基于注意力机制的耐力训练动作识别方法

田新壮; 孙少明; 王君洪

doi:10.13873/J.1000-9787(2024)03-0120-05

Chinese

您当前的位置：

首页 >

文章列表页 >

基于注意力机制的耐力训练动作识别方法

计算与测试 | 更新时间：2025-09-11

- 基于注意力机制的耐力训练动作识别方法
- 暂无标题
- 传感器与微系统 2024年第3期页码：120-124
- 作者机构：
  
  1. 安徽大学物质科学与信息技术研究院
  2. 中国科学院合肥物质科学研究院
  3. 中科合肥技术创新工程院
- 作者简介：
- 基金信息：
  
  国家重点研发计划资助项目(2018YFC2001304)
- DOI：10.13873/J.1000-9787(2024)03-0120-05
  中图分类号： TP391.41
- 纸质出版：2024
- 稿件说明：
移动端阅览
田新壮, 孙少明, 王君洪. 基于注意力机制的耐力训练动作识别方法[J]. 传感器与微系统, 2024,(3):120-124.
田新壮, 孙少明, 王君洪. 基于注意力机制的耐力训练动作识别方法[J]. 传感器与微系统, 2024,(3):120-124. DOI： 10.13873/J.1000-9787(2024)03-0120-05.

DOI：

摘要

针对青少年耐力素质逐年下降和缺乏具有便携性与监督性的训练系统的现状，提出一种基于注意力(Attention)机制与门控循环单元(GRU)的、面向耐力训练的Attention-GRU动作识别方法。该方法包括数据采集、数据处理和动作识别，在手机端实现了对耐力训练动作的识别。基于新构建的耐力训练动作数据集，将本文提出的方法与常用动作识别算法——长短期记忆(LSTM)、GRU进行实验对比。实验结果表明：本文提出的方法表现更佳，准确率达到99.56%

较LSTM高出1.5个百分点。

Abstract

关键词

Keywords

references

Gao Min Yu,Zhang Ning,Shen Shui Long,Zhou Annan.Real-time dynamic earth-pressure regulation model for shield tunneling by integrating GRU deep learning method with GA optimization[J].IEEE Access,2020.

Junyoung Chung,Çaglar Gülçehre,KyungHyun Cho,Yoshua Bengio.Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling.[J].CoRR,2014.

Hochreiter S,Schmidhuber J.Long short-term memory.[J].Neural computation,1997.

王威,孙少明,孙怡宁,陈超,陈竟成,张海涛.久坐人群无器械训练动作识别与计数算法研究[J].电子测量技术,2021(02).

李浩,杨森林,张晓丽.基于机器视觉的火车驾驶员动态手势识别方法[J].传感器与微系统,2021(02).

杨君,张素君,张创豪,黄晶晶.基于OpenPose的人体动作识别对比研究[J].传感器与微系统,2021(01).

刘培贞,贾玉祥,夏时洪.一种面向电力运维作业的LSTM动作识别方法[J].系统仿真学报,2019(12).

曾亿山,刘睿.基于六轴传感器的无线动作识别系统设计[J].传感器与微系统,2018(10).

杨文璐,王杰,夏斌,谢宏.基于Kinect的下肢体康复动作评估系统[J].传感器与微系统,2017(01).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于LSTNet的果园土壤含水量预测模型研究

神经网络加速PSO算法的超材料吸波体设计

基于机器学习非恒温谐振液体密度测量设计

基于双重时空特征金字塔的人体行为识别

基于传感器的腕部动作检测与手势识别方法综述