典型文献
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
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
王丕坤;孙倩;刘毅;马宏伟;高永艳;杨东强
作者机构：
山东建筑大学 计算机科学与技术学院,山东 济南 250101;山东建筑大学 体育教学部,山东 济南 250101
文献出处：
引用格式：
[1]王丕坤;孙倩;刘毅;马宏伟;高永艳;杨东强-.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)[J].上海体育学院学报,2022(10):52-64
A类：
体力活动能量消耗
B类：
特征工程,深度学习方法,体力消耗,模型有效性,有效性研究,佩戴,惯性测量装置,IMU,加速度计,陀螺仪,机器学习方法,消耗预测,预测准确性,活动特征,交叉验证,神经网络方法,髋部,机器学习模型,多信号,信号融合,人工神经网络模型,运动强度,泛化能力
AB值：
0.284576
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
