Resumen

En los últimos años, con el rápido desarrollo del deporte, el número de personas que practican diversos deportes aumenta día a día. Entre ellos, el bádminton se ha convertido en uno de los deportes más populares, debido a las ventajas que ofrece: menos restricciones en el campo y facilidad de aprendizaje. Este artículo desarrolla un sistema de clasificación de actividades deportivas para llevar puesto que permite reconocer con precisión las acciones de bádminton. Se utiliza un único sensor de aceleración fijado en el extremo del mango de la raqueta de bádminton para recoger los datos de la acción de bádminton. Se utiliza la técnica de segmentación de ventana deslizante para extraer la señal de golpeo. Se desarrolla un modelo oculto de Markov (HMM) mejorado para identificar 10 golpes estándar de bádminton. Estos incluyen servicios, golpe de derecha, golpe de revés, golpe de derecha y revés, golpe de derecha, golpe de revés, golpe de derecha, golpe de revés, golpe de derecha, golpe de revés y golpe de derecha. Los resultados experimentales muestran que el modelo diseñado puede reconocer diez golpes estándar en tiempo real. En comparación con el HMM tradicional, la tasa media de reconocimiento del HMM mejorado mejora en un 7,3%. La tasa de reconocimiento global de los trazos finales puede alcanzar hasta el 95%. Por tanto, este modelo puede utilizarse para mejorar el nivel competitivo de los jugadores de bádminton.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:revés, derecha, sistema de clasificación de la actividad deportiva para llevar puesto, tasa media de reconocimiento, mango de raqueta de bádminton, tasa global de reconocimiento, sensor único de aceleración, técnica de segmentación de ventanas, HMM, día
• Keywords:backhand, forehand, wearable sports activity classification system, average recognition rate, badminton racket handle, comprehensive recognition rate, single acceleration sensor, window segmentation technique, HMM, day