Resumen

Este artículo analiza el método de lectura de datos de sensores inerciales. Presentamos cómo crear una escena 3D y un modelo 3D del cuerpo humano y utilizar sensores inerciales para manejar el modelo 3D del cuerpo humano. Capturamos el movimiento de las extremidades inferiores del cuerpo humano cuando se utiliza un número reducido de nodos de sensores inerciales. Este trabajo introduce la idea de error residual en la red LSTM profunda para resolver el problema de la desaparición del gradiente y la explosión del gradiente. El principal problema que debe resolver el reconocimiento del movimiento humano continuo mediante sensores inerciales portátiles es el modelado de series temporales. Este trabajo elige la red LSTM que puede manejar series temporales así como la trama principal. Para reducir los problemas de desaparición de gradiente y explosión de gradiente en la red LSTM profunda, se ajusta la estructura de la red LSTM profunda basándose en la idea de aprendizaje residual. En este trabajo, se propone un método de adquisición de datos utilizando un único sensor inercial fijado en la parte inferior de una raqueta de bádminton, y se propone un método de segmentación de ventanas basado en la combinación de ventana deslizante y ventana de acción en el flujo de datos de movimiento en tiempo real. Realizamos la extracción de características en los datos de movimiento interceptados y realizamos la reducción de dimensionalidad. Se diseña un modelo LSTM residual profundo mejorado para identificar seis movimientos de swing comunes. El algoritmo de reconocimiento de primer nivel utiliza el algoritmo de árbol de decisión C4.5 para reconocer el estilo de agarre del atleta, y el algoritmo de reconocimiento de segundo nivel utiliza el algoritmo de bosque aleatorio para reconocer el movimiento de swing. Los experimentos de simulación confirman que el algoritmo LSTM profundo residual mejorado propuesto tiene una precisión superior al 90,0 en el reconocimiento de seis movimientos de swing comunes.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:red lstm profunda, modelo 3d del cuerpo humano, movimientos comunes de balanceo, algoritmo de reconocimiento de nivel, papel, desaparición de gradiente, sensores inerciales, series temporales, algoritmo de árbol de decisión c4.5, algoritmo lstm residual profundo
• Keywords:deep lstm network, 3d human body model, common swing movements, level recognition algorithm, paper, gradient disappearance, inertial sensors, time series, c4.5 decision tree algorithm, deep residual lstm algorithm