2026-06-06T13:43:46Z https://ipsj.ixsq.nii.ac.jp/oai

oai:ipsj.ixsq.nii.ac.jp:00240246 2025-01-19T08:02:15Z 6164:6165:6640:11802

スマートウォッチを使用した機械学習によるウェイトトレーニング行動認識 Weight Training Activity Recognition Using Machine Learning on Smart Watch Zeyu, Liu 木村, 正子 ロぺズ, ギヨーム 2023 年の4,000 人以上を対象とした調査では，2016 年以降，フィットネスコミュニティにおけるウェアラブルデバイスの重要性がますます顕著になっており，スマートウォッチは運動認識とフィットネスデータの管理においてますます重要な役割を果たしています．他の研究者はKinect デバイスを用いた画像認識でモーション検出において顕著な結果を達成していますが，ジム内での画像のキャプチャはスペースを取るだけでなく，他のジム利用者に迷惑をかける可能性があるため，ウェアラブルデバイスは便利な解決策となります．いくつかの研究ではモーション検出のために 1 つまたは複数の特殊なセンサーを使用して効果的な結果を得ていますが，このアプローチではトレーニングの体験を損なう可能性があり，ジム機器に特化した動きのリアルタイム認識が欠けています．本研究は，スマートウォッチを使用してユーザーの加速度データを収集し，その後，データ分割と機械学習モデルによる分類を通じて，ユーザーが行っている運動をリアルタイムで識別し，回数をカウントするシステムを開発し，ユーザーがフィットネスプランを管理できるようにすることを目的としています．本研究では，スマートウォッチを使って三軸加速度計データを収集し，Python 環境で前処理とデータ分割を行いました．その後，特徴量を算出し，次元削減を経てランダムフォレストモデルをトレーニングし，リアルタイム認識で各フィットネス動作を分離し，回数をカウントするために，二重のスライディングウィンドウ検出方法を採用してフィットネスプランの管理を強化しました．このシステムは，専門センサーがユーザーフィードバックを取得できない問題を解決し，リアルタイム認識でのスライディングウィンドウ検出法を最適化して，各フィットネス動作を分離しカウントすることができました．8 人のボランティアから提供された 8 種類の運動データ1,181件を使用してモデルをトレーニングし，モデルの精度は89.30%に達しました．Python 環境でのリアルタイムシミュレーション実験では，さまざまな動作データセット内でフィットネス動作の分離を完了し，識別精度も80%を超えました．従来のスライディングウィンドウ法と比較して，この方法はリアルタイム認識における潜在能力を示しています． conference paper 情報処理学会 2024-06-19 application/pdf マルチメディア，分散，協調とモバイルシンポジウム2024論文集 2024 943 950 https://ipsj.ixsq.nii.ac.jp/record/240246/files/IPSJ-DICOMO2024130.pdf jpn