基于深度学习的运动训练视频分类模型

抽象的

研究了基于深度学习的体育训练视频分类模型，用于瞄准体育训练视频客观运动随机性造成的低分类准确性。相机校准技术用于恢复真实三维空间中目标的位置。在视频中的相机校准后，体育训练视频被预处理。输入视频段被分成相等的长度段以获得子视频段。提取子视频段的运动矢量字段，亮度特征，颜色特征和纹理特征，提取的特征被输入到AlexNet卷积神经网络中。Relu用作该卷积神经网络中的激活功能。局部响应标准化用于抑制和增强神经元的输出，以突出显示有用信息的性能，从而输出分类结果更准确。事件匹配方法用于匹配卷积神经网络输出以完成体育培训视频分类。所提出的研究的实验结果表明，该模型可以有效解决目标移动随机性的问题。体育训练视频的分类准确性超过99％，分类速度更快，从实验结果中显示。

1.介绍

随着多媒体技术的快速发展，体育得到了前所未有的关注和发展。运动训练视频的主流研究工作包括现场和地线检测，播放器检测，识别和跟踪，相机校准，事件检测和视频摘要提取。基于语义信息的运动训练视频分类是指机器视觉技术的使用，自动识别现场运动训练的类型，并使用某种表达方式给出识别结果[1］．由于体育的广泛影响，在体育训练视频分类中引入机器视觉技术和机器学习技术具有很大的潜在商业应用价值。

目前，少数关于体育训练视频分类的研究。朱等。使用高斯混合模型实现球员检测。基于支持向量回归粒子滤波器的多标准跟踪方法用于提取玩家和足球的轨迹，玩家与足球轨迹之间的交互式时空信息用于实现足球比赛的战术行为表达和识别。Niu等人。通过在视频图像中检测和跟踪接地线来实现相机校准，最后通过使用现实空间中的玩家和足球之间的相互作用的时空轨迹信息来实现战术行为表达和识别。matej perse等。提出了一个两级框架，实现了篮球比赛中的战术行为识别。在第一阶段，在篮球比赛中的广义上下文信息下，参与者轨迹根据高斯混合模型进行分割。在第二阶段，根据关键信息，在语义上表达玩家的轨迹，并且通过使用模板匹配方法来实现战术行为识别。 Chen et al. designed an automatic recognition system, which realized camera calibration by field line detection, and realized attack and defense pattern recognition in basketball game by using player trajectory description in the field. Masui et al. used background subtraction to detect players and then represented the spatial distribution of players in different areas of the field by using symbol system, to realize football tactical behavior recognition. This idea was a nontracking tactical behavior recognition method. The existing tactical behavior recognition mostly used the target trajectory as the underlying visual feature, which faced many problems. Firstly, due to the mutual occlusion between targets, the randomness of target movement, and the complexity of the environment background, there are still many problems in the accuracy and persistence of target tracking; secondly, because the sports training video is mainly based on long-distance view, the identification of players and balls is poor under complex lighting conditions.

深入学习通过组合低级功能来发现数据的分布式功能来形成更多抽象的高级功能。深度模型的多层网络结构可以使网络自身学习组织的特征形式[2]，并通过多个抽象获取最终语义特征。2006年，Hinton等人。提出了第一个可行的深度模型。从那时起，深度学习已成为机器学习的新研究领域，称为人工智能领域的革命性新技术。深度学习构建多层网络模型，并结合了低级功能，形成了抽象表示的高级语义特征，以模拟人类大脑的观念和识别的思维方式。目前，深度学习已广泛用于语音，图像和其他数据识别，检测和其他领域，并实现了显着的结果。以下是研究的主要贡献：(我)基于深度学习研究体育培训视频分类模型（ii）利用深度学习方法卷积神经网络建立体育训练视频分类模型（iii）通过实验验证了该方法的有效性

2。材料和方法

2.1。相机校准

相机校准技术用于恢复真正的三维空间中目标的位置。在此基础上，完全考虑了非线性模型中的径向失真和切向失真，罗格里格旋转方程用于减少优化参数的数量，最陡峭的下降方法和LM优化方法分别用于解决准确参数。

因为视频中的实际镜头不是理想的透视成像，所以具有不同程度的失真，这种失真可以分为径向失真和切向失真[3.］．为了准确地描述成像模型，使用两个参数来描述镜头径向失真和切向失真。理想坐标与失真参数之间的关系如下：

在 （1)， 是针孔摄像机模型计算的归一化图像坐标; 是实际上包含失真的图像坐标;和是非线性失真值; ; 那 那 那 那和是非线性失真参数，其中 那 那和是径向失真系数，这将导致图像平面上真实图像点的径向运动;和是切向失真系数。

鉴于初始参数，解决精确的相机参数基本上解决了不受约束的多维极值问题。因为在目标特征点投射到图像平面后，像素坐标的理论值和测量值之间存在偏差[4.-6.[相机参数的最佳估计需要满足最小偏差。根据非线性优化理论，目标函数表示如下：

在 （2)，是在不同观察角下由相机捕获的目标图像的数量;为目标特征点个数;是观察到的坐标的值 -特征点 -目标图像;为非线性模型下目标特征点投影点坐标的理论值;是空间坐标 -The目标上的特征点。

在从不同角度捕获目标的过程中，相机的内部参数被视为常数，并且外部参数与每个拍摄角度不同。随着目标图像的增加，优化参数的数量显着增加[7.-9.］．Rodrigues旋转方程提供了一种使用载体来表示旋转的方法。如果具有9个元素的3×3旋转矩阵由矢量的3个元素表示 那每个图像的外部参数减少到6，这大大降低了优化过程中的计算量。

旋转矩阵和旋转矢量之间的关系如下：

陡峭的下降方法沿着目标函数的负梯度方向搜索，直到它达到目标函数的最低点。对于单向功能，它可以快速获得极端点。该方法使用原理沿初始点的负梯度方向的函数值连续降低。对于初始点功能 那有序列 那 那和 那满足如下关系:

相应的函数值具有以下关系：

由于目标函数具有最小平方和的形式，目标图像上特征点的坐标是待估计参数的非线性函数，属于非线性最小二乘优化问题。LM方法可以避免这种情况在最小二乘范围内是不良矩阵。在LM算法中，下降方向由以下等式给出：

通过上述过程来恢复真正的三维空间中目标的位置，改善了运动训练视频分类的准确性。

2.2。视频预处理

在分类体育培训视频之前，它需要首先预处理体育培训视频。在运动训练场地上拍摄视频通常分为距离视频，中距视频和近距离视频[10.］．运动训练中远程射击所占比例比较大;远程拍摄可以有效地获取整个现场信息。 用于表示视频输入，在哪里表示与特定体育赛事相对应的视频片段，代表帧的视频图像 那和 那 表示转换为输入视频段的视频帧图像的帧数。

为了更准确地对运动训练视频进行分类，将输入的视频片段按等长分割[11.[获得了几个子视频段。表达式如下：

在上式中， 那 那 那 ． 代表 -视频分段后的子视频段，代表 -Th帧图像 -th subvideo段，和表示子视频段的数量。在上述处理之后，完成体育训练视频的输入和分割，并且分段视频字段的时间跨度对分类结果具有一定影响。

2.3。特征提取

2.3.1。动议矢量场的提取

（1）让体育训练视频的大小是 那 表示分辨率，和表示视频序列的长度。视频分为 块;每个块大小都是 那在哪里 和表示每个块中的块的数量。（2）建立矩形坐标系，并将运动矢量映射到该坐标系[12.］．矩形坐标系的运动矢量字段的映射图如图所示1．在图中1那 这座楼有位置吗 那 是运动矢量的方向 ．如果是运动矢量的组成部分 -木块在水平方向方向，是运动矢量的组成部分 -垂直的块方向，和是块的运动强度 ;然后， （3）连续视频帧的坐标系按时间顺序排列[13.，它被分为沿积极的相等角度扇区方向，量化为间隔，然后是直方图和分别进行，所以它可以获得 在 （9.)，表示象限中的运动矢量的数量在框架里 那和代表的数量量化到在框架里 ．（4）运动矢量的期望和方差和方向用于计算块内的运动，即:

在 （11.)，和代表运动矢量的组件 -th宏块在和框架中的方向，和 那 那 那和中宏块运动矢量的期望和方差和方向分别。

2.3.2。提取亮度特征

假设帧分辨率是 那每一帧被分成 块，每个块的大小是 那在哪里 那 那 的亮度值 -块中的像素，每个块的平均亮度值是 那 那即，

如果是用来表示编码值的块亮度比较，编码值的亮度比较结果是 -块和 -框架中的块可以表示（12.）， 在哪里 和 ．

通过 （12.），可以根据块的平均亮度比较帧，并用“1”和“0”编码。

2.3.3。彩色特征提取

假设帧大小是 那该帧转换为HSV模型并分为 块;每个块大小都是 那在哪里 那 ． 表示的像素值组成部分 -在的像素 -视频的块，在哪里 那 那和 ;然后，运动训练视频的颜色特征如下:

在上式中， 那 那和分别代表平均值，方差和三阶时刻组件在 -块。

2.3.4。纹理特征提取

让有运动训练视频中的灰度。表示灰度共现矩阵及其元素是像素对的次数，灰度级和灰色水平在 ． 计算如下： 在哪里 是像素的灰度级 那和和反映距离和方向两点之间。

最常用的纹理功能用作体育视频的分类特征。定义如下：

２.４.基于卷积神经网络的运动训练视频分类模型

2.4.1。卷积神经网络的神经元层结构

卷积神经网络通常由多个卷积层、下采样层和归一化层组成。最后，将二维特征图连接成向量，通过全连接层输入到最终分类器，得到概率输出。

（1）卷积层．在卷积层中，上层的特征由可学习的卷积核进行卷积，然后通过激活函数得到输出特征[14.］．可以组合每个输出以使多个输入的值卷积：

在上式中，表示由卷积内核连接的输入功能集。确定卷积核与输入层之间的连接。输出特征映射由输入特征映射的卷积核得到。假设每个卷积核提取一个模式，每个输出特征映射对应一个特征，每个卷积核等价于一个特征映射。这是因为卷积层使用了权重共享技术;即每个神经元使用相同的卷积检查输入进行卷积，每个神经元只与一些输入神经元相连，减少了卷积层参数的数量。函数为神经元的激活函数，通常为非线性函数。

卷积层的输入是多个二维平面，每个卷积核都与所有的输入通道相连[15.］．在三维空间中执行卷积以获得位置响应输出。最后，卷积检查整个输入空间的卷积以获得特征映射。通常，在每个卷积层中设置多个卷积内核，每个卷积内核提取不同的功能，以便每个特征映射表示由相应的卷积内核提取的特征平面。

(2)下采样层．下采样层的目的是将网络的稳健性提高到输入样本的小变形，从而提高网络的泛化性能。用于表示下抽样层中神经元的输出。下抽样层可以表示为 在哪里是标准化的加权窗口，可以在不交叉不同的特征映射的情况下对每个输入特征映射进行抽样。下抽样层中的输出特征映射的数量与输入特征映射的数量相同，这减少了每个特征映射的分辨率。

（3）归一化层．归一化层对于提高神经网络的性能至关重要。在卷积神经网络模型中，归一化层包括对同一feature map的特征向量和位于不同feature map中的feature map的特征向量进行归一化，增强响应值较高的feature map，驱动不同的卷积核学习不同的模式[16.那17.］．给定位置处的减法和归一化操作实际上是位置减去附近中每个像素的加权值的值。重量可以由高斯加权窗口确定。划分归一化是一种常规的归一化算法，可以加强响应值的差异，提高响应值的高特征的效果。

局部响应归一化是卷积网络中常用的一种归一化算法。响应值可以表示为 在哪里代表了价值 -输入特征图在坐标处 ; 表示输入特征图的个数;表示相邻的归一化地图。

本地响应归一化层包含三个可调参数，即特征映射的数量和参数和 ．所有归一化层采用相同的参数设置，这样 那 那 ．

（4）完全连接层．完全连接的层通常位于神经网络的顶部，其与决策层一起形成传统的多层感知网络，以对从卷积层提取的特征进行分类。卷积神经网络的过度装备主要由完全连接层中的更多参数引起。辍学技术通常被添加到完全连接的层中，并且一些神经元随机选择参与训练以防止网络过度装备。

多层卷积神经网络由上述五个神经元层组成，其分别执行不同的功能，并且必须根据某些规则组合以实现更好的结果。在五个神经元层中，只有卷积层和完全连接的层含有可训练参数，并且卷积层可以保留由下抽样层所需的输入空间位置信息。卷积层通常与下抽样层交替使用，因此不同的卷积层可以提取不同的比例特征[18.］．完全连接的层将破坏特征平面的位置信息和每个特征平面之间的差异。完全连接的层通常用作最终多层感知分类器的一部分，其集成了卷积层和下抽样层以提取特征并将其发送到决策层进行分类。

2.4.2。改进卷积神经网络的结构

深度学习的AlexNet卷积神经网络用于分类体育培训视频。AlexNet卷积神经网络由23层组成，包括五个卷积层和三个完全连接的层。

（1）使用新的激活功能Relu．通常，人工神经元的激活功能是双曲线切线功能 或琴状函数 ．在实验中，发现当Sigmoid或双曲线切线函数用于通过BackPropagation计算错误梯度时，衍生涉及划分，这导致大量计算;一旦传统神经网络的层数增加，就会发生梯度衰落问题。根本原因是，当Sigmoid或双曲线切线函数通过BackProjagation计算错误梯度时，函数值的变化向下减速，并且其导数靠近零，这使得其他隐藏的层远离输出层容易发生的其他隐藏层渐变衰落[19.];此外，它也是符合SIGMOID功能的缺点，增加重量惩罚因素以获得稀疏性和输出非零平均值。

ReLU函数的优点 如下：首先，计算速度和收敛速度更快;其次，relu将使输出0X< 0，导致网络稀疏性，降低了参数的相互依赖性，缓解了过拟合问题;第三，它的推导在正向和反向传播上都是分段线性的，避免了梯度的消失。

（2）局部响应标准化（LRN）．在神经生物学中，存在称为“横向抑制”的概念，这是指激发神经元抑制其相邻神经元的能力。这是突出局部传感区域中的最大峰值并提高生物感知能力。

LRN层正是在神经网络中实现了“侧向抑制”。让是位于位置的神经元的激活值 的 -第Th核函数是标准化后的激活值，并且内核功能的总数是 ;然后，LRN的数学模型表示如下： 在相邻位置归一化的总和操作大约 那和超级参数 那 那 那和需要由验证集确定。使用ReLU函数作为激活函数后再添加LRN层是非常有效的。当时，ReLU功能具有无限激活能力 那需要LRN标准化。预期LRN层可以通过抑制周边神经元来检测具有高频率的特征，并通过抑制周边神经元扩增它们;LRN层将抑制任何给定的本地邻域中的均匀响应;也就是说，如果所有值都很大，那么归一化将均匀地抑制所有值。LRN层的目的是通过抑制和增强神经元输出来使有用的信息更加突出。

2.5。活动匹配

基于卷积神经网络的输出，通过事件匹配方法匹配运动训练测试视频序列和参考视频序列的事件。给予针对视频类的观察符号，利用运动训练视频帧中提取的特征，训练多状态遍历卷积神经网络模型，得到相应参考视频中的事件序列(事件概率和对应的状态转移)。引用事件序列用于为给定的运动训练事件创建字典[20.］．对于特定状态转换的事件 在参考事件中，事件的概率分布是通过高斯密度函数近似的 那在哪里和代表密度函数的平均值和方差。它由以下等式给出：

每个州转换都被分配了表示概率的平均值和方差 在类别中发生的事件。对于在培训阶段没有出现的运动训练视频剪辑，使用参考卷积神经网络模型来获取事件。让 表示状态转换的事件概率 当时当观察符号中的测试序列提供参考模型时。让表示测试序列中的观察符号的数量。测试视频剪辑和参考模型之间的相似性由以下等式表示：

相似值比较视频剪辑和各种运动培训之间，它们被分类为具有最高相似值的类别。

3。结果与讨论

为了验证体育训练视频分类模型的可行性和有效性，选择了八种数据集，通常用于网络中的分类研究中作为测试对象。数据集包括八种类型的运动培训视频，例如篮球，排球和足球。表中显示了每个数据集中视频的详细内容1．

桌子1实验数据集包含多种类型的运动训练视频。使用不同大小和类型的运动训练视频来测试不同模型的运动训练视频的分类性能。选择支持向量机模型和HMM模型作为比较模型。

三种模型用于对8个数据集的体育培训视频进行分类，并且在表中显示了分类结果2．

表中的实验结果2表明，使用所提出的模型，可以实现体育培训视频的分类。使用拟议模型的体育训练视频的分类结果与实际体育培训视频类似，这表明该模型具有高分类的体育培训视频。

在拟议模型的运动训练视频分类的结果中，两个图像在篮球训练视频中随机拦截，如图所示2．

从图中的实验结果可以看出2，利用所提出的模型对篮球训练视频进行分类，可以根据提取的运动训练视频特征对视频进行准确的分类，而随机截取的图片对篮球训练都是准确的，验证了所提出的模型对运动训练视频具有较高的分类效果。

选择分类正确率、召回率和正确率作为评价模型分类性能的重要指标。用于表示正确识别结果的数量，用于表示错误识别结果的数量，以及表示识别失败结果的个数。为了有效减少单次实验造成的误差，选取5次实验的平均值，并设置2:1的比例，对训练样本和测试样本进行随机分割。评价指标方程为:

图中显示了不同数据集的准确性比较结果和不同类型的运动训练视频分类的统计数据3.．

从图中的实验结果可以看出3.，在不同的数据集和不同类型的运动培训下，所提出的模型分类的体育训练视频的分类准确性高于99％，并且该模型分类的体育训练视频的分类准确性明显高于另一个两种型号，有效地验证了该模型具有更高的体育训练视频的分类准确性。

图中示出了不同数据集的估计不同数据集的比较结果和不同类型的运动训练视频分类4.．

从图中的实验结果可以看出4.在不同的数据集和不同类型的运动培训下，由拟议模型分类的体育培训视频的召回率高于98.5％，并且该模型分类的体育训练视频的召回率明显高于另一个两种型号，验证了这一模型的体育培训视频分类准确性较高。

统计不同数据集和不同类型运动训练视频分类的准确率比较结果如图所示5.．

从图中的实验结果可以看出5.在不同的数据集和不同类型的运动训练中，使用所提出的模型的运动训练视频分类的精度率高于98％，并且使用所提出的模型的运动训练视频分类的精密率明显高于其他两种型号，可使用所提出的模型来验证运动训练视频分类的高精度。

对上述实验结果的分析表明，不同数据集的分类准确性，召回率和精密率和不同类型的运动训练视频是最好的。篮球和足球运动训练视频具有强大的连续性，更频繁地变化，因此需要更多的定量功能来更好地获得视频中的变化功能。篮球和排球视频通常具有近距离图像，而棒球和网球视频主要来自长途视角，因此特征提取很困难。足球也从长途的角度射击;它在该领域具有连续运动，可以通过增加各种数量来充分收集。在足球和篮球视频中，它最多使用单个相机来跟踪播放器或兴趣区域;与其他运动训练不同，多个摄像机之间的切换频繁地有利于事件检测。该模型可以通过提取视频特征有效地改善目标运动的随机性，提高分类精度。

计算有三个模型分类的体育培训视频的培训时间和测试时间计算。比较结果如表所示3.．

表中的实验结果3.表明,运动训练的分类速度使用该模型是最快的视频,和运动训练的准确分类结果视频可以使用较短的训练获得的时间和测试时间的模型,验证,该模型具有较高的分类效率运动训练视频。

上述实验结果表明，该拟议模型可以准确地分类各种运动培训视频，这表明该模型具有良好的分类性能。主要原因是该模型使用深度学习模型来建立分类模型，可以有效提高体育培训视频的分类准确性。对于具有类似类别的近距离视频，它仍然具有高分类准确性。该模型在分类各种运动培训视频方面具有高精度和全面的性能。

4。结论

目前和随着时间的推移，互联网中的运动训练视频数据的数量正在迅速增长。为了有效地管理和检索运动训练视频，精确分类运动训练视频对于考虑非常重要。本文旨在旨在现有体育培训视频分类方法的缺点，建立了基于深度学习方法的运动训练视频分类模型。具有深度学习的卷积神经网络用于拟议研究中的分类目的。在分类之后，执行事件匹配操作，并且根据相似性实现视频分类。实验结果表明，该拟议模型可以有效地确定各种运动培训视频，并通过卷积神经网络准确地检测事件的发生，从而实现体育培训视频的高精度分类。与其他型号相比，所提出的模型具有简单的实施，快速处理速度，高分类精度，高泛化能力和适应性的优点。

数据可用性

用于支持本研究结果的数据可根据要求可从相应的作者获得。

利益冲突

作者声明本文的发表不存在利益冲突。

参考

1. C. Y. Fang，K.B.Jia和P. Y. Liu，“鉴定了基于监测视频的出租车违规行为”，“电脑仿真，卷。37，不。05，pp。331-336,2020。查看在：谷歌学者
2. Y. Kumar, M. Sheoran, G. Jajoo, S. K. Yadav，“基于深度学习的星座密度自动调制分类”，IEEE通讯字母，卷。99，pp.1-11,2020。查看在：谷歌学者
3. “基于深度学习的nvst短曝光数据自动分类”，“基于深度学习的nvst短曝光数据自动分类”，太平洋天文学会的出版物号，第133卷。1020，文章ID 024505, 2021。查看在：出版商网站|谷歌学者
4. A. S. Garea，D.B.Heras和F.Argüello“的Caffe CNN基于GPU的高光谱图像分类”，超级计算杂志，卷。75，不。3，pp。1065-1077，2019。查看在：出版商网站|谷歌学者
5. M. Oleynik, A. Kugic, Z. Kasáč，和M. Kreuzthaler，“评估2018年临床文本分类n2c2共享任务的浅层和深度学习策略，”美国医学信息学协会杂志，卷。26，不。11，pp。1247-1254,2019。查看在：出版商网站|谷歌学者
6. S. Park，W.K.Chung和K. Kim，“免费贝叶斯自适应分类，用于SEMG模式识别包括运动转变”生物医学工程的IEEE交易，第67卷，第5期6, pp. 1775-1786, 2020。查看在：出版商网站|谷歌学者
7. M.陈，J.Cao，B.张，H.朱和X.Cai，“LBP-05分类和基于肝癌的突变预测使用深度学习，”肝脏学杂志，卷。70，否。1，pp。E142-E143，2019。查看在：出版商网站|谷歌学者
8. T. Zebin和S. Rezvy，“Covid-19检测和疾病进展可视化：深入学习胸部X射线进行分类和粗糙定位，”应用智能，卷。51，没有。2，pp。1010-1021,2021。查看在：出版商网站|谷歌学者
9. C. AJMI，J.Zapata，J.J.Martínez-Álvarez，G.Doménech和R.Ruiz，“使用深度焊接X射线图像数据集进行深度学习，”缺陷分类，“非破坏性评价杂志，卷。39，没有。3，第68-72,2020。查看在：出版商网站|谷歌学者
10. G. Murtaza, L. Shuib, A. W. Abdul Wahab等人，“基于深度学习的医学成像模式乳腺癌分类:技术现状和研究挑战，”人工智能评论，卷。53，不。3，PP。1655-1720,2020。查看在：出版商网站|谷歌学者
11. X. Zhang，J.Li，Z.Cai，L. Zhang，Z. Chen和C. Liu，“过度学习的心房颤动检测”过度拟合抑制训练策略“医疗与生物工程与计算，第59卷，第59期1，页165-173,2021。查看在：出版商网站|谷歌学者
12. 王勇，王军，张伟，杨建军，“基于深度学习的mimo系统协同自动调制分类方法”，自动化学报，2018,34(4):457 - 461。车辆技术的IEEE交易，卷。69，没有。4，PP。4575-4579,2020。查看在：出版商网站|谷歌学者
13. F. Wang，H. Huang和J. Liu，“基于分类的混合噪声拆除CNN深度学习正规化”IEEE图像处理的交易：IEEE信号处理协会的出版物， vol. 1, no. 199，第1-9页，2019。查看在：出版商网站|谷歌学者
14. D. A. Duev, A. Mahabal, F. J. Masci等人，“基于深度学习的兹威基瞬态设施的真实伪分类”，皇家天文社会的每月通知，第489卷，第2期。3, pp. 3582-3590, 2019。查看在：出版商网站|谷歌学者
15. R.K.Samala，H.-P。Chan，L. Hadjiiski，M.A.Helvie，C. D. Richter和K.H.Cha，“数字乳房致癌的乳腺癌诊断：训练样本量对使用深神经网络的多阶段转移学习的影响”医学成像上的IEEE交易第38卷第2期3，第686-696页，2019。查看在：出版商网站|谷歌学者
16. M. Shah，A. roomans Ledo和J. Rittscher，“正常和星座疾病光学相干断层摄影图像的自动分类，使用深度学习”Acta Ophthalmologica.第98卷第1期6, pp. 715 - 721, 2020。查看在：出版商网站|谷歌学者
17. Y.梁，Z. Hu，李，“云计算场景中特征选择和深度学习的”幂消耗模型“，IET通讯，卷。14，不。10，PP。1610-1618,2020。查看在：出版商网站|谷歌学者
18. N. Maffulli和F. Oliva，“ACL破裂后早期的Coper分类随着渐进神经肌肉和力量培训而变化，与2年的成功相关：给予编辑的信，”美国运动医学杂志，卷。47，没有。11，PP。NP64-NP65,2019。查看在：出版商网站|谷歌学者
19. L. R. Dugas，C. R. Labella，N.Alawad，J.Pasulka和N.Jayanthi，“串行体育培训风险评估和儿童咨询的利益和挑战：T.R.A.C.K.随机干预研究，“英国运动医学杂志，卷。53，不。4，pp。243-251,2019。查看在：谷歌学者
20. J. W. Orchard，W.Meeuwisse，W. Derman，M. Hgglund和R.Bahr，“体育医学诊断编码系统（SMDSC）和果园运动伤害和疾病分类系统（核心委员会）：修订了2020年共识版本”英国运动医学杂志第54卷第5期7、2020年第101921条。查看在：出版商网站|谷歌学者

版权

版权所有©2021徐云君。这是一篇发布在创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。