对一套完整的健身运动检测使用智能手机的传感器

文摘

智能手机与健身运动预测可以作为健身教练。然而,各种可用的解决方案没有成套大多数练习练习。因此,在这项研究中,一组完整的大部分练习26个练习从文学被确认。在演习中,14是独特的和12到现有的文献是很常见的。此外,找到合适的智能手机附件位置(s)和传感器的数量和尽可能高的精度预测演习也被研究的目标。除此之外,本研究考虑最多的参与者(20)比现有文献(最多10)。结果表明三个关键教训:(a)最适合分类器预测类(运动)从基于传感器数据被发现资讯(再邻居);(b)传感器放置在三个位置(手臂、腹部和腿)可能比其他职位更准确的健身房锻炼;和(c)加速度计和陀螺仪结合时可以提供准确的分类高达99.72%(使用资讯作为分类器3的位置)。

1。介绍

技术的发展陷入困境的人,使他们的生活忙碌。这是他们的健康产生负面影响1]。然而,这项技术还帮助人们改善他们的健康,教育,商业,和社会关系2]。技术的有益的影响是巨大的,特别是在健康领域。多个硬件和软件(3,4)是用于提高整体的人类健康。在不同来源的维护健康、健身房健身的主要来源。

人们加入健身房实现目标喜欢健身,健身或减肥。在现代世界,技术已经取代了传统的概念指导和训练来保持健康和体形。像智能手机和设备可穿戴设备的工具在许多资源,有助于保持健康和体形5- - - - - -8]。还有一些研究[9- - - - - -11)支持的技术可以帮助实现健身目标。此外,有各种各样的智能手机应用程序(如[12- - - - - -14),可以跟踪不同的体育活动,如散步、跑步,坐着,站在相应的卡路里烧毁。传感器(加速度计、陀螺仪等)用于跟踪活动。

许多可穿戴设备和智能手机应用程序跟踪体育活动和卡路里倦怠(3,4]。然而,所有的研究提供了适当的测量主要健身活动的信息。例如,研究如9,11,15)有针对性的一群上半身肌肉以及一些热身练习。这项研究是一个类似尝试但在许多方面是不同的。首先,在本研究中,14个锻炼不同的肌肉群(腹部、上半身和下半身)被添加到走向一个完整的解决方案。

第二,在大多数现有的研究,传感器的位置或设备只是手臂。西格等。16)使用三个传感器在下列位置:一个加速度计的手腕,一只手手套,一个传感器在躯干位置。我们假设使用加速度计和陀螺仪在三体位置(胳膊,腿和腹部)可以提高精度的依赖各种健身运动位置单独或组合。

第三个目标是确定所需的传感器数量准确检测一个练习。在假设三个位置,五个传感器使用:在手臂和腿,加速度计和陀螺仪,在腹部,只加速度计。单一传感器的肚子只会被用来确定铺设(x设在)、站(y设在)或中间位置,通常用于健身房练习(如角腿出版社)。这些传感器的精度的贡献进行了分析研究。

分类算法用于检测运动在等相关工作7,9,11,15- - - - - -17)线性判别分析(LDA),二次判别分析(QDA),再(资讯),朴素贝叶斯(NB)、支持向量机(SVM)和动态时间包装(DTW)算法。精度的结果通过研究是有前途的。然而,他们使用数据集非常稀疏(从8到10人)43独特的练习。彼此相关的练习也还是练习相同的肌肉群运动/拥有相同的活动模式。第四本研究的目的是增加参与者的数量在真实生活环境带来更多的精确结果。参与者的数量的增加,因此数据集也可能影响运动检测算法的选择。这第五个目标,选择最合适的算法(s)检测健身房练习。

剩下的纸是组织如下。部分2的上下文中讨论了相关文献的目的。部分3材料和方法。节4,阐述了实验装置。节5,分析并讨论了结果。部分6总结了论文以及识别一些限制。部分还将在未来可能的工作。

2。文献综述

在本节中,讨论了相关工作的背景下,本研究的目的是。因此,本节分为以下三个部分:(1)运动检测,(2)定位和传感器的数量,和(3)运动检测算法。被试的选择是在材料和方法部分描述。

2.1。运动的选择

第一个活动识别研究基于可穿戴传感器设备(18)于2000年出版。在这项研究中,他们连接两个加速度计在裤子的口袋里认识到日常生活活动。研究[19)检查一个智能手机加速计的使用活动识别。报告结果显示精度在80%和97%之间取决于所使用的组活动和处理技术。Muehlbauer et al。7)用手臂位置附上一个Arm-Hostler固定传感器识别一组十上半身健身房练习。他们报告说93.6%的准确率在90%以上的情况下,他们的研究。MyHealthAssistant [16使用三个加速度计)分类健身房练习(手手套、手腕和躯干)。他们训练有素的贝叶斯分类器在均值和方差特性收集通过加速度计。他们收集了11的数据训练,取得了92%的准确率。Chang et al。8]使用2加速器(手和腰部位置),研究了隐马尔科夫模型(HMM)和贝叶斯分类器识别练习。他们已经达到了90%的准确率的九个练习和整体miss-count率的5%左右。

活动识别收集的数据从2006 - 2018年相对应的文献发现,只有6的25个研究相关的健身锻炼,其余19 25研究论文是关于日常生活的体育活动,情感识别,和老人跌倒检测(20.]。所有的25个文件被用来提取信息,如使用的传感器类型、特征用于识别活动,所使用的分类算法。

2.2。位置和数量的传感器

在大多数的文献,只利用单一传感器活动识别。然而,一些研究使用多个传感器。例如,作者在21)把加速度计和陀螺仪结合在一起,说陀螺仪添加识别结果。然而,一些相互矛盾的结果报告的作者(22]。研究[10)增加了3.1 - 13.4%的识别精度08年09年活动时加上一个加速度计陀螺仪使用资讯分类算法。加速度计的平均精度报道为83.7%和90.2%的加速度计和陀螺仪,准确率平均增加了6.5%。这项研究还显示,传感器组合提供了更好的结果比独自加速度计。然而,本文并不报告个人的精度,因此导致歧义是否陀螺仪和加速度计精度起到了重要作用。

表1提供传感器的数量和设备位置的细节表时按文献2描述了使用的组合传感器(传感器融合)以及他们的精度。

从分析表2,它可以辩称,加速度计和陀螺仪提供了最强的精度的结果。此外,在大多数情况下,一个陀螺仪,提高识别精度从3.1%到13.4%使用时结合加速度计(10]。磁力仪在活动中所扮演的角色识别较差。

2.3。运动检测算法

相关文献也使用不同的分类算法。例如,作者的21)使用资讯结合支持向量机(SVM)和作者的22)使用资讯结合决策树和朴素贝叶斯的作者(40]J48与朴素贝叶斯决策树相结合用于运动识别。他们报道,平均精度为95%,90.2%和88%,分别。表3显示了三大分类器朴素贝叶斯(NB),决策树(J48),再(资讯)被大量用于活动识别的目的。

结果的准确性取决于合适的分类算法的选择以及选择合适的参数。表4显示了三大文献中最常用的特性,即是说,标准偏差,最小值和最大值作为分类算法参数。

3所示。材料和方法

在本节中,在这项研究中使用的材料和方法进行了讨论。部分3.1论述了健身运动对当前的选择研究。部分3.2是关于应用程序的开发用于数据收集过程。部分4是关于实验和数据收集方法的研究。

3.1。选择的练习

选择的过程是通过收集所有健身房锻炼的列表的两个来源(41,42]。列出的来源74健身运动被称为将TE(总练习)。验证的可重复性运动在健身房,报告的作者之一访问四个城市的大多数已知的和常用的健身房会见去健身房运动。他们采访最常见的运动健身训练。结果54最常用的健身运动的一个子集。将被称为集合SE (Subexercises)。

SE集与文献中提到的一组常见的练习导致(共同练习)CE 35练习。CE中的练习进一步分为练习组信息,如运动位置和设备用来做运动。

进一步分析的CE透露,五个练习重复在不同的肌肉群有不同的名称。的一个演习发生三次,其余的四个练习两次每个肌肉群。删除重复的29组CE导致一组练习。

从29日练习,3练习相关的头和被认为是在文献[热身练习43]。这三个练习也从列表中移除29练习减少最终的运动集(总最后练习)TFE 26。

在上面提到的练习段落提取等研究论文(7,9,11,15- - - - - -17]。在这些引用中,研究[17)相关只有健身房热身练习,因此不包括在运动选择。剩下的文件被用来形成5运动集(EP1-EP5)。这里,E代表运动和P。因此,EP1代表运动设置从纸中提取1,也就是说,文献[7)等等。工会运动集EP1-EP5是导致组(从论文总练习)TEP包含43练习在文献中。集TFE是减去从集合TEP提供14独特的练习和12练习,被认为是在文献中(表5)。

3.2。应用程序开发

为了实现本研究的目标,第一个要求是开发一个应用程序从参与者收集数据。为目的,基于android的智能手机应用程序开发。用户可以添加、查看、编辑和删除个人资料。开发应用程序的用户界面如图1的流动,而用户与应用程序的交互图阐述了2。应用程序还提供了附加的文件纸的研究人员想要复制研究。

图2显示整个过程的数据收集应用程序开发。开始屏幕提供了新用户注册自己的选择,虽然已经注册用户可以去注册用户的屏幕上。新的注册选项的选择之后,用户可以注册屏幕选项。他们要么可以输入他们的身高和体重等个人信息注册新用户配置文件或者没有注册可以回到主屏幕。在点击已注册用户选项,用户可以移动到已注册用户概要文件列表中选择他们的配置文件的名字。选择概要文件屏幕信息出现的用户,在那里他们可以开始记录运动数据,也将开始做运动。他们还可以查看存储记录或可以回到主屏幕。用户可以从主屏幕退出应用程序。

4所示。方法

智能手机开发的应用程序是安装在3,位置如图3。LG模型F180被附加到腿部,而另一个类似的模型连接到手臂。该模型既支持加速计和陀螺仪传感器提供的值加速度和旋转。对于腹部位置,我们只需要一个传感器来确定状态(坐、躺)的参与者。为了Q-Mobile模型,i7是附加在腹部位置只加速度计传感器的支持。

这项研究还旨在增加参与者的数量和收集不同的数据。因此,20个参与者与两组共10为每个参与者重复使用的目的。前10个重复用于相关文献等(11]。数据收集与一组选定的26个练习。智能手机连接在三个不同的身体姿势(手臂、腹部和腿)。所有的健身参与数据收集被要求的行为通常是他们平时锻炼的一天。传感器X,Y,Z值被记录并存储在一个文件由应用程序在进行练习。所有的活动都是在室内体育馆进行。

4.1。实验装置

实验设置部分分为四个部分。部分以下4.4.1是关于道德合规根据参与者的参与和数据收集。部分4.1.2解释了参与者的人口。部分4.1.3数据收集过程。准备的数据分析部分中讨论4.1.4。

以下4.4.1。道德的遵从性

部门伦理委员会被称为项目研究和评估委员会(PREC),批准了研究设计和在上面定义的程序部分。知情同意的研究是本研究的参与者。

4.1.2。参与者

对于参与者的选择,最繁忙的健身中心的城市被选中。用于定期去健身房的健身是接近和数据收集的目的和目标是解释给他们。所有男性20个参与者自愿参与数据收集过程。之间的参与者年龄20 - 35的括号。他们的平均年龄是25.85岁SD为4.13。高度范围从162到181厘米,平均171.1厘米,SD的5.34。他们的重量范围从62到80公斤的意思是68.1公斤,SD 5.56,分别。健身房体验之间的参与者2和19个月,平均9.35个月和SD为4.90。完成所有的练习都与自由重量器械(参与者自己选择权重)。

4.1.3。数据收集

数据记录从5传感器(两个传感器智能手机上的腿,两个附加的手臂,和一个附加在腹部)。所有的传感器记录X,Y,Z值,当参与者在做运动。一个三轴加速度计估计加速度X,Y,Z轴和陀螺仪(音高、偏航和滚动)帮助加速计来预测的方向传感器。三个智能手机从服务器同步的时间。一起被记录到毫秒的时间X,Y,Z值。这导致了15X,Y,Z值随着时间戳,运动的类别、锻炼的名字。数据集可以从文献[17,44,45)是不习惯,因为数据的nonavailability 14独特的练习。我们也决定收集数据的练习可能设置的数据是可用的,因为现有的研究和本研究之间的区别。这可能有助于对抗偏见和变化。

4.1.4。数据准备

识别过程包括练习使用多个传感器的数据的集合。数据预处理和分割和特征提取和分类作为最后一步(11,46]。本研究遵循相同的过程。

三种不同的文件包含运动数据从每个智能手机被仔细结合比赛参与者的分配id和时间戳。在第二步中,记录数据从CSV文件预处理去除额外的噪音。例如,在一个练习的开始和结束,参与者的动作非常随机的牛肉干和不符合要求的运动。因此,去除噪音我们从第一个3秒和删除数据的最后3秒每个运动的记录数据。对于每一个练习,有两组,每组10个重复和平均38秒的参与者一个练习的时间消耗。预处理后,我们只考虑32秒的数据。应用程序记录4样品。

等先前的研究[11]其次窗口用于提取所需的特性和1分钟幻灯片变化数据。我们采用了相同的策略。特征提取是基于最常用功能(意思是,标准偏差和最小和最大)的类似性质的数据如表所示3。为每个X,Y,Z值,这四个特性提取形成60特性(36 24陀螺仪加速度计的特性和功能)。

分析预处理数据,我们使用WEKA(怀卡托环境知识分析)(47]。预处理数据(特征提取)被转换为飞机救援消防(Attribute-Relation文件格式)。按以下列出的属性命名策略。在属性的名称,第一个位置字符”一个代表一只手臂,b“代表腹部,和“l代表的腿。第二位字符的一个”或““代表加速度计和陀螺仪。第三位字符的x”、“y”,或“z“代表轴值X,Y,Z。选中的分类器NB、资讯和J48按表3使用了默认配置设置。在测试选项,80%的训练,20%的比例分割测试选项被选为也使用(38,48)来评估分类器的性能和精度。

5。分析和结果

现有的研究主要使用了三个分类器,即NB,然而,J48 (cf表3),因此他们也被用于这项研究。所有的上述算法可以创建多种形式的类边界和,因此,适用于收集的数据通过传感器和设备(10]。此外,在实际应用中,这些方法快,很容易实现(10]。

我们检查了两个传感器(加速度计和陀螺仪)的值与上述分类器在三个不同的身体部位(手臂、腹部和腿)。在五个方面进行了分析:首先,分析运动考虑三个传感器的数据相同的性质,也就是说,加速度计(行1、2和3的表6)附在三个位置(胳膊、腿和腹部)。只有两个陀螺传感器在手臂和腿的位置,位置的数据进行了分析,提出了按行表4和56。同样的过程持续了三、四、五个传感器如表中所示6。

在表6“传感器名称”列的名称代表传感器获得的数据。前面的数字传感器的名字代表了计数传感器用于获取和分析数据。例如,年代数字6、7和8表6显示“加速度计= 2”,这是表明两个加速度计连接在身体位置(在下一篇专栏文章中显示)被用来分析数据。输入数据的结果从所选的三种分类器在分类器的名称列形式的准确性。最后一列是特征分析中使用的数量。单个传感器在身体位置将有12个功能,使用两个传感器将有24特性,等等。

结果显示,99.72%的最佳精度与资讯分类器实现使用五个传感器三个附件职位(手臂、腹部和腿)。然而,我们可以看到从总结按表7,这不是一个大的变化从资讯的准确性使用两个传感器在两个附件位置。至少两个传感器在手臂和腿的位置提供了一个使用99.27%的准确性equatable五个传感器位置。

对于每一个活动(运动),使用资讯分类器的精度实现加速度计和陀螺仪是一个小比只使用加速度计。精度的结果和他们的区别如表所示8。

分类混淆矩阵图4显示最高的精度是通过使用数据从传感器的智能手机和资讯分类器。检查混淆矩阵,结果表明,大部分的类(练习)被准确地预测。然而,几类(练习)没有可微,因为相似的运动位置和性质。例如,三头肌群与有线电视和三头肌(肱三头肌出版社出版社与酒吧)有相似的运动模式。然而,我们仍然可以区分它们基于按表执行时间的差异8。表显示肱三头肌新闻栏需要26.8秒20重复而肱三头肌和电缆需要29.2秒的20重复因此有2.4秒的差距。

6。结论和未来的工作

本研究的目标是预测健身房练习在智能手机的帮助下,传感器在实际设置。为了实现目标,提取练习从文学的预测进行了研究工作,并与一组最常用的锻炼在健身房。本研究结果是14独特的练习。此外,12共同练习也考虑比较的目的。此外,发现传感器合适的附件位置,以及传感器利用预测的数量准确地锻炼,也是本研究的目标之一。同时,我们进行练习与最大数量的参与者(20)与现有文献(平均马克斯。10)。本研究结果显示三个主要经验教训来自在检查目标。(一)最适合分类器预测类的传感器数据被发现资讯。(b)传感器放置在三个位置(手臂、腹部和腿)可以提供更好的精度比其他岗位在健身房锻炼的问题和(c)智能手机结合传感器加速度计和陀螺仪能提供准确的分类(使用资讯作为分类器3位置)在大多数活动的平均准确率可达到99.72%。他们的结合可以提高精度达0.21%。

形式的研究可以实现一个智能手机应用程序,可以打开用户在健身房做运动时。在未来,这个应用程序可以嵌入的卡路里烧毁跟踪器应该能够指导去健身房做锻炼多少次?输出可以以声音的形式通知以及声音的消息可能会建议改变或停止运动。

这项研究有一些局限性。在这项研究中,只有14个独特的运动被认为是将文献55练习练习。在这种背景下,74年的总练习按来源(41,42),19(19)健身房练习仍然是预测虽然不是最常用。未来的研究可以考虑这些练习。此外,在本研究中,涉及任何女性参与者因此有概率nonapplicability这项研究的女性参与者。未来的研究也可以雇佣女性参与者进一步提高精度。

数据可用性

补充信息文件中的数据是可用的。然而,任何查询有关本文研究的高度赞赏,可以问的主要作者(乌斯曼阿里汗和伊夫提哈尔•艾哈迈德汗博士)。

的利益冲突

作者宣称没有利益冲突。

补充材料

飞机救援消防(属性关系文件格式)文件是一个ASCII文本文件,它描述了实例共享一组属性的列表。ARFF文件是由机器学习项目的怀卡托大学的计算机科学使用Weka机器学习软件。完整描述包括关于如何阅读这个文件的信息可在以下网址。https://docs.rapidminer.com/latest/studio/operators/data_access/files/read/read_arff.html。(补充材料)

引用

1. 诉伯克,l . j .贝林k . Durkin w·g·k . Stritzke s霍顿和c·a·卡梅伦“电视、计算机使用、体力活动、饮食和澳大利亚青少年肥胖,”国际期刊的儿童肥胖,1卷,不。4、248 - 255年,2006页。视图:出版商的网站|谷歌学术搜索
2. 施蒂格利茨和t·布罗克“e-participation智能手机所带来的影响,”年度夏威夷国际会议体系科学学报》上毛伊岛,页1734 - 1742年,美国,2013年1月,你好。视图:谷歌学术搜索
3. c·史密斯,耐克Fitbit Flex2020年,Wareable.com,马来西亚,https://www.wareable.com/fitness trackers/not——所以生日快乐- - - -耐克fuelband - 2351。
4. j .公园和e·弗里德曼FITBIT2020年,Fitbit.com,美国,https://www.fitbit.com/home。
5. o . Banos m .花缎h·珀玛a .普列托和罗哈斯,“日常生活活动识别基于统计特征质量的群体选择,”专家系统与应用程序,39卷,不。9日,第8021 - 8013页,2012年。视图:出版商的网站|谷歌学术搜索
6. m . Zhang和a . a . Sawchuk“人类日常活动识别使用可穿戴传感器与稀疏表示,“IEEE生物医学和卫生信息学杂志》上,17卷,不。3、553 - 560年,2013页。视图:出版商的网站|谷歌学术搜索
7. m . Muehlbauer g . Bahle和p . Lukowicz手臂皮套穿智能手机能做什么活动识别?“在学报2016年ACM国际研讨会可穿戴的第一版。ISWC2011年9月,德国海德堡。视图:谷歌学术搜索
8. K.-h。Chang m . y . Chen和j .精明的“跟踪free-weight练习,”主要2007:无处不在的计算卷。4717年,19-37,2007页。视图:出版商的网站|谷歌学术搜索
9. d·莫里斯,t . Saponas a Guillory,即凯尔纳“RecoFit:使用一种可佩带的传感器,认识,和计数重复练习,”计算机安全学报》第32届会议新奥尔良,页3225 - 3234年,洛杉矶,美国,2014年10月。视图:谷歌学术搜索
10. m . Shoaib h . Scholten, p .真的,做出“对身体活动识别使用智能手机的传感器,”IEEE 10日国际会议上无处不在的智能和计算仅仅,页80 - 87,Vietri南,意大利,2013年12月。视图:谷歌学术搜索
11. h . Koskimaki”MyoGym-introducing开放数据集健身活动识别收集使用myo臂章,”主要/ Iswc卷,17日,页。537 - 546年,2017年。视图:谷歌学术搜索
12. d . m . Bravata c . Smith-Spangler诉《et al .,“使用计步器增加身体活动,改善健康,”《美国医学会杂志》,卷298,不。19日,2296 - 2304年,2007页。视图:出版商的网站|谷歌学术搜索
13. d . c . b . Chan a·j·瑞恩,c . Tudor-Locke”健康pedometer-based体力活动干预的久坐不动的工人,”预防医学,39卷,不。6,1215 - 1222年,2004页。视图:出版商的网站|谷歌学术搜索
14. d处理器核心,c . Rissel, p . Phongsavan et al .,“促进步行的计步器CommunityThe循序渐进的审判,“美国预防医学杂志》上,32卷,不。4、290 - 297年,2007页。视图:出版商的网站|谷歌学术搜索
15. 即Pernek、k·a·胡默尔和p . Kokol”运动重复检测基于智能手机的阻力训练,”个人和无处不在的计算,17卷,不。4、771 - 782年,2013页。视图:出版商的网站|谷歌学术搜索
16. c·西格曼,和k . Van Laerhoven”myHealthAssistant:手机的身体传感器网络捕捉到佩戴者的练习一整天,”学报第六ICST身体区域网络会议2011年11月,北京,中国。视图:谷歌学术搜索
17. o . Banos m .花缎h·珀玛罗哈斯,m·托斯和o . Amft“基准数据集评估传感器位移活动识别,”学报2012 ACM会议上无处不在的计算美国宾夕法尼亚州匹兹堡,1026页,2012年9月。视图:谷歌学术搜索
18. k . Van Laerhoven o . Cakmakci,“我们教我们的裤子吗?“在第二届IEEE国际研讨会可穿戴计算机剑桥,页77 - 83,妈,美国,2000年9月。视图:谷歌学术搜索
19. o . d . Incel m .高丝,c . Ersoy”活动的审查和分类识别手机,“Bionanoscience,3卷,不。2、145 - 171年,2013页。视图:出版商的网站|谷歌学术搜索
20. m·哈比卜·m·Mohktar s Kamaruzzaman k . Lim t .销和f·易卜拉欣,“分享服务解决方案检测和预防:挑战和开放的问题,“传感器,14卷,不。4、7181 - 7208年,2014页。视图:出版商的网站|谷歌学术搜索
21. a . Anjum和m·伊卜拉欣-,“活动识别使用智能手机的传感器,”学报2013年IEEE 10日消费者通讯和网络会议(CCNC)拉斯维加斯,页914 - 919年,NV,美国,2013年1月。视图:谷歌学术搜索
22. s . w . Wu Dasgupta e·e·拉米雷斯c·彼得森和g·j·诺曼,”体育活动使用智能手机运动传感器的分类精度,”医学网络研究杂志》上,14卷,不。5,页1 - 9,2012。视图:出版商的网站|谷歌学术搜索
23. 即史密斯和w·g·格里斯沃尔德,“无处不在的计算”,主要,4206卷,2006年。视图:谷歌学术搜索
24. 分析员m . b . Berchtold d·戈登·h·r·Schmidtke, m . Beigl ActiServ,“活动为手机识别服务,”程序可穿戴式计算机、国际研讨会ISWC2010年10月,首尔,韩国,。视图:谷歌学术搜索
25. g·比伯,p . Koldrack c . Sablowski c .彼得,和b城市,“移动身体活动识别的站立和坐下来转换用户行为分析,”第三届国际会议上普遍技术学报》佩特拉2010年1月,萨摩斯,希腊,。视图:谷歌学术搜索
26. a . Henpraserttae s Thiemjarus, s . Marukatat”准确活动识别用手机无论设备方向和位置,”《2011国际会议上的身体传感器网络(BSN扎科帕内,波兰,2011年6月。视图:谷歌学术搜索
27. j . r . Kwapisz通用Weiss, s . a .摩尔”活动识别使用手机加速计,”ACM SIGKDD探索通讯,12卷,不。2、74 - 82年,2011页。视图:出版商的网站|谷歌学术搜索
28. Y.-S。李和S.-B。秋,“活动识别使用层次隐马尔可夫模型与三维加速度计,智能手机”在计算机科学的课堂讲稿,第467 - 460页,2011年。视图:出版商的网站|谷歌学术搜索
29. a·f·奥尔森和j . Torresen”智能手机加速度计数据用于检测人类情感”学报》第三届国际会议系统和信息,第415 - 410页,上海,中国,2016年11月。视图:谷歌学术搜索
30. d . z . Wang, r . Gravina g . Fortino y江,和k .唐”内核融合基础极端学习机cross-location活动识别,”信息融合37卷,1 - 9,2017页。视图:出版商的网站|谷歌学术搜索
31. b . j . Mortazavi m . Pourhomayoun g . Alsheikh n . Alshurafa s i . Lee m . Sarrafzadeh,“确定一个最佳轴运动smartwatches重复识别和计数,”学报2015年IEEE无线和移动11日国际会议上植入身体传感器网络(BSN)2014年7月,韩国济州岛。视图:谷歌学术搜索
32. m .高丝、o . Incel和c . Ersoy“在线识别在智能手机上,人类活动”第二届国际移动传感器从智能手机这套大数据工作2012年10月,北京,中国。视图:谷歌学术搜索
33. f . Li k . Shirahama m .,这个l .山岳和m . Grzegorzek”特性的比较学习人类活动识别方法使用可穿戴传感器,”传感器,18卷,不。3,p。679年,2018年。视图:出版商的网站|谷歌学术搜索
34. 杜马兹y . e . Ustev o . Incel, c . Ersoy“面向用户、设备和独立的人类活动识别手机,”学报2013 ACM会议上无处不在,无处不在的计算兼职苏黎世,页1427 - 1436年,瑞士,2013年9月。视图:谷歌学术搜索
35. t . Saponas j·莱斯特,j . Froehlich j . Fogarty和j . LandayiLearn iPhone :实时人类活动分类商品移动电话美国华盛顿大学西雅图,佤邦,2008年。
36. m·尼尔森和Wilen h .俯卧撑跟踪通过智能手机的传感器女士,2016年论文,k皇家理工学院,斯德哥尔摩,瑞典。
37. t·r·k . Liu y Wang Chen, j . Bi,“人类活动的调查识别使用智能手机,”残差科技杂志》上,13卷,不。8 - 10,2016页。视图:谷歌学术搜索
38. c . a . Ronao S.-B。曹”,认识到人类活动使用分层连续隐马尔可夫模型,从智能手机传感器”国际期刊的分布式传感器网络,13卷,不。1,p。155014771668368, 2017。视图:出版商的网站|谷歌学术搜索
39. 彭y l . Liu, m . Liu和z黄,“人类活动传感器识别系统使用时间序列shapelets多层模型,”以知识为基础的系统卷,90年,第152 - 138页,2015年。视图:出版商的网站|谷歌学术搜索
40. h·马丁,a . m . bernardo j .·伊格莱西亚斯和j·r·Casar”活动日志使用轻量级分类技术在移动设备上,“个人和无处不在的计算,17卷,不。4、675 - 695年,2013页。视图:出版商的网站|谷歌学术搜索
41. Bodycraft锻炼指导,2020年,https://www.bodycraft.com/pdfs/exercise/ExerciseBook.pdf。
42. URL Bodybuilding.com, 2020个人的培训系统,:https://www.bodybuilding.com/fun/guide.pdf。
43. 美国森林,t桥,d·纳尔逊·k . Risse和d . m . Pincivero”评级的休息间隔长度的影响感知运动期间动态膝盖扩展运动,”肌力与体能训练研究》杂志上,18卷,不。3、540 - 545年,2004页。视图:出版商的网站|谷歌学术搜索
44. d . Micucci m . Mobilio p·那波里塔诺,“UniMiB莎尔:人类活动识别的新数据集从智能手机使用加速度数据,”应用科学,10卷,p。1101年,2016年。视图:谷歌学术搜索
45. d . Anguita A . Ghio l . Oneto x Parra,和j·l·Reyes-Ortiz”公共领域数据集对于使用智能手机的人类活动识别,欧元。计算机协会。Artif。神经网络”,计算智能,26,2013页。视图:谷歌学术搜索
46. 答:提高身价,布兰科,b . Schiele”教程人类活动识别使用穿在身上的惯性传感器,”ACM计算调查,46卷,不。3,1-33,2014页。视图:出版商的网站|谷歌学术搜索
47. m·霍尔·e·弗兰克,g .福尔摩斯b . Pfahringer p . Reutemann和i . h .威滕“WEKA数据挖掘软件,”ACM SIGKDD探索通讯,11卷,不。1,10 - 18,2009页。视图:出版商的网站|谷歌学术搜索
48. B.-J。Ho r . Liu H.-Y。曾和m·斯利瓦斯塔瓦”MyoBuddy:使用肌电图检测杠铃重量传感器,”学报1^圣工作。数字。生物标记物新页。视图:谷歌学术搜索

版权

版权©2020乌斯曼阿里汗等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。