机构名称：
¥ 1.0
简介：基于加速度计的体育活动类型的测量通常用于替代自我报告。为了推进领域，希望这样的测量可以准确检测关键的日常体育活动类型。这项研究旨在评估机器学习分类器的性能，用于根据双重与单个加速度计的设置在自由生活中检测坐，站立，撒谎，步行，跑步和骑自行车。方法：22名成年人（平均年龄[SD，范围] 38.7 [14.4，25 - 68年）穿着两个轴性AXTIVITY AXTIVE AXTIVE AXTIVE AX3加速度仪位于低背部和大腿上，以及位于胸部上的GOPRO相机，在自由生活中记录下身体运动。使用标记的视频用作地面真理，用于训练使用1、3和5 s的窗口长度训练极端梯度的分类器。使用剩余的交叉验证评估分类器的性能。结果：总记录时间约为38小时。基于5-S窗口，双加速度计设置的总体精度分别为96％，单个大腿和后加速度计的设置分别为93％和84％。单个加速度计设置的精度降低是由于基于大腿加速度计记录（77％）的检测精度较差，并且基于后加速度计记录（64％）。结论：使用极端梯度提升分类器，可以根据双加速度计记录在自由生活中准确检测到关键的每日体育活动类型。当预测基于单个大腿加速度计的记录时，总体准确性会略有下降，但检测说谎很差。
用于检测物理的机器学习分类器...
主要关键词
相关文件推荐
