术根据CNN网络模型可以进一步提高有氧运动的效果,值得应用和推广。然而,由于研究对象的选择范围相对有限,缺乏一些延伸的结果,还需要进一步的研究来证实普适性的有氧运动以及运动识别技术应用程序中基于深度学习大学生身心健康的改善。
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
所有作者宣称他们没有利益冲突。
确认
作者承认大学的同事们的帮助。