Deep CHORES：利用深度学习估计体力活动的标志性指标
信号处理
2021-05-17 v1 机器学习
机器学习
摘要
随着智能手表技术的出现，用于评估体力活动（PA）标志性指标的手腕加速度计正迅速普及。鉴于手腕穿戴加速度计日益流行，需要对跨生命周期识别体力活动类型和估计能量消耗（EE）进行严格评估。参与者（66% 为女性，年龄 20-89 岁）在标准化实验室环境中完成一组 33 项日常活动，同时三轴加速度计从右手腕采集数据。佩戴便携式代谢单元以测量代谢强度。我们构建了深度学习网络从时间序列数据中提取空间和时间表示，并用其识别体力活动类型和估计能量消耗。深度学习模型表现出高性能；识别久坐、移动和生活方式活动的 F1 分数分别为：0.82、0.81 和 0.95。能量消耗估计的均方根误差为 1.1（±0.13）。
引用
@article{arxiv.2007.13114,
title = {Deep CHORES: Estimating Hallmark Measures of Physical Activity Using Deep Learning},
author = {Mamoun T. Mardini and Subhash Nerella Amal A. Wanigatunga and Santiago Saldana and Ramon Casanova and Todd M. Manini},
journal= {arXiv preprint arXiv:2007.13114},
year = {2021}
}