Asistente de Fitness Personalizado Sin Dispositivo Usando WiFi (1) .En - Es

Traducido del inglés al español - www.onlinedoctranslator.
com
Asistente de fitness personalizado sin dispositivo mediante WiFi
XIAONAN GUO, Universidad de Indiana-Universidad Purdue Indianápolis

JIAN LIU, WINLAB, Universidad de Rutgers
CONG SHI, Instituto de Tecnología Stevens
HONGBO LIU, Universidad de Indiana-Universidad Purdue Indianápolis
YINGYING CHEN, WINLAB, Universidad de Rutgers
MOOI CHOO CHUAH, Universidad de Lehigh
Existe una tendencia creciente a que las personas realicen entrenamientos regulares en entornos domésticos / de oficina porque las personas que trabajan desde casa o los trabajadores de oficina apenas pueden apretar el tiempo para ir a lugares dedicados al ejercicio (por
ejemplo, un gimnasio). Para proporcionar asistencia de fitness personalizada en entornos domésticos / de oficina, las soluciones tradicionales, por ejemplo, la contratación de entrenadores personales, conllevan un coste adicional y no siempre están disponibles, mientras que
las nuevas tendencias que requieren el uso de dispositivos inteligentes durante todo el día son engorrosas. Para superar estas limitaciones, desarrollamos un sistema de asistente de fitness sin dispositivos en entornos domésticos / de oficina utilizando la infraestructura WiFi
existente. Nuestro sistema tiene como objetivo proporcionar asistencia personalizada para el fitness mediante la diferenciación de las personas, el registro automático de estadísticas de entrenamiento detalladas y la evaluación de la dinámica del entrenamiento. En
particular, nuestro sistema realiza la identificación individual a través de técnicas de aprendizaje profundo además de la interpretación del entrenamiento. Evalúa aún más el entrenamiento analizando la calidad del entrenamiento tanto a corto como a largo plazo, y
proporciona revisiones de entrenamiento para que los usuarios mejoren sus ejercicios diarios. Además, nuestro sistema adopta un algoritmo de detección de entrenamiento basado en espectrograma junto con un método de segmentación de entrenamiento basado en
energía acumulativa de tiempo corto (CSTE) para garantizar su solidez. Los experimentos extensos que involucran a 20 participantes demuestran que nuestro sistema puede lograr una precisión del 93% en el reconocimiento del entrenamiento y una precisión del 97% para la
identificación individual. Además, nuestro sistema adopta un algoritmo de detección de entrenamiento basado en espectrograma junto con un método de segmentación de entrenamiento basado en energía acumulativa de tiempo corto (CSTE) para garantizar su solidez. Los
experimentos extensos que involucran a 20 participantes demuestran que nuestro sistema puede lograr una precisión del 93% en el reconocimiento del entrenamiento y una precisión del 97% para la identificación individual. Además, nuestro sistema adopta un algoritmo de
detección de entrenamiento basado en espectrograma junto con un método de segmentación de entrenamiento basado en energía acumulativa de tiempo corto (CSTE) para garantizar su solidez. Los experimentos extensos que involucran a 20 participantes demuestran que
nuestro sistema puede lograr una precisión del 93% en el reconocimiento del entrenamiento y una precisión del 97% para la identificación individual.
Conceptos de CCS: • Computación centrada en el ser humano → Sistemas y herramientas informáticos móviles y ubicuos;
165
Palabras y frases clave adicionales: asistente de fitness personalizado, sin dispositivo, información del estado del canal
Formato de referencia de ACM:

Xiaonan Guo, Jian Liu, Cong Shi, Hongbo Liu, Yingying Chen y Mooi Choo Chuah. 2018. Asistente de fitness personalizado sin dispositivo
mediante WiFi.Proc. ACM Interact. Multitud. Tecnol ubicuo usable.2, 4, artículo 165 (diciembre de 2018), 23 páginas. https://doi.org/
10.1145/3287043
1. INTRODUCCIÓN
Hoy en día, las personas prestan más atención a su salud física porque el ritmo de vida acelerado y la creciente presión laboral han obligado a
muchas personas a adaptarse a un estilo de vida sedentario, ya sea sentadas todo el día trabajando en computadoras o pasando largas horas con
teléfonos. Estos estilos de vida sedentarios a menudo conducen a muchas enfermedades crónicas (por ejemplo, obesidad), que tienen impactos
significativamente negativos en la calidad de vida de las personas. Como resultado, existe una tendencia creciente a que las personas hagan
ejercicio con regularidad. Sin embargo, hay pocas opciones de entrenamiento para el trabajo en casa.
Direcciones de los autores: Xiaonan Guo, Indiana University-Purdue University Indianapolis, IN, EE. UU., 46202, [email protected] ; Jian Liu, WINLAB, Universidad de Rutgers,
Nueva Jersey, EE. UU., 08901, [email protected] ; Cong Shi, Instituto de Tecnología Stevens, Nueva Jersey, EE. UU., 07030, [email protected] ; Hongbo Liu,
Universidad de Indiana-Universidad Purdue Indianápolis, IN, EE. UU., 46202, [email protected] ; Yingying Chen, WINLAB, Universidad de Rutgers, Nueva Jersey, EE. UU., 08901,
[email protected] ; Mooi Choo Chuah, Universidad de Lehigh, Pensilvania, EE. UU., 18015, [email protected].
El permiso para hacer copias digitales o impresas de todo o parte de este trabajo para uso personal o en el aula se otorga sin cargo siempre que las copias no
se hagan o distribuyan con fines de lucro o ventaja comercial y que las copias lleven este aviso y la cita completa en la primera página. . Se deben respetar los
derechos de autor de los componentes de este trabajo que son propiedad de terceros distintos de ACM. Se permite resumir con crédito. Copiar de otra manera,
o volver a publicar, publicar en servidores o redistribuir a listas, requiere un permiso específico previo y / o una tarifa. Solicite permisos a [email protected].
© 2018 Asociación de Maquinaria Informática.

2474-9567 / 2018/12-ART165 $ 15,00
https://doi.org/10.1145/3287043
Proc. ACM Interact. Multitud. Wearable Ubiquitous Technol., Vol. 2, No. 4, artículo 165. Fecha de publicación: diciembre de 2018.
165: 2 • X. Guo y col.
personas o trabajadores de oficina debido a sus dificultades para aprovechar el tiempo para hacer ejercicio en lugares
específicos (por ejemplo, un gimnasio). Así, muchas personas recurren gradualmente al hogar / oficina, que es más
conveniente sin limitaciones de espacio y tiempo, para ejercitarse y mantener su salud. Además, a las personas también
les gustaría registrar los detalles de su ejercicio para realizar un seguimiento de sus planes de acondicionamiento físico.
Por ejemplo, un usuario realiza varios ejercicios como peso libre con mancuernas, estiramiento, andar en bicicleta
estática y correr en una cinta, y las estadísticas de ejercicio correspondientes podrían inferir información significativa
relacionada con la salud (por ejemplo, calorías quemadas). Es común que las personas no siempre puedan ceñirse a sus
planes de acondicionamiento físico debido a la falta de orientación de los expertos en ejercicio en entornos
domésticos / de oficina. Por lo tanto, en este artículo,
Las soluciones tradicionales de asistencia para el entrenamiento se basan en la contratación de entrenadores personales, que incurren en un
alto costo y, en su mayoría, no están disponibles en entornos domésticos / de oficina. Existe una nueva tendencia de utilizar teléfonos inteligentes y
rastreadores de actividad [1] para realizar el seguimiento del entrenamiento, incluido el recuento de pasos y el seguimiento multideportivo. Estos
enfoques requieren que los usuarios usen dispositivos inteligentes todo el tiempo y no pueden juzgar si los usuarios realizan el ejercicio
correctamente. Los detalles sobre el monitoreo del entrenamiento son fundamentales para ayudar a las personas a corregir sus posturas de
ejercicio y, por lo tanto, lograr sus objetivos de acondicionamiento físico. Las posturas incorrectas pueden causar lesiones innecesarias o degradar
la eficiencia del desarrollo muscular. Recientemente, se implementaron hardware y sensores dedicados (es decir, sensores inerciales, etiquetas
RFID [11]) para rastrear los registros de ejercicio de los usuarios. En particular, FEMO [11] propone un sistema de monitoreo de ejercicio de peso
libre al colocar etiquetas RFID pasivas en las mancuernas y aprovechar el perfil de desplazamiento Doppler. FitCoach [12] desarrolla un esquema de
revisión y reconocimiento de ejercicios que aprovecha los sensores inerciales integrados en los teléfonos inteligentes o relojes inteligentes. Sin
embargo, es difícil exigir que las personas, especialmente las personas mayores, usen estos dispositivos durante los ejercicios, y es deseable
reconocer automáticamente el entrenamiento y brindar recomendaciones. Por lo tanto, buscamos una solución sin dispositivos para brindar
asistencia de acondicionamiento físico personalizada y detallada. Descubrimos que Channel State Information (CSI) [13, 14, 17, 31], integrado en las
señales WiFi, es un candidato deseable para facilitar la interpretación y la recomendación del entrenamiento sin conectar ningún dispositivo a los
usuarios. Debido a la prevalencia de las infraestructuras WiFi en entornos domésticos / de oficina, es posible capturar las actividades de las
personas sin su participación. Además, para brindar una asistencia personalizada para el acondicionamiento físico, es fundamental identificar a
cada individuo, ya que las personas pueden elegir un entorno compartido, ya sea en un entorno familiar o en un espacio de oficina, para hacer
ejercicio. Por lo tanto, nuestro sistema propuesto debe derivar características sobresalientes que puedan realizar la identificación individual incluso
en un espacio compartido.
Para extraer características únicas de CSI que puedan identificar el movimiento de cada individuo, recurrimos a la técnica de aprendizaje profundo, que ha demostrado su capacidad en otros campos como el procesamiento de imágenes [29, 33] y el procesamiento del
lenguaje natural [10, 24]. Creemos que el diseño de múltiples capas en el aprendizaje profundo [16, 25] podría proporcionar características distintivas para la identificación individual y la interpretación de ejercicios. Además, las personas realizan actividades que no son de
entrenamiento durante todo el día, como escribir frente a las computadoras y responder llamadas telefónicas, por lo que es importante que el sistema propuesto tenga la capacidad de distinguir las actividades de entrenamiento de las que no son de entrenamiento.
Proponemos diferenciar las actividades de entrenamiento mediante la búsqueda de patrones repetitivos en las lecturas de CSI utilizando un método basado en la autocorrelación. Adicionalmente, CSI es sensible a varios factores ambientales (p. Ej., Ruido ambiental y
ubicaciones), por lo que nuestro sistema debe ser resistente a interferencias externas distintas de las actividades de entrenamiento. En particular, para adaptarse a pequeños cambios de ubicación (por ejemplo, es posible que las personas no siempre hagan ejercicio en el
mismo lugar, incluso en el mismo lugar), los perfiles de entrenamiento de ejercicios se recopilan alrededor de un cierto rango de ubicación de perfil y, por lo tanto, hacen que el modelo entrenado sea más robusto. . Finalmente, el sistema tiene como objetivo evaluar la
dinámica del entrenamiento para aumentar la eficiencia del entrenamiento y evitar lesiones innecesarias. Proponemos medir la intensidad y la fuerza del entrenamiento mediante la definición de dos nuevas métricas y, por lo tanto, proporcionar recomendaciones de
entrenamiento deseables a los usuarios. En particular, para adaptarse a pequeños cambios de ubicación (por ejemplo, es posible que las personas no siempre hagan ejercicio en el mismo lugar, incluso en el mismo lugar), los perfiles de entrenamiento de ejercicios se
recopilan alrededor de un cierto rango de ubicación de perfil y, por lo tanto, hacen que el modelo entrenado sea más robusto. . Finalmente, el sistema tiene como objetivo evaluar la dinámica del entrenamiento para aumentar la eficiencia del entrenamiento y evitar lesiones
innecesarias. Proponemos medir la intensidad y la fuerza del entrenamiento mediante la definición de dos nuevas métricas y, por lo tanto, proporcionar recomendaciones de entrenamiento deseables a los usuarios. En particular, para adaptarse a pequeños cambios de
ubicación (por ejemplo, es posible que las personas no siempre hagan ejercicio en el mismo lugar, incluso en el mismo lugar), los perfiles de entrenamiento de ejercicios se recopilan alrededor de un cierto rango de ubicación de perfil y, por lo tanto, hacen que el modelo
entrenado sea más robusto. . Finalmente, el sistema tiene como objetivo evaluar la dinámica del entrenamiento para aumentar la eficiencia del entrenamiento y evitar lesiones innecesarias. Proponemos medir la intensidad y la fuerza del entrenamiento mediante la
definición de dos nuevas métricas y, por lo tanto, proporcionar recomendaciones de entrenamiento deseables a los usuarios. el sistema tiene como objetivo evaluar la dinámica del entrenamiento para aumentar la eficiencia del entrenamiento y evitar lesiones innecesarias.
Proponemos medir la intensidad y la fuerza del entrenamiento mediante la definición de dos nuevas métricas y, por lo tanto, proporcionar recomendaciones de entrenamiento deseables a los usuarios. el sistema tiene como objetivo evaluar la dinámica del entrenamiento para aumentar la eficiencia del entrenamiento y evit
En resumen, nuestro sistema proporciona dos funcionalidades de alto nivel para permitir la asistencia personalizada para el fitness:
(1) Interpretación personalizada del entrenamiento. Desarrollamos un modelo basado en Deep Neural Network (DNN) para proporcionar una
interpretación personalizada del entrenamiento con dos niveles de información. Específicamente, en el primer nivel, nuestro sistema identificará
los tipos de entrenamiento y estimará las frecuencias de entrenamiento. Luego, el segundo nivel aprovecha la latente de grano fino
Asistente de fitness personalizado sin dispositivo mediante WiFi • 165: 3
representantes para identificar mejor a las personas. La representación abstracta en la capa más profunda de un modelo DNN es
beneficiosa para nuestro sistema en la diferenciación de individuos porque la identificación individual requiere un conocimiento más
complejo que el reconocimiento del entrenamiento. (2) Evaluación inteligente del entrenamiento. Nuestro sistema analiza y evalúa el
entrenamiento de un usuario en términos de intensidad y fuerza. Específicamente, definimos dos nuevas métricas que representan las
imágenes a corto y largo plazo del patrón de entrenamiento de un usuario, respectivamente.Relación trabajo-descanso mide el ciclo
completo de una repetición dentro de un conjunto y Repetition-tempo-rate representa el tempo (o velocidad) a la que un usuario realiza
una repetición. Luego, nuestro sistema proporciona tendencias de entrenamiento a cada usuario en términos de estas dos métricas, que
el usuario puede corregir en el formulario de ejercicio en consecuencia. Este método también podría ser un acompañamiento para
simplemente mirar y seguir videos de fitness [3] de profesionales.
Los aportes de nuestro trabajo se resumen a continuación:
• Desarrollamos un sistema de asistente de fitness sin dispositivos para escenarios domésticos / de oficina utilizando la infraestructura WiFi
existente sin la participación activa del usuario. El sistema puede diferenciar a las personas para permitir una asistencia personalizada para
el estado físico con un análisis integral del entrenamiento y una evaluación inteligente del entrenamiento.
• Proponemos un enfoque basado en el aprendizaje profundo que identifica a los individuos además de las interpretaciones de ejercicios de
los usuarios aprovechando las representaciones latentes de grano fino. Esto es importante para entornos domésticos / de oficina donde los
miembros de la familia y los colegas pueden compartir el mismo espacio.
• Proporcionamos un marco de análisis de entrenamiento cuantitativo para inferir diversa información detallada, incluido el tipo de
entrenamiento, el número de series y repeticiones. Se adopta un método basado en espectrograma para ofrecer una
segmentación precisa del ejercicio.
• Nuestro sistema es capaz de proporcionar recomendaciones inteligentes sobre el estado físico al evaluar automáticamente las posturas del
ejercicio y ofrecer retroalimentación al usuario para la corrección de la postura. También se puede utilizar como una alerta temprana de
posibles problemas de salud física.
• Implementamos nuestro prototipo de sistema con un par de computadoras portátiles y realizamos experimentos exhaustivos con 20 personas durante
un período de 10 meses. Demostramos que nuestro sistema puede lograr una alta precisión tanto para la identificación individual como para el
reconocimiento de ejercicios, además de proporcionar una evaluación inteligente del entrenamiento.
2 TRABAJO RELACIONADO
EnEn general, los sistemas de reconocimiento de actividad y asistentes de fitness se pueden clasificar en términos generales como basados en sensores de movimiento,
basado en visión y basado en RF. En esta parte, revisamos los estudios existentes y los comparamos con nuestro sistema de asistente de fitness
personalizado.
Basado en sensor de movimiento. Se han utilizado sensores de movimiento (es decir, acelerómetro y giroscopio) integrados en dispositivos
portátiles / móviles adheridos al cuerpo tanto para el reconocimiento de actividad [9, 18] como para el reconocimiento de ejercicio [7, 12].
Específicamente, Nuactive [9] y Lasagna [18] reconocen las actividades humanas a través del aprendizaje semi-supervisado y redes neuronales
profundas en las lecturas capturadas del sensor de movimiento, respectivamente. Además, los sensores de los guantes de entrenamiento
personalizados [7] y los dispositivos portátiles (p. Ej., Relojes inteligentes) [12] se utilizan para reconocer los tipos de ejercicio y el número de
repeticiones. Sin embargo, estos enfoques requieren que los usuarios usen dispositivos adicionales y se limitan a reconocer los movimientos del
ejercicio que solo involucran la parte superior del cuerpo, como la muñeca y el brazo.
Basado en la visión. Para superar las debilidades antes mencionadas, un par de estudios intentan reconocer las actividades humanas
con la ayuda de cámaras [23, 32]. Estos enfoques utilizan el aprendizaje no supervisado o la coincidencia de patrones en los fotogramas
de video grabados para lograr un reconocimiento de actividad detallado. Además, el análisis de video también se ha aplicado para medir
la dinámica del entrenamiento y proporcionar una guía del ejercicio [6, 26]. Por ejemplo, Suet al. [26] desarrollan un sistema de
reconocimiento de ejercicios que ayuda a los pacientes a realizar ejercicios de rehabilitación mediante la coincidencia de perfiles en las
lecturas de Kinect. Celiktutanet al. [6] desarrollar un esquema de reconocimiento y evaluación de ejercicios que rastrea las geometrías
del esqueleto con Kinect y cuantifica la bondad de la acción. Sin embargo, estos esquemas basados en la visión solo funcionan cuando
un usuario permanece dentro de la zona de línea de visión del dispositivo y puede verse afectado significativamente por las condiciones
de luz ambiental. Además, las técnicas basadas en video también plantean problemas de privacidad.
165: 4 • X. Guo y col.
Basado en RF. Recientemente, la detección basada en RF atrae una atención considerable de muchos investigadores [2, 11, 22] debido
al uso frecuente de dispositivos inalámbricos. WiSee [22] y WiTrack [2] pueden reconocer gestos humanos y rastrear 3D movimiento de
un usuario utilizando el cambio Doppler minuto y el tiempo de vuelo de ida y vuelta (ToF) de las señales inalámbricas, respectivamente.
Además, FEMO [11] reconoce y evalúa los entrenamientos de peso libre colocando etiquetas RFID pasivas en las mancuernas y
analizando los cambios Doppler de las señales recibidas. Sin embargo, estos enfoques requieren dispositivos dedicados (por ejemplo,
Universal Software Radio Peripheral (USRP), lectores RFID) que limitan sus aplicaciones en la práctica. Estudios recientes han demostrado
el potencial de usar WiFi estándar para reconocer las actividades humanas diarias [30, 31]. Examinan CSI en señales WiFi para capturar
los cambios ambientales asociados con los movimientos de actividad humana. Aunque los enfoques basados en WiFi existentes
muestran resultados interesantes en la identificación de tipos de actividades generales (por ejemplo, caminar, pararse, sentarse), el
problema de evaluar las cualidades del ejercicio (p. ej., fuerza, velocidad) y proporcionar información sobre el ejercicio permanece
abierto. Además, en comparación con los estudios de reconocimiento de actividades existentes (p. Ej., [30, 31]), que se centran
principalmente en reconocer las actividades diarias orientadas a la ubicación (p. Ej., Cocinar en la cocina, cepillarse los dientes en el
baño), este trabajo explora la viabilidad de usar WiFi para reconocer varias actividades de ejercicio en el mismo lugar o en un lugar
cercano e identificar aún más a la persona que realiza los ejercicios.
A diferencia del trabajo existente, proponemos un esquema de evaluación y reconocimiento de ejercicio personalizado sin
dispositivos que aproveche las infraestructuras WiFi existentes. El sistema propuesto proporciona una interpretación integral del
entrenamiento y diferencia a las personas sin la participación activa del usuario. Específicamente, examinamos la información de estado
del canal (CSI) incrustada en las lecturas de WiFi que capturan la dinámica del entrenamiento de los ejercicios de estiramiento corporal y
de peso libre. Además, se desarrolla un algoritmo de evaluación del ejercicio para evaluar la calidad del ejercicio mediante el examen de
la velocidad y la fuerza del movimiento a través del análisis del dominio de la frecuencia.
3 DISEÑO DEL SISTEMA

3.1 Desafíos
Con el fin de diseñar un sistema que permita la asistencia de fitness personalizada mediante WiFi, es necesario abordar una serie de
desafíos con respecto a cómo diseñar mecanismos para la interpretación integral del entrenamiento y la evaluación inteligente del
entrenamiento:
Diferenciación individual de fitness. Es común que los miembros de la familia o los colegas se turnen para realizar ejercicios en un
entorno compartido (p. Ej., Hogar / oficina). Para realizar una asistencia de fitness personalizada, nuestro sistema debe tener la
capacidad de diferenciar a diferentes personas. Esto es un desafío especialmente para un sistema sin dispositivos que facilita la
asistencia personalizada para el ejercicio, ya que no se conecta ningún dispositivo dedicado a cada individuo para capturar las señales
asociadas con sus movimientos correspondientes. Buscamos una solución general que pueda funcionar para un grupo de personas en
un entorno tan compartido. Esto requiere que nuestro sistema diferencie a las personas y ofrezca una interpretación y evaluación
personalizadas de los entrenamientos.
Interpretación detallada del entrenamiento. Proporcionar una interpretación detallada del entrenamiento mediante WiFi
también es un desafío. Primero, las personas realizan actividades que no son de entrenamiento durante todo el día. Por lo
tanto, el sistema propuesto debería tener la capacidad de distinguir las actividades relacionadas con el entrenamiento de las
que no lo son. En segundo lugar, para proporcionar una interpretación detallada del entrenamiento, nuestro sistema necesita
descomponer con precisión un ejercicio en partes de repeticiones. Por lo tanto, es necesario integrar un esquema de
segmentación de CSI robusto en nuestro sistema. En tercer lugar, nuestro sistema también debe manejar un caso común en el
que un usuario específico puede realizar un entrenamiento en una ubicación ligeramente desplazada (por ejemplo, a un pie de
distancia) de la ubicación donde se recopilan sus perfiles de entrenamiento. Esto es un desafío porque las lecturas de CSI son
sensibles a los cambios de ubicación,
Evaluación inteligente del entrenamiento. Las actividades de entrenamiento incorrectas e inconsistentes degradarán la eficiencia del desarrollo
muscular y causarán lesiones innecesarias. Sin embargo, es un desafío diseñar mecanismos para la evaluación del entrenamiento utilizando
lecturas CSI en un diseño sin dispositivo. Para superar tal desafío, definimos dos relacionados con el entrenamiento
Colección CSI Detección de entrenamiento
No
Eliminación de compensación
Sin entrenamiento
CSI
Repetitivo
Detección de patrones
sí
Espectrograma Análisis
...
Entrenamiento personalizado Entrenamiento inteligente
Interpretación Evaluación
Segmentación y Velocidad de repetición y
...
Contando Estimación de fuerza
Reconocimiento de repetición Revisión de entrenamiento
Identificación individual Construcción del perfil
El número El número Relación trabajo-descanso

de repeticiones de conjuntos
Tempo de repetición
Tipo de ejercicio
proporción
Fig. 1. Flujo del sistema propuesto.
métricas, una a nivel de repetición y la otra considerando la perspectiva de un ejercicio completo para proporcionar una evaluación del
entrenamiento. Dicha evaluación se puede utilizar para proporcionar a los usuarios retroalimentación para corregir sus posturas en
ejercicios posteriores.
3.2 Descripción general del sistema
En este trabajo, desarrollamos un sistema de asistente de fitness personalizado sin dispositivos que utiliza la infraestructura WiFi existente. La idea
clave es utilizar el CSI detallado, que está fácilmente disponible en los dispositivos WiFi básicos, para representar con precisión estadísticas de
entrenamiento personalizadas y evaluar la dinámica del entrenamiento. Primero definimos dos términos específicos que caracterizan la actividad
de entrenamiento:reps y colocar. Una repetición (repetición) es un ciclo de movimiento completo de un ejercicio en particular. Una serie es un
grupo de repeticiones consecutivas. Por lo general, se espera que un usuario realice un ejercicio de entrenamiento que consta de varias series para
lograr una construcción muscular eficiente y mantener un cuerpo en forma. Dadas estas características inherentes de un entrenamiento,
anticipamos que podemos observar patrones repetitivos de CSI debido a los movimientos repetitivos de diferentes partes del cuerpo durante los
entrenamientos. Además, el movimiento minuto de diferentes entrenamientos tiene distintos impactos en CSI y, por lo tanto, estas características
únicas de un entrenamiento en particular se pueden extraer a través del análisis CSI.
Como se ilustra en la Figura 1, el sistema propuesto toma como entrada lecturas CSI que se pueden extraer directamente de las tarjetas WiFi
[13]. Nuestro sistema primero realizaDetección de entrenamiento para diferenciar las actividades relacionadas con el entrenamiento de las que no
son de entrenamiento basándose en el descubrimiento de patrones periódicos. Específicamente, primero aplica una ventana deslizante en la serie
de tiempo CSI y luego elimina el desplazamiento (por ejemplo, media, tendencia lineal o polinomial) de los datos CSI correspondientes a través de
Eliminación de compensación. Después, Detección de patrones repetitivos además detecta actividades de entrenamiento basadas en un cálculo de
autocorrelación de las lecturas de CSI. Una vez que se identifican las actividades relacionadas con el entrenamiento
165: 6 • X. Guo y col.
PS PS & * +) *, - PS PS
(a) CSI amplitud de una subportadora con el correspondiente marco de tiempo de actividad.
30 10
0,8
25 5
0,6
Autocorrelación
Amplitud CSI
Amplitud CSI
0.4
20 0
0,2
0
15 -5
- 0,2
10 - 10 - 0,4
0 2000 4000 6000 8000 10000 12000 0 2000 4000 6000 8000 10000 12000 - 15 - 10 -5 0 5 10 15
Muestras de CSI Muestras de CSI Retraso (segundo)
(b) Datos brutos del entrenamiento (C) Eliminación de compensación (d) Detección de patrones repetitivos
Fig. 2. Un ejemplo ilustra el proceso de detección de entrenamiento.
Lecturas CSI, el sistema realizará Análisis de espectrograma convirtiendo la serie de tiempo CSI al dominio de la frecuencia. El
espectrograma de las lecturas de CSI refleja cómo la energía de entrenamiento de cada componente de frecuencia evoluciona con el
tiempo.
A continuación, nuestro sistema funciona Interpretación personalizada de ejercicios y Evaluación inteligente del entrenamiento. En particular,
los Interpretación personalizada de ejercicios realiza un análisis cuantitativo de las lecturas de CSI para producir estadísticas de entrenamiento, que
se pueden utilizar para rastrear si un usuario sigue correctamente su plan de acondicionamiento físico personal. Contiene tres módulos:
Segmentación y conteo, reconocimiento de repetición y Identificación individual. los Segmentación y conteo
cuenta las repeticiones del ejercicio basándose en el análisis de densidad espectral de potencia acumulada del espectrograma CSI.
Reconocimiento de repetición proporciona un reconocimiento detallado del ejercicio a nivel de repetición a través de un método basado en DNN. Entonces,
nuestro sistema diferencia a diferentes individuos a través de laIdentificación individual módulo (es decir, la capa más profunda del modelo DNN propuesto). los
Evaluación inteligente del entrenamiento tiene como objetivo proporcionar comentarios sobre el entrenamiento a los usuarios. En particular, además de desear
verificar las estadísticas de aptitud física, un usuario también se preocupa por la calidad de su entrenamiento para garantizar la eficiencia del desarrollo
muscular de su entrenamiento y evitar posibles riesgos de lesiones. La evaluación del entrenamiento consiste
de dos módulos, Estimación de velocidad y fuerza de repetición y Revisión de entrenamiento. Velocidad y fuerza de repetición
Estimacion centrarse en la estimación de la velocidad y la fuerza del entrenamiento en el nivel de repetición, que son especialmente útiles tanto en la
evaluación de la calidad como en la detección del entrenamiento anormal (por ejemplo, una persona mayor puede tener un cambio repentino en la velocidad
de su entrenamiento debido a su situación de salud física). Revisión de entrenamiento El módulo proporciona recomendaciones de entrenamiento a los
usuarios a través de la evaluación del entrenamiento a nivel de repetición. Antes de implementar nuestro sistema, recopilamos los rastros de CSI
como los perfiles de entrenamiento de los expertos que pueden realizar diferentes tipos de ejercicio con intensidades y fortalezas estándar. Luego,
el sistema compara cada repetición de los perfiles de ejercicio de los usuarios con sus perfiles de entrenamiento estándar o con los expertos que
visitan el gimnasio con frecuencia para que pueda proporcionar comentarios deseables a los usuarios.
4 RECONOCIMIENTO DEL ENTRENAMIENTO
En esta parte, discutiremos los detalles del sistema propuesto sobre la diferenciación entre actividades de entrenamiento y no
entrenamiento, y el reconocimiento de la repetición de ejercicios.
4.1 Diferenciación entre entrenamiento y no entrenamiento

En entornos domésticos / de oficina donde las personas realizan diferentes actividades diarias, las lecturas de CSI relacionadas con actividades que
no son de entrenamiento (por ejemplo, escribir frente a una computadora, caminar) también se capturarán junto a las actividades de
entrenamiento. Con el fin de lograr una asistencia personalizada para el acondicionamiento físico, es fundamental que nuestro sistema primero
diferencie el entrenamiento de otras actividades. Para identificar características únicas de CSI a partir de actividades relacionadas con el
entrenamiento, llevamos a cabo un experimento preliminar registrando una serie de actividades de un individuo específico en un entorno de
oficina de la siguiente manera: Una persona está escribiendo frente a una mesa y luego camina hacia un lugar donde realiza cinco repeticiones de
flexión de bíceps de pie. Después de eso, regresa a la misma mesa y continúa escribiendo. La figura 2 (a) muestra la amplitud CSI correspondiente
de una subportadora (es decir, 5th subportadora) con el marco de tiempo marcado de cada actividad. Observamos patrones repetitivos obvios en
las lecturas de CSI durante los entrenamientos, mientras que ninguno para las actividades que no son de entrenamiento.
Inspirándonos en las observaciones anteriores, proponemos detectar las actividades de entrenamiento mediante la búsqueda de patrones
repetitivos en las lecturas de CSI con el método de autocorrelación. La autocorrelación se utiliza para proporcionar una medida de similitud entre
una señal y ella misma en un retardo dado y, por lo tanto, se espera un máximo local si existe un patrón repetitivo. Específicamente, el proceso de
detección de patrones repetitivos es el siguiente: nuestro sistema primero aplica una ventana deslizante en la serie de tiempo de amplitud CSI. La
Figura 2 (b) muestra un ejemplo de una ventana deslizante de 8 segundos que contiene las lecturas de CSI sin procesar asociadas con un
entrenamiento. A continuación, eliminamos el desplazamiento (por ejemplo, media, tendencia lineal o tendencia polinómica) de las lecturas sin
procesar dentro de esta ventana. Específicamente, Primero ajustamos un polinomio de orden bajo a los datos CSI sin procesar y lo restamos junto
con el valor medio de las lecturas CSI sin procesar. La figura 2 (c) denota los datos después de la eliminación del desplazamiento. La figura 2 (d)
muestra los resultados de la detección de patrones repetitivos. Luego, se adopta un algoritmo de detección de pico (es decir, máximo local) con un
umbral empírico (es decir, 0,2 en este ejemplo) para derivar el número de repeticiones
nortepag - 1
por norter =
2, donde norter es el número de repeticiones y nortepag es el número de picos de autocorrelación.
Finalmente, el entrenamiento se detecta dentro de la ventana deslizante específica cuando norter es mayor que un umbral T. Aquí
asumimos que las actividades de entrenamiento tienen al menos 3 repeticiones, por lo tanto T se fija en 3 en nuestro sistema de prototipos si no se
menciona lo contrario.
4.2 Reconocimiento de la repetición del ejercicio
Una vez que se detecta la actividad del entrenamiento, nuestro sistema reconocerá cada repetición del ejercicio para proporcionar más estadísticas
de entrenamiento. Las estadísticas de entrenamiento, como el número de series y repeticiones, implican efectos significativos del ejercicio (por
ejemplo, calorías quemadas) y son cruciales para guiar a los usuarios a diseñar, seguir y ajustar sus planes de acondicionamiento físico. En el
diseño propuesto, adoptamos el análisis de espectrograma en lugar del análisis en el dominio del tiempo, que generalmente se ve afectado
negativamente por la presencia de interferencias y ruidos y fluctuaciones consistentes de CSI. Para validar la efectividad del análisis de
espectrograma, llevamos a cabo varios experimentos preliminares pidiendo a los voluntarios que realicen cuatro conjuntos de
aumento lateral con cinco repeticiones por serie. El espectrograma correspondiente en el plano de tiempo-frecuencia presenta un patrón repetitivo
claro de actividades de entrenamiento en la Figura 3 (a). Luego adoptamos unCacumulativo Short Tyo me mimétodo nergy (CSTE) para
proporcionar estadísticas de entrenamiento y segmentar con mayor precisión cada ejercicio en el nivel de repetición. Específicamente, nuestro
sistema primero acumula toda la densidad espectral de potencia (PSD) a lo largo de la dimensión de frecuencia en el espectrograma como se
muestra en la Figura 3 (b). A continuación, la energía de la PSD acumulada se vuelve a acumular en una ventana deslizante corta
165: 8 • X. Guo y col.
60 1000
50 800
! _, 40
600
C 30
400
fE 20
200
10
0
0 20 40 60 80 100 120
Tiempo (segundos)
(a) Espectrograma de elevación lateral
(b) Densidad espectral de potencia acumulada correspondiente (CPSD)
(c) Energía acumulada normalizada de corto tiempo (CSTE)
Fig. 3. El proceso de reconocimiento de la repetición del ejercicio.
para hacer aún más distinguible cada repetición. Dado el PSD acumulado, el corto tiempo normalizado
la energía (STE) [4] se obtiene como:
∑∞
misqr = [V (yo) W (n - I )]2, (1)
yo =−∞
dónde V (i) es PSD acumulativo. W (n) representa la función de ventana y norte representa el cambio de fotograma de las muestras.
Nuestro sistema identifica todos los picos (es decir, puntos máximos locales) en el STE normalizado como se muestra en la Figura 3 (c), y
el número de picos representa el número de repeticiones. Además, segmentamos cada repetición buscando en el lado izquierdo y
derecho de cada pico para encontrar puntos de energía cero, y los datos de CSI entre dos puntos cero corresponden a una repetición.
También agrupamos varias repeticiones en una serie de ejercicios si estos picos están lejos de los demás, ya que un usuario
normalmente toma un descanso más largo entre dos series consecutivas. Tenga en cuenta que nuestro sistema aprovecha CSI, que
proporciona información detallada del canal inalámbrico y, por lo tanto, es sensible al movimiento del cuerpo. Por lo tanto, el
movimiento de la parte superior e inferior del cuerpo muestra cambios significativos en nuestro análisis de espectrograma.
Aporte
Ej 1 Ej 2 Ex K
Capa oculta 1: Softmax 1

(200 unidades)
Interpretación de entrenamiento
Capa oculta 2:
(100 unidades)
Softmax 2
Identificación individual
Fig. 4. Ilustración de la arquitectura DNN propuesta.
5 INTERPRETACIÓN PERSONALIZADA DEL ENTRENAMIENTO A TRAVÉS DEL APRENDIZAJE PROFUNDO
EnEn esta sección, proporcionamos un método basado en la red neuronal profunda (DNN) para reconocer tipo de ejercicio y asociado
los ejercicios detectados con el usuario correspondiente en un espacio compartido. Las representaciones ocultas de alto nivel producidas por DNN son más estables y robustas a las variaciones a pequeña escala de
las señales de entrada como se indica en el trabajo anterior [28], que cumple con los requisitos jerárquicos de nuestro sistema. Por lo tanto, la estructura DNN propuesta involucra dos capas ocultas, cada una de
las cuales incluye un codificador automático y un clasificador softmax como se muestra en la Figura 4, para la interpretación del entrenamiento y la identificación individual, respectivamente. Dado que cada
conjunto de entrenamiento generalmente implica múltiples repeticiones, nuestro sistema realiza el reconocimiento de entrenamiento de nivel de repetición con más frecuencia que la identificación individual de
nivel de conjunto. Además, para reducir el costo computacional, en lugar de utilizar representantes ocultos de la segunda capa, aprovechamos las abstracciones de funciones de la primera capa oculta para
reconocer el tipo de entrenamiento de cada repetición. Específicamente, el vector de entrada de DNN consta de características extraídas de 30 subportadoras de datos CSI sin procesar. En cada capa oculta, el
codificador automático aprende representaciones ocultas del vector de entrada, y el clasificador softmax, que está conectado al final del codificador automático, construye el modelo de clasificación individual / de
actividad junto con el codificador automático con instancia etiquetada. Los autocodificadores se entrenan de forma no supervisada, mientras que la capa softmax se entrena con las representaciones etiquetadas
extraídas de los autocodificadores. el autoencoder aprende representaciones ocultas del vector de entrada, y el clasificador softmax, que está conectado al final del autuencoder, construye el modelo de
clasificación individual / de actividad junto con el autoencoder con instancia etiquetada. Los autocodificadores se entrenan de forma no supervisada, mientras que la capa softmax se entrena con las
representaciones etiquetadas extraídas de los autocodificadores. el autoencoder aprende representaciones ocultas del vector de entrada, y el clasificador softmax, que está conectado al final del autuencoder,
construye el modelo de clasificación individual / de actividad junto con el autoencoder con instancia etiquetada. Los autocodificadores se entrenan de forma no supervisada, mientras que la capa softmax se
entrena con las representaciones etiquetadas extraídas de los autocodificadores.
A diferencia de los clasificadores tradicionales (por ejemplo, máquina de vectores de soporte (SVM)), nuestro enfoque
basado en DNN de dos capas podría reconocer de manera robusta los tipos de ejercicios y las identidades humanas a
pesar de los impactos de las variaciones de medición inalámbrica. Por lo general, las lecturas de CSI sufren cambios de
señal complejos introducidos por variaciones mínimas de la ruta de propagación, que difícilmente pueden suprimirse
con una única transformación de espacio de características (es decir, SVM). Por lo tanto, los clasificadores tradicionales,
como SVM y regresión logística que requieren que los datos de prueba se ubiquen cerca de los hiperplanos que se
aprenden utilizando las muestras de perfil, no logran realizar de manera sólida la identificación individual y el
reconocimiento de ejercicios. Por lo tanto, desarrollamos un modelo DNN con múltiples capas ocultas para capturar
abstracciones de características de composición / robustas [27] y para mitigar el efecto de múltiples rutas.
5.1 Extracción de funciones

Para capturar las características únicas de cada tipo de ejercicios, es necesario extraer características confiables y eficientes de las
mediciones de CSI como vector de entrada del modelo DNN. Dado que las mediciones de CSI sin procesar son sensibles a los cambios
ambientales, el impacto de dicha interferencia ambiental se eliminará mediante la obtención de características confiables. Además, el
uso de las características extraídas de las mediciones CSI sin procesar como entrada del modelo DNN también reduce la sobrecarga
computacional de nuestro sistema. Hay 8 características del dominio del tiempo extraídas de cada
subportadora, incluyendo máximo, mínimo, media, curtosis, asimetría, varianza, mediana y Desviación Estándar.
165: 10 • X. Guo y col.
6 6
Usuario 1 Usuario 1
4 Usuario 2 4 Usuario 2
2 2
Amplitud CSI
Amplitud CSI
0 0
-2 -2
-4 -4
-6 -6
0 2 4 6 0 2 4 6
Tiempo (segundos) Tiempo (segundos)
(a) Ejercicio 1 (b) Ejercicio 2
Fig. 5. Amplitudes CSI de dos usuarios que realizan dos tipos de ejercicios.
Dichas características de CSI se extraen de 30 subportadoras dentro de un solo segmento de ejercicio y, por lo tanto, la longitud del
vector de entrada X es 8 × 30. Además, el sistema propuesto adopta una alta frecuencia de muestreo de 1000 Hz para garantizar la
granularidad suficiente en la captura de la dinámica del ejercicio humano.
5.2 Extracción de representación latente basada en autocodificador

Dadas las características de CSI extraídas, nuestro modelo DNN primero reconoce el tipo de ejercicio y luego identifica al individuo
mediante el análisis de la representación latente jerárquica derivada del vector de entrada. La Figura 4 ilustra nuestra estructura DNN
que consiste en un autocodificador apilado de dos capas [28] con dos clasificadores Softmax correspondientes. Para determinar el
número de neuronas en cada capa oculta, nuestro sistema itera a través de varios números de unidades neuronales y selecciona el
número que proporciona la mayor precisión de validación cruzada. La estructura DNN propuesta toma un conjunto de características CSI
X como vector de entrada y codifica características en representaciones latentes jerárquicas (es decir,
yI (yo = 1, 2)) mediante funciones de activación FI (yo =1, 2), donde las salidas de función se pueden utilizar para la clasificación de entrenamiento /
identidad.
Las unidades neuronales en cada capa DNN aprenden un conjunto de representaciones latentes de las entradas de características CSI
de forma no supervisada. Específicamente, las dos capas ocultas tienen 200 y 100 unidades neuronales, respectivamente, y obligan a la
red a aprender una representación comprimida y dispersa de las entradas estableciendo el número de unidades ocultas menos que el
número de entradas.norte.
Las unidades ocultas en cada autocodificador mapean el vector de entrada X en un conjunto de representaciones latentes Y mediante
la siguiente ecuación:
Y = σ (wX + b), (2)
dónde σ () es una función sigmoidea logística formulada como σ (z) = 1+mi -z

1, y w y B caracterizar el peso y parcialidad
del codificador automático, respectivamente. Los autocodificadores se entrenan minimizando los errores de reconstrucción entre
X y Y. En particular, para entrenar un codificador automático, inicializamos pesos y sesgos con números aleatorios. Entonces, la función de
optimizaciónΓ en el entrenamiento del codificador automático se define de la siguiente manera:
1 K∑ ′)2 + λ ×Ω
Γ (X, X ′) = (X k- X k weiдhts
K (3)
k =1
+ β × Ωspar sity,
dónde K es el número de muestras de entrenamiento y X ′ representa la muestra reconstruida de Y usando un decodificador

función. UsamosΩweiдhts y Ωspar sity para denotar los parámetros de L2 regularizador y regularizador escaso [20],
que evitan valores de salida bajos de las unidades neuronales. Yλ y β son los coeficientes de L2 regularizador y regularizador
escaso. Específicamente, denotamosλ = 0,002 y β = 4 para controlar el error cuadrático medio para la optimización
función Γ. Para limitar el tiempo de entrenamiento y preservar los errores de reconstrucción bajos para las unidades en capas ocultas,
entrenamos el modelo DNN propuesto aprovechando una tasa de aprendizaje del 10% y 300 épocas de manera no supervisada.
5.3 Identificación individual e interpretación del entrenamiento

La identificación individual además de la interpretación del ejercicio es un desafío porque los gestos de diferentes personas de un tipo de ejercicio son similares. Sin embargo,
encontramos que diferentes personas realizan microgestos no idénticos que pueden ser capturados y discriminados de CSI. La Figura 5 muestra la medición de CSI de dos
usuarios para dos ejercicios diferentes. Observamos diferencias mínimas en la medición de CSI de dos usuarios que realizan el mismo ejercicio, porque las características
distintas (por ejemplo, la forma del cuerpo y comportamientos distintos) de cada usuario tienen impactos únicos en las mediciones de CSI. Por lo tanto, podemos confiar en las
representaciones de características de CSI para identificar a cada individuo. Específicamente, construimos el modelo DNN de dos capas apilando una capa de codificador
automático sobre otra. Cada capa de codificador automático genera representaciones latentes que son abstracciones de las características CSI de entrada. Dadas las
representaciones de características de las dos capas, utilizamos dos funciones SoftMax [5] para realizar la identificación individual y la interpretación del entrenamiento. La
primera función SoftMax toma las representaciones ocultas de la capa 1 como entrada y reconoce el tipo de ejercicio, mientras que la segunda capa SoftMax se adjunta al
segundo codificador automático e identifica la identidad individual. Las funciones de SoftMax se definen de la siguiente manera: mientras que la segunda capa de SoftMax se
adjunta al segundo codificador automático e identifica la identidad individual. Las funciones de SoftMax se definen de la siguiente manera: mientras que la segunda capa de
SoftMax se adjunta al segundo codificador automático e identifica la identidad individual. Las funciones de SoftMax se definen de la siguiente manera:
P (Y |C) P (C)
P (Cn |Y) = ∑ ,
norte norte
(4)
j =1 P (Y | Cj ) P (Cj)
norte
dónde P (Cn |Y) representa la probabilidad posterior de ide del usuario∑ etiqueta de entidad Cnorte dadas unas representaciones latentes ocultas
Y, y denotamos el anterior de la misma etiqueta que P (Cn). P (Y | Cn) indica la probabilidad de las representaciones
Y clase dada C . Los valores de P (C | Y) están limitados por norte 1 P (Cn |Y) = 1. Cada función de SoftMax genera
norte norte
la distribución de probabilidad sobre norte usuarios / ejercicios perfilados. Eacnorteh = La capa SoftMax se entrena minimizando un
función de error cuadrático medio, que se define como:
norte ∑
1∑k 2
E= (t ij- y ij), (5)
norte
j = 1yo =1
dónde norte es el número de observaciones, y k es el número de usuarios. tJi es el elemento de una matriz de verdad fundamental para
las muestras de entrenamiento y yij son las representaciones ocultas para el jth observación. Luego, usamos un optimizado
función n = arämaxnorte∈norte P (Cn |Y) para encontrar una clase predicha para las representaciones latentes Y. El proceso de entrenamiento de la
capa Softmax corre 400 épocas con la tasa de aprendizaje fijada en 0.15 de manera supervisada para controlar el entrenamiento.
tiempo preservando la precisión de la clasificación.
5.4 Construcción del perfil

El diseño de la construcción de nuestro perfil debe estar en consonancia con el objetivo de este proyecto que pretendemos desplegar
nuestro sistema en casa o en la oficina donde múltiples usuarios puedan realizar ejercicios. Debemos tener en cuenta los dos aspectos
siguientes. En primer lugar, nuestro sistema debe tener la capacidad de diferenciar a diferentes personas además del reconocimiento
del entrenamiento en un entorno compartido. En segundo lugar, el sistema debe adaptarse a la existencia de posibles actividades
simultáneas, como actividades de entrenamiento o que no son de entrenamiento (por ejemplo, caminar, mecanografiar) realizadas por
otras personas. Para adaptarse al intercambio de entornos y lograr una interpretación personalizada del entrenamiento, nuestro sistema
165: 12 • X. Guo y col.
Final
posición
Inicial Inicial
posición posición
Fig. 6. Espectrograma de una repetición.
recopila lecturas de CSI de cada tipo de entrenamiento de cada individuo. Por tanto, nuestro sistema adopta un modelo de construcción
de perfiles personalizado. Es posible que un usuario realice un entrenamiento en una ubicación ligeramente desplazada. Para adaptarse
a tal posible cambio de ubicación, los perfiles de entrenamiento personalizados se recopilan en varias ubicaciones dentro de un cierto
rango (por ejemplo, a un pie de distancia de la ubicación original), lo que hace que el modelo entrenado en nuestro sistema sea robusto
a los cambios de ubicación. En el caso de actividades simultáneas, las actividades que no son de entrenamiento también pueden
contener movimientos corporales repetitivos de otras personas cercanas. Sin embargo, debido al espacio limitado para el hogar y la
oficina, generalmente solo permite que una persona realice ejercicio dentro de un cierto rango de espacio durante un período de
tiempo. Modelamos dicho espacio utilizando el concepto de zona de Fresnel [15], que se define como una serie de regiones elipsoidales
alargadas concéntricas entre una antena transmisora y una antena receptora. Dados un par de transceptores cerca de un área de
ejercicio en una habitación, la zona de Fresnel se construye alrededor de esa área de despliegue. Definimos el área dentro de los 12th
Zona de Fresnel como la región sensible porque la transmisión de la señal de RF se concentra principalmente dentro de las primeras 8 -
12 zonas [15]. Por ejemplo, en un tamaño de habitación típico (p. Ej., 8,3metro × 6.6metro), la distancia entre un transmisor y un receptor
puede ser 6metro. Entonces, el radio derivado de la zona de Fresnal es menor que 1,7metro. Por lo tanto, otras actividades simultáneas
fuera de la zona de Fresnel no afectan el rendimiento de nuestro sistema. En la Sección 8 se puede encontrar un análisis detallado tanto
de la zona de Fresnel como de los resultados de los experimentos de actividades concurrentes.
6 EVALUACIÓN INTELIGENTE DEL ENTRENAMIENTO
Las posturas de ejercicio correctas no solo reducirán la posibilidad de lesiones, sino que también aumentarán la eficiencia del desarrollo muscular.
Además, cualquier forma de ejercicio incorrecta puede ocasionar algunos problemas relacionados con la salud física, especialmente para las
personas mayores. En esta sección, analizaremos la evaluación inteligente del entrenamiento basada en el análisis a nivel de repetición para
ayudar a los usuarios a mantener las posturas de ejercicio correctas y así lograr sus objetivos de acondicionamiento físico.
6.1 La anatomía de un representante
Para realizar la evaluación del entrenamiento, primero debemos tener un conocimiento profundo de la repetición de un entrenamiento.
Básicamente, una repetición normalmente consiste en una serie de movimientos corporales de unposición inicial a un posición final
y luego de vuelta a la posición inicial como se muestra en la Figura 6. La figura muestra el espectrograma de una repetición con los
movimientos correspondientes. En nuestro ejemplo, el movimiento contienecontracciones concéntricases decir, hacer que los músculos
se acorten, generando así fuerza) y contracciones excéntricases decir, hacer que los músculos se alarguen en respuesta a una
mayor fuerza de oposición). Las buenas repeticiones de ejercicios deben mantener un ritmo constante (es decir, la relación de tiempo
entre las contracciones concéntricas y las excéntricas en nuestro ejemplo).
6.2 Revisión y recomendación del entrenamiento

Para lograr un ejercicio eficaz y evitar lesiones, es fundamental que los profesionales del fitness personalicen los planes de fitness personales.
Dichos planes de acondicionamiento físico a menudo intentan regular el ejercicio siguiendo el principio de entrenamiento de Frecuencia,
Intensidad, Tiempo y Tipo (FITT) [19], que es un conjunto de pautas que instruyen a los usuarios a establecer rutinas de ejercicio que se ajusten a
sus objetivos y niveles de condición física. , mientras maximiza los efectos de los ejercicios. Específicamente,Frecuencia
se refiere a la frecuencia del ejercicio realizado; Intensidad se refiere a la intensidad del ejercicio realizado; Tiempo se refiere al tiempo
que un usuario dedica a hacer ejercicio; Escribe se refiere al tipo de ejercicio realizado.
Tradicionalmente, un preparador físico o un preparador físico en el gimnasio puede seguir observando la repetición de cada ejercicio de un usuario y
brindar consejos basados en el principio FITT. Sin embargo, muchas personas que trabajan a tiempo completo no tienen mucho tiempo para hacer ejercicio en
un lugar específico (es decir, el gimnasio). En cambio, a menudo optan por hacer ejercicio en casa o en la oficina. La propuesta
evaluación inteligente del entrenamiento El módulo cubre la brecha entre las necesidades de los usuarios y los planes de acondicionamiento físico
para cumplir con el principio FITT al proporcionar información detallada y personalizada sobre el estado físico y comentarios intuitivos para los
usuarios. El módulo proporcionará automáticamente evaluaciones y recomendaciones, que se basan en la medición de las lecturas de CSI de WiFi
mientras los usuarios realizan los ejercicios. Nuestro sistema se enfoca principalmente en percibirIntensidad y Tiempo, porque estas dos
orientaciones están estrechamente relacionadas con ejercicios en nivel de repetición. Basándonos en el principio FITT y la anatomía de un
representante, definimos dos métricas de la siguiente manera:
Relación trabajo-descanso. El tiempo de entrenamiento en el nivel de repetición refleja cuánto tiempo se dedica a la repetición de una
serie. Mide el ciclo completo de una repetición dentro de una serie. Para ganar un desarrollo muscular eficiente, el usuario debe
mantener una proporción constante entre el tiempo de repetición y el siguiente tiempo de descanso. Por lo tanto, definimos el
ración de trabajo a descanso como:
Tw
(I )
Rw2r =
T r(I )
dónde T w(I )es el tiempo de duración del Ith entrenamiento y T (Ir) es el tiempo de duración del descanso seguido del Ith
ejercicio.
Relación de tempo de repetición (RTR). La intensidad del entrenamiento generalmente indica cuánta energía se consume, lo que
puede reflejarse en un porcentaje relativo de la resistencia máxima de un usuario. Específicamente, definimos la intensidad como una
relación entre la energía desde una posición inicial hasta una posición final. Según el análisis de la anatomía de una repetición,
encontramos que esta relación se puede medir midiendo la duración del tiempo desde una posición inicial hasta una posición final, y la
duración del tiempo desde la posición final hasta la posición inicial en una repetición. . Por lo tanto, definimos la relación de tempo de
repetición de la siguiente manera:
T II2F
RRTR = ,
T FI 2I
dónde T I
I2F es el tiempo de duración desde una posición inicial hasta una posición final del Ith repetición y TI F 2I es la hora
duración desde la posición final hasta la posición inicial del Ith repetición.
Recomendación de entrenamiento. Según los resultados de la evaluación, nuestro sistema proporcionará a continuación recomendaciones de
entrenamiento razonables para ayudar al usuario a corregir los gestos de ejercicio. La idea básica es comparar los resultados de la evaluación del
ejercicio de usuarios normales con los obtenidos de usuarios expertos en términos de las nuevas métricas.
Específicamente, nuestro sistema no solo proporciona la tendencia de estas dos métricas en todas las repeticiones, sino que también muestra
los límites superior e inferior de las métricas obtenidas de usuarios expertos. Luego, un usuario puede tener una vista visualizada de la evaluación
de su entrenamiento y verificar si la repetición se realiza correctamente o no. La figura 7 traza el entrenamiento
165: 14 • X. Guo y col.
3 3
2.5 2.5
Relación de tempo de repetición

Relación trabajo-descanso
2 2
límite superior
1,5 límite superior 1,5
1 1
0,5 0,5 límite inferior

límite inferior
0 0
0 24 6 8 10 12 0 2 4 6 8 10 12
ID de repetición ID de repetición
(a) Relación trabajo-descanso (b) Relación de tempo de repetición
Fig. 7. Evaluación del entrenamiento para cada repetición basada en dos métricas.
Tabla 1. Actividades de entrenamiento realizadas.
Código Ejercicio Código Ejercicio

Ex1 Flexión de bíceps de pie Ex6 Tai Chi
Ex2 Aumento lateral Ex7 Curl con mancuernas
Ex3 Estiramiento de piernas Ex8 Pila de sentadillas
Ex4 Levantar y agacharse Ex9 Extensión de tríceps con mancuernas
Ex5 Prensa de piernas Ex10 Extensión del cuerpo
evaluación para un usuario después de que termine 12 repeticiones de elevación lateral. El usuario puede observar cómo cada uno de sus
Las repeticiones se realizan en función de la relación trabajo-descanso y pueden encontrar el 7th,8th,9th las repeticiones están por encima del límite
superior como se muestra en la Figura 7 (a). La Figura 7 (b) proporciona una vista diferente de cada repetición al examinar la proporción de tempo
de repetición. El usuario encontrará el 5th la repetición está por encima del límite superior y el 10th la repetición está por debajo del límite inferior.
Con base en la retroalimentación visualizada, el usuario puede ajustar sus repeticiones posteriores prestando atención a aquellas repeticiones que
están mal hechas. En particular, para aquellas repeticiones más allá del límite superior de un entrenamiento estándar, el usuario necesita extender
el tiempo de descanso después de las repeticiones, mientras que para aquellas sobre el límite superior de la relación de tempo de repetición, el
usuario puede aumentar la intensidad desde la posición inicial hasta la posición final.
7 EVALUACIÓN DEL RENDIMIENTO

7.1 Metodología experimental
Configuración del experimento. Para validar el rendimiento del sistema propuesto, implementamos un prototipo mediante la implementación de
un par de computadoras portátiles Dell E6430 equipadas con Intel 5300802.11norte NIC WiFi que actúan como transceptores WiFi. Específicamente,
el transmisor y el receptor están configurados para funcionar bajoMonitor modo con tasa fija de paquetes de 1000 paquetes / seg en la banda de 5
GHz. Tenga en cuenta que cada medición de CSI del paquete capturado consta de 30 subportadoras en forma de valor complejo.
Recopilación de datos. Realizamos los experimentos reclutando a 20 voluntarios que son estudiantes universitarios (18 hombres y 2 mujeres;
edades de 22 a 35). Los perfiles de entrenamiento de ejercicios se recopilan en varias ubicaciones dentro de un cierto rango (es decir, dentro de un
pie) de una ubicación de perfil. Sus actividades de entrenamiento se rastrean y analizan en tres lugares interiores diferentes durante un período de
tiempo de 10 meses. Tenga en cuenta que los tamaños de los lugares son 6metro × 4metro, 8.3metro × 6.6metro y
ex1 93,3% 0% 0,1% 1,3% 0% 0,3% 0% 1% 4,6% 1,4%

1
ex2 2,8% 91,6% 0% 0,1% 0% 1,3% 1,4% 1% 0,2% 1,3%

0,8
ex3 0% 0% 96,2% 0,3% 0% 0% 0% 0,3% 1,6% 0,1%
ex4 0% 0,7% 2% 90,7% 2,1% 0% 0% 0,7% 0% 0%
Porcentaje (%)
Verdad fundamental
0,6
ex5 0% 0% 0% 1,7% 95,5% 1,6% 0% 0% 0% 0%
ex6 0,3% 2,6% 0,6% 0% 0,6% 93,2% 1,3% 2,3% 0,4% 2%

0.4
ex7 0,2% 0,6% 0% 2,7% 0,2% 0% 93,6% 0,4% 0,7% 0%
ex8 1,6% 2,8% 0,2% 1,4% 1,7% 0% 2,2% 89,6% 1,9% 0%

Precisión
0,2 Recordar
ex9 1,3% 1,7% 0,9% 0,3% 0% 0,4% 0% 1,6% 90,6% 0% F1_puntaje
ex10 0,4% 0,8% 0% 2,2% 0% 3,2% 1,5% 2,2% 0,4% 97,2% 0

ex1 ex2 ex3 ex4 ex5 ex6 ex7 ex8 ex9 ex10 Ex1 Ex2 Ex3 Ex4 Ex5 Ex6 Ex7 Ex8 Ex9 Ex10
Ejercicio reconocido Ejercicio
(a) Exactitud del reconocimiento del ejercicio (b) Precisión / recuperación / puntuación F1
Fig. 8. Precisión del reconocimiento del ejercicio con el modelo DNN propuesto.
1
ex1 97% 1% 4% 0% 0% 1% 1% 5% 2% 1%
ex2 1% 96% 0% 1% 0% 0% 0% 1% 1% 4%
0,8
ex3 0% 0% 93% 1% 0% 1% 0% 0% 0% 0%
ex4 1% 1% 0% 84% 1% 4% 1% 0% 1% 0% Porcentaje (%)

Verdad fundamental
0,6
ex5 0% 0% 3% 3% 95% 1% 0% 1% 0% 0%
ex6 0% 0% 0% 5% 1% 89% 2% 0% 0% 6%
0.4
ex7 0% 0% 0% 2% 1% 2% 88% 2% 2% 0%
ex8 1% 0% 0% 1% 1% 1% 4% 90% 1% 0%
0,2 Precisión
ex9 0% 1% 0% 0% 0% 0% 1% 1% 90% 0% Recordar
F1_score
ex10 1% 1% 0% 3% 0% 1% 4% 0% 2% 89%
0
ex2 ex4 ex6 ex8 ex10 Ex1 Ex2 Ex3 Ex4 Ex5 Ex6 Ex7 Ex8 Ex9 Ex10
Ejercicio reconocido Gesto de ejercicio
(a) Exactitud del reconocimiento del ejercicio (b) Precisión / recuperación / puntuación F1
Fig. 9. Precisión del reconocimiento del ejercicio con un modelo DNN de dos capas independiente.
7.3metro × 3.6metro, respectivamente, que corresponden a tres tamaños de habitación típicos (es decir, sala de estar, sala familiar grande y espacio de oficina). Para validar la confiabilidad del sistema propuesto, los voluntarios realizan un
total de 10 ejercicios típicos en interiores, incluidos ejercicios de peso libre, estiramiento corporal y aeróbicos. Los detalles de los tipos de ejercicio se enumeran en la Tabla 1. Durante la encuesta de 10 meses, le pedimos a cada uno de los
voluntarios que realice 20 series para cada tipo de ejercicio por semana con 15 repeticiones por serie. En total, recopilamos 3013 segmentos de mediciones de CSI que están asociadas con actividades de entrenamiento de los voluntarios.
Para cada ronda de recopilación de datos, pedimos a los voluntarios que permanezcan en la sala durante 20 minutos. Durante este período de tiempo, un voluntario imita los escenarios del trabajo en casa o en la oficina. Específicamente,
cada voluntario debe realizar actividades relacionadas con el entrenamiento durante 10 minutos y cualquier otra actividad (por ejemplo, con o sin patrón repetitivo) durante el resto del tiempo. Por lo tanto, las lecturas de CSI recopiladas
podrían incluir tanto actividades diarias regulares (por ejemplo, sentarse en una silla en el trabajo, escribir a máquina y caminar) como actividades de ejercicio del voluntario. La relación de duración de las actividades diarias regulares y las
actividades de ejercicio es de alrededor de 1: 1. El diseño de un proceso de recopilación de datos de este tipo es para demostrar que nuestro sistema de asistente de fitness tiene la capacidad de distinguir las actividades relacionadas con el
ejercicio de las actividades diarias. las lecturas de CSI recopiladas podrían incluir tanto actividades diarias regulares (por ejemplo, sentarse en una silla en el trabajo, escribir a máquina y caminar) como actividades de ejercicio del voluntario.
La relación de duración de las actividades diarias regulares y las actividades de ejercicio es de alrededor de 1: 1. El diseño de un proceso de recopilación de datos de este tipo es para demostrar que nuestro sistema de asistente de fitness
tiene la capacidad de distinguir las actividades relacionadas con el ejercicio de las actividades diarias. las lecturas de CSI recopiladas podrían incluir tanto actividades diarias regulares (por ejemplo, sentarse en una silla en el trabajo, escribir a
máquina y caminar) como actividades de ejercicio del voluntario. La relación de duración de las actividades diarias regulares y las actividades de ejercicio es de alrededor de 1: 1. El diseño de un proceso de recopilación de datos de este tipo
es para demostrar que nuestro sistema de asistente de fitness tiene la capacidad de distinguir las actividades relacionadas con el ejercicio de las actividades diarias.
Métricas de evaluación. Para cuantificar el desempeño de nuestro sistema, definimos las siguientes cuatro métricas como:
Precisión. Dado nortew conjuntos de un tipo de entrenamientow en nuestro perfil, la precisión de reconocer el entrenamiento realizado
nortew Se define como:
w
norteT
precisiónw = T F
,
nortew + METROw
165: 16 • X. Guo y col.
U19 1
U18
U17 0,9
U16
U15 0,8
U14
0,7
U13
U12
0,6
Verdad fundamental
U11
U10
0,5
U9
U8
0.4
U7
U6
0,3
U5
U4 0,2
U3
U2 0,1
U1
0
U1 U2 U3 U4 U5 U6 U7 U8 U9 U10 U11 U12 U13 U14 U15 U16 U17 U18 U19
Usuario reconocido
Fig. 10. Precisión de identificación individual.
dónde norteTw es el número de instancias reconocidas correctamente como entrenamiento w , tiempo METRO
w F es el número de conjuntos
correspondiente a otros entrenamientos que se reconocieron erróneamente como entrenamiento w.
Recordar. Recuerdo de un entrenamiento w se define como la proporción de repeticiones que se reconocen correctamente como el
entrenamiento w sobre todas las repeticiones reconocidas como tipo de entrenamiento w:
w.
norteT
Recordarw =
nortew
Puntuación F1. La puntuación F1 es la media armónica de precisión y recuperación, y actúa como una medida de la precisión de una
clasificación. La puntuación F1 varía de 0 a 1, lo que indica una precisión de clasificación ascendente. En nuestro escenario de clases múltiples,
la puntuación F1 para un entrenamiento específico w era definido como:
)
F1(w = 2 × precisiónw × recordarw .
precisiónw + recordarw
Matriz de confusión. Las columnas de la matriz de confusión denotan la verdad básica de una rutina / identidad, mientras que las filas
representan la rutina / identidad clasificada en nuestro sistema. Cada entrada en la matriz representa el porcentaje de ejercicio /
identidad correctamente clasificados.
7.2 Interpretación personalizada del entrenamiento e identificación individual

Interpretación de ejercicios. Primero examinamos el desempeño de la interpretación del entrenamiento basado en nuestro modelo DNN. La Figura
8 (a) muestra la matriz de confusión de 10 ejercicios de entrenamiento diferentes realizados por todos los voluntarios en tres entornos diferentes.
Observamos que la precisión de reconocimiento promedio es de alrededor del 93% y la desviación estándar es del 2.6%. Particularmente,
encontramos el 8th El entrenamiento (es decir, sentadillas en pila) tiene una precisión ligeramente menor que otros tipos de entrenamiento. Esto se
debe a que la sentadilla con pila implica el movimiento de todo el cuerpo, lo que hace que el flujo de CSI varíe mucho de vez en cuando. Pero
nuestro sistema aún puede mantener una precisión superior al 89%. Además, como se muestra en la Figura 8 (b),
encontramos que la correspondiente precisión, recuperación y F1 la puntuación ronda el 93%. Los resultados muestran que nuestro
modelo basado en DNN puede lograr una alta precisión en el reconocimiento del entrenamiento y, por lo tanto, confirmar la solidez de
nuestro sistema en diferentes entornos. Además, investigamos el rendimiento de la interpretación del entrenamiento de una red
neuronal de dos capas, que tiene la misma arquitectura que el modelo de dos capas descrito en la sección 5, pero aprovecha los
representantes ocultos extraídos de la segunda capa para el reconocimiento del entrenamiento. Como se muestra en la Figura 9,
encontramos que la precisión de reconocimiento promedio es de alrededor del 91,1% y la desviación estándar es del 4,6%. Tal precisión
de reconocimiento es menor que la de nuestro modelo DNN, porque un modelo de dos capas es demasiado complicado para nuestra
tarea de reconocimiento de entrenamiento. Demuestra que nuestro sistema puede reconocer tipos de ejercicio con suficiente
1 1
Precisión de identificación individual

Exactitud del reconocimiento del ejercicio
0,9 0,9
0,8 0,8
0,7 1.3m-1.3m 0,7

El 1.3m-0.2m
Los 0.2m-1.3m
0,6 0,6
Los 0.8m-0.8m
Los 0.2m-0.2m
0,5 0,5
Ex1 Ex2 Ex3 Ex4 Ex5 1,3-1,3 1,3-0,2 0,2-1,3 0,8-0,8 0,2-0,2
Tipo de ejercicio Altura del transceptor (metro)
(a) Reconocimiento de entrenamiento (b) Identificación individual
Fig. 11. Impacto de la altura del transceptor en el reconocimiento del ejercicio y la identificación individual.
precisión y baja complejidad computacional aprovechando representantes ocultos derivados de la primera capa del
modelo DNN propuesto.
Identificación individual. A continuación, realizamos la identificación individual utilizando nuestro modelo DNN. En la Figura
10, la matriz de confusión presenta la precisión general de la identificación individual. Descubrimos que nuestro sistema
siempre logra una alta precisión de identificación entre todos los voluntarios. En particular, las precisiones para todos los
individuos están por encima del 92% y la desviación estándar es del 3,34%. Este resultado valida que nuestro sistema puede
identificar a las personas con alta precisión y, por lo tanto, respalda la asistencia personalizada para el acondicionamiento físico.
Aunque el modelo DNN propuesto es suficientemente distintivo en una población de usuarios relativamente grande (es decir,
20 personas en nuestros experimentos actuales), aún no está claro cuál es el número máximo de usuarios que nuestro sistema
puede identificar. Sin embargo, nuestros resultados de 20 personas son prometedores,
7.3 Evaluación del entrenamiento
Nuestro sistema proporciona una evaluación del entrenamiento a cada usuario comparando el patrón de entrenamiento de un
usuario con el de los expertos en términos de las dos métricas definidas en la sección 6.2. Luego, se brindan recomendaciones a
los usuarios basadas en el límite superior y el límite inferior de las dos métricas calculadas a partir de los usuarios expertos.
Durante este proyecto, todos los voluntarios prueban nuestra evaluación del entrenamiento y ajustan sus posturas según la
revisión del entrenamiento proporcionada por nuestro sistema. En particular, pedimos a 6 usuarios expertos, que visitan el
gimnasio con regularidad y tienen experiencias de entrenamiento antes, que realicen tres series de entrenamiento con 10
repeticiones por serie para cada tipo de entrenamiento. Luego, establecemos el límite superior / inferior de la métrica específica
como el valor máximo / mínimo de los 6 usuarios expertos. En general,
7.4 Impacto de diferentes factores en el rendimiento del sistema

Hay factores (es decir, alturas de ubicación de dispositivos, distancia entre dispositivos y cambio de ubicación entre el perfil y los datos
de prueba) que podrían afectar el rendimiento de nuestro sistema. En esta parte, examinaremos y analizaremos el impacto de estos
factores para discutir la solidez de nuestro sistema.
7.4.1 Impacto de diferentes alturas de ubicación de dispositivos. Estudiamos la interpretación del entrenamiento y la identificación de personas.
esquema de ficación colocando el transmisor y el receptor inalámbricos a diferentes alturas. Específicamente, examinamos tres casos en
los que los transceptores se colocan a alturas iguales, 0,2metro, 0,8metro y 1.3metro, correspondiente al piso, la mesa y la tapa de un
mueble. Además, también estudiamos algunos escenarios del mundo real, donde las alturas del transmisor y el receptor son desiguales
(es decir, 1,3metro - 0,2metro, 0,2metro - 1.3metro).
165: 18 • X. Guo y col.
1 1

Exactitud del reconocimiento del ejercicio 2m
3m
0,9 0,9
5m
7m
0,8 0,8
0,7 0,7
0,6 0,6
0,5 0,5
Ex1 Ex2 Ex3 Ex4 Ex5 2 3 5 7
Tipo de ejercicio Distancia del transceptor (metro)
Fig. 12. Impacto de la distancia del transceptor en el reconocimiento del ejercicio e identificación individual.
Ex1 22% 2% 17% 12% 18% Ex1 93% 1% 1% 1% 6%
Ex2 14% 38% 13% 20% Ex2 0% 97% 0% 1% 0%

Verdad fundamental
Verdad fundamental
dieciséis%
Ex3 55% 51% 38% 9% 35% Ex3 4% 1% 87% 1% 1%
Ex4 1% 8% 19% 47% 14% Ex4 0% 0% 9% 90% 0%
Ex5 10% 1% 13% 11% 17% Ex5 3% 0% 3% 7% 93%
Ex1 Ex2 Ex3 Ex4 Ex5 Ex1 Ex2 Ex3 Ex4 Ex5
Ejercicio reconocido Ejercicio reconocido
(a) Sin perfiles oportunistas (b) Con perfiles oportunistas
Fig. 13. Mejora de la precisión del reconocimiento del entrenamiento con la construcción de perfiles oportunistas.
La Figura 11 (a) muestra la precisión del reconocimiento del entrenamiento para cinco ejercicios diferentes. Observamos que nuestro
algoritmo de reconocimiento de entrenamiento DNN logra altos rendimientos comparables con varias ubicaciones de transceptores. En
general, las precisiones de reconocimiento promedio para los cinco pares de alturas de transceptor son 94,7%, 99,7%, 97,3%, 99,6%,
98,9%. Específicamente, encontramos que los rendimientos de reconocimiento para tres alturas de transceptor (es decir, 1.3metro - 0,2metro,
0,8metro - 0,8metro, y 0,2metro - 0,2metro) lograr más del 94% en los cinco ejercicios. Además, observamos que cuando los transceptores se
colocan a la altura 1.3metro - 1.3metro, Los ejercicios 1 y 2 tienen una precisión de reconocimiento relativamente menor en comparación con la
mayoría de las otras alturas de transceptores. Esto se debe a que tanto el ejercicio 1 como el 2 implican un gesto de levantar las mancuernas a la
altura del transmisor (es decir, 1,3metro), resultando en efectos similares de trayectos múltiples y de línea de visión. Por lo tanto, las lecturas de CSI
de estos dos ejercicios son muy similares y, por lo tanto, los rendimientos de reconocimiento se degradan ligeramente. Además del reconocimiento
del entrenamiento, también presentamos la precisión de identificación individual en la Figura 11
(B). Es alentador que las precisiones de identificación para los cinco casos con alturas iguales de transceptor superen el 97%. Los
resultados confirman que el modelo DNN propuesto es robusto para diferentes alturas de transceptor en el reconocimiento del
entrenamiento y la identificación de personas.
1 1
Exactitud de reconocimiento del entrenamiento

0,8 0,8
0,6 0,6
0.4 0.4
0,2 0,2
0 0
k-NN DT RF SVM DNN k-NN DT RF SVM DNN
Clasificador Clasificador
Fig. 14. Comparación de diferentes clasificadores
7.4.2 Impacto de diferentes distancias de dispositivos. Además, también estudiamos el rendimiento del reconocimiento del entrenamiento.
bajo distintas distancias de transceptor, que corresponden a diferentes tamaños de habitación. Mostramos tanto el reconocimiento de
ejercicios como la precisión de identificación de personas de cinco ejercicios diferentes en la Figura 12. Como se muestra en la Figura 12
(a), nuestros algoritmos pueden lograr un buen rendimiento para la mayoría de los ejercicios con diferentes distancias de transceptor.
Específicamente, la precisión de reconocimiento promedio para las cuatro distancias es: 97,8%, 98,9%, 96,6%, 95,0%. En particular, para
el caso de la distancia 2metro, 3metro, 5metro, las precisiones de reconocimiento de los cinco ejercicios superan el 94%. Para la distancia
del transceptor de 7metro, algunos ejercicios (es decir, Ex1 y Ex4) tienen una precisión de reconocimiento relativamente menor debido a
la débil intensidad de la señal a esa distancia. La Figura 12 (b) muestra la precisión de identificación de personas para los cuatro casos de
diferentes distancias de transceptor. Podemos encontrar que las precisiones de identificación están por encima del 99%, lo que valida la
confiabilidad de nuestro algoritmo de identificación de personas a diferentes distancias entre el transmisor y el receptor.
7.4.3 Impacto del cambio de ubicación entre el perfil y los datos de prueba. Finalmente, estudiamos el impacto del cambio de ubicación si
El perfil de entrenamiento y los datos de las pruebas se recopilan en ubicaciones ligeramente diferentes (por ejemplo, a un pie de
distancia). Como se indica en la sección 5.4, se adopta una técnica de construcción de perfil oportunista para construir el perfil de
entrenamiento del usuario en 5 ubicaciones diferentes dentro de un área determinada, donde el usuario cambia deliberadamente su
ubicación al realizar el mismo ejercicio. Como comparación, también creamos otro perfil de entrenamiento sin construcción de perfil
oportunista (es decir, el perfil de un usuario recopilado exactamente en la misma ubicación). Presentamos los resultados experimentales
con y sin la construcción del perfil oportunista como se muestra en la Figura 13. La Figura 13 (a) reporta los resultados del
reconocimiento del entrenamiento en una matriz de confusión, y observamos una precisión de reconocimiento promedio baja alrededor
del 32% sin la construcción del perfil oportunista. Por el contrario, con los perfiles oportunistas, los resultados del reconocimiento del
entrenamiento mejoraron significativamente del 32% al 92% como se muestra en la matriz de confusión en la Figura 13 (b). Esta
comparación confirma aún más la solidez de nuestro sistema.
7.4.4 Comparación de varios clasificadores.Además, comparamos el modelo DNN con otros cuatro clasificadores tradicionales, incluidos k
vecinos más cercanos (k-NN), árbol de decisión (DT), bosque aleatorio (RF) y máquina de vectores de soporte (SVM). Cada clasificador se
evalúa mediante una validación cruzada de 10 veces y los parámetros de cada clasificador se ajustan para lograr el mejor rendimiento.
Podemos observar en la Figura 14 que el clasificador basado en DNN logra el mejor reconocimiento de entrenamiento y precisiones de
identificación individual entre los cinco clasificadores. Como se muestra en la Figura 14 (a), para el reconocimiento de entrenamiento, los
otros cuatro clasificadores tienen precisiones promedio de 87%, 58%, 79%, 81%, respectivamente. Y para las precisiones de identificación
individual como se muestra en la Figura 14 (b), los cuatro modelos de clasificación tienen precisiones promedio de 90%, 88%, 83%, 87%,
que son menos efectivas que el modelo DNN propuesto. Además, observamos que
165: 20 • X. Guo y col.
Primera zona de Fresnel
TX RX
D1 D2
r
pag
D
Fig. 15. Región sensible regulada por zona de Fresnel. (Mostramos la primera zona de Fresnel en rojo)
(a) No hay gente alrededor (b) 3 metros de la LoS (c) 2 metros de la LoS
Fig. 16. Lecturas CSI de elevación lateral bajo impactos de personas circundantes que caminan.
el modelo DNN propuesto obtiene las variaciones más bajas de 3,1% y 1,9% para el reconocimiento de ejercicios y la identificación individual,
respectivamente. Por lo tanto, nuestro modelo DNN mantiene un rendimiento constante en el proceso de validación cruzada. Esto se debe a que los
clasificadores lineales no logran mitigar los impactos de las variaciones de valor no lineales introducidas por los cambios en la ruta de propagación.
Por lo tanto, adoptamos el modelo DNN tanto para el reconocimiento de ejercicios como para las tareas de identificación individual en este trabajo.
8 DISCUSIÓN
Región sensible entre un par de transceptores WiFi. La fuerza de las ondas que se propagan entre un par de
El transceptor está regulado por la zona de Fresnel, que es una serie de regiones elipsoidales alargadas concéntricas entre una
antena transmisora y una antena receptora, como se muestra en la Figura 15. Definimos el área dentro de los 12th
Zona de Fresnel como Región sensible porque la transmisión de la señal de RF entre un par de transceptores se concentra
principalmente dentro de los primeros 8 - 12 zonas [15]. Específicamente, el radio de la zona de Fresnel en el puntopag se puede calcular
por:
√
nλd1D 2
rn = , (6)
D1 + D 2
dónde rnorte es el radio de la nortela zona de Fresnel en el punto pag; λes la longitud de onda; D1 y D2 son la distancia desde el transmisor y el
receptor hasta pag, respectivamente. Para un tamaño de habitación típico como se discutió en la sección 7.1, asumimos que un usuario
se encuentra en el medio de la ruta de LoS (es decir, D1 = D2). Entonces, la distancia entre el usuario y cualquiera de los dispositivos varía de 2 m.
a 4 m para la implementación de nuestro sistema en una sala de estar o de oficina típica. Podemos derivarr12 (es decir, el radio de la
duodécima zona de Fresnel) debe estar entre 1,2 ma 1,7 m según la ecuación 6. Estos resultados sugieren que el radio del
región sensible para un tamaño de habitación típico es menor de 1,7 m.
Impacto de la interferencia ambiental. En escenarios del mundo real (p. Ej., Oficina y hogar), que generalmente son compartidos por
varias personas, la dinámica de CSI con respecto al patrón de entrenamiento de un usuario específico también puede verse distorsionada
por las actividades diarias de personas que suenan. Sin embargo, de acuerdo con nuestro análisis teórico sobre la zona de Fresnel, las
interferencias de las personas circundantes deberían ser insignificantes si se mueven fuera de la región sensible. Para validar nuestro
análisis teórico, llevamos a cabo una serie de experimentos para inspeccionar el impacto de las interferencias de las personas que nos
rodean. En particular, le pedimos a un participante que realice un ejercicio en la ruta WiFi LoS y le pedimos a otro participante que siga
caminando 3 metros (es decir, fuera de la región sensible) alejándose de la ruta LoS. Este escenario es común ya que las personas
generalmente no caminarán demasiado cerca de la persona que hace ejercicio debido a razones de seguridad en un entorno de hogar /
oficina compartido. Además, elegimos la actividad de caminar porque la caminata humana implica movimientos de diferentes partes del
cuerpo (p. Ej., Pierna, brazo, tronco) y, por lo tanto, tiene un fuerte impacto en las lecturas de CSI que las actividades estacionarias (p. Ej.,
Escribir a máquina, sentarse). Como se muestra en la Figura 16 (a) (b), los patrones CSI de elevación lateral tienen poca diferencia entre
los casos en los que no hay personas caminando y varias personas caminando a 3 metros de distancia. Aunque observamos mediciones
ruidosas en la Figura 16 (c), donde el otro participante camina cerca (es decir, 2 m) del camino de LoS, las mediciones de CSI aún pueden
capturar la dinámica del ejercicio del usuario objetivo. Para ambos casos, Nuestro sistema puede clasificar con éxito el levantamiento
lateral con un 92% de precisión, que es solo un 3% más bajo que el caso sin la interferencia de otras personas. Como se demostró
anteriormente, las lecturas de CSI están dominadas por señales WiFi dentro de la región sensible. Si la ruta de LoS está bloqueada o los
equipos habilitados para WiFi se mueven, nuestro sistema debe iniciar una nueva ronda de recopilación de datos de entrenamiento, que
requiere la cooperación de los usuarios, y luego actualiza los perfiles en consecuencia.
Limitación y trabajo futuro.Nuestro sistema da el primer paso para proporcionar una evaluación cuantitativa y cualitativa
personalizada del estado físico de los usuarios mediante WiFi. Sin embargo, existen varias limitaciones que requieren más
trabajo futuro para ajustar nuestro sistema. En el diseño de nuestro sistema, asumimos que nuestro sistema normalmente se
ejecuta en un entorno interior relativamente estable donde los muebles, el transmisor WiFi y el receptor están fijos. Sin
embargo, el diseño puede ser diferente al de la primera vez que los usuarios usan nuestro sistema para crear perfiles debido a
la diferente ubicación de los muebles o dispositivos. Para abordar esta limitación en nuestro trabajo futuro, podemos acomodar
posibles cambios ambientales (por ejemplo, cambios de ubicación de escritorios o sillas circundantes) mediante la calibración
automática del perfil de ejercicio personalizado basado en el codificador automático [8]. Además, También es posible que la
orientación del rostro de un usuario sea diferente entre el perfil y el ejercicio posterior. Por ejemplo, un usuario puede realizar
un entrenamiento con una orientación de cara diferente que está a 90 grados de la orientación en el perfil. Tal diferencia en la
orientación de la cara también podría reducir la precisión del reconocimiento. Para adaptarse a tales posibles cambios, una
posible solución es recopilar perfiles de entrenamiento con orientaciones de usuario representativas (por ejemplo, 0, 90, 180 y
270 grados). Así, el perfil construido a partir de instancias de entrenamiento con diferentes orientaciones hace que el sistema
sea robusto. Sin embargo, esto puede aumentar el tamaño de los conjuntos de entrenamiento. Otra técnica prometedora que
se puede aprovechar para abordar este problema es el aprendizaje por transferencia [21].
9 CONCLUSIÓN
En En este documento, estudiamos la viabilidad de utilizar señales WiFi ubicuas para ayudar a los usuarios a realizar ejercicios efectivos en
enentornos domésticos / de oficina al proporcionar estadísticas de entrenamiento detalladas y personalizadas (es decir, tipo de entrenamiento, el
número de series y número de repeticiones) y evaluaciones dinámicas (es decir, estabilidad de la intensidad y fuerza del entrenamiento).
Con este fin, diseñamos e implementamos un sistema de asistente de fitness personalizado sin dispositivo basado en mediciones de CSI,
que está disponible en la infraestructura WiFi existente. Nuestro sistema es capaz de diferenciar a las personas además de la
interpretación detallada del entrenamiento y proporcionar una evaluación inteligente del entrenamiento. Más específicamente, nuestro
sistema utiliza un modelo basado en DNN para realizar la interpretación del entrenamiento con un análisis integral del entrenamiento, y
luego extrae representaciones latentes de grano fino para identificar mejor a las personas. Además,
165: 22. X. Guo y col.
Nuestro sistema evalúa el entrenamiento analizando la calidad del entrenamiento tanto a corto como a largo plazo, y proporciona
revisiones de entrenamiento para que los usuarios mejoren los ejercicios posteriores y eviten lesiones innecesarias. Se llevan a cabo
experimentos extensos con 20 voluntarios en tres lugares interiores típicos durante un período de tiempo de 10 meses. Los resultados
experimentales demuestran que el sistema propuesto logra más del 93% y 97% de precisión para identificar el tipo de entrenamiento y
las personas correspondientes con un solo par de transmisor y receptor WiFi, respectivamente. Prevemos que el sistema propuesto no
solo brindará más conveniencia para la asistencia personalizada de acondicionamiento físico, sino que también se puede extender a
varios escenarios de aplicación y beneficiar la vida diaria de las personas.
EXPRESIONES DE GRATITUD
Agradecemos sinceramente a los revisores anónimos por sus valiosos comentarios. Este trabajo es apoyado en parte por las
subvenciones de la Fundación Nacional de Ciencias CNS-1826647, CNS-1820624, CNS-1801630, CNS-1815908, CNS-1717356; La
subvención de la Oficina de Investigación del Ejército W911NF-18-1-0221.
REFERENCIAS
[1] 2014. Fitbit. http://www.fitbit.com/.
[2] Fadel Adib, Zachary Kabelac, Dina Katabi y Robert CMiller. 2014. Seguimiento 3D a través de Body Radio Reflections. EnXI Simposio USENIX
sobre diseño e implementación de sistemas en red (USENIX NSDI), Vol. 14. 317–329.
[3] Juliane Arney. 2005. ¡Deberías estar en imágenes! Los expertos comparten consejos sobre cómo producir un video de fitness de calidad para cualquier propósito.Diario
de fitness IDEA 2, 1 (2005), 86–90.
[4] RG Bachu, S Kopparthi, B Adapa y Buket D Barkana. 2010. Decisión sonora / sorda para señales de voz basada en la tasa de cruce por cero
y energía. EnTécnicas Avanzadas en Ciencias de la Computación e Ingeniería de Software. Springer, 279-282.
[5] Christopher M. Bishop. 2006. Reconocimiento de patrones.Aprendizaje automático 128 (2006).
[6] Oya Çeliktutan, Ceyhun Burak Akgul, Christian Wolf y Bülent Sankur. 2013. Análisis gráfico de acciones de ejercicio físico. En
Taller internacional de ACM sobre indexación multimedia y recuperación de información para el cuidado de la salud (ACM MIIRH). 23–32.
[7] Keng-hao Chang, Mike Y Chen y John Canny. 2007. Seguimiento de ejercicios con peso libre. EnActas de la novena conferencia internacional
sobre computación ubicua (ACM UbiComp).
[8] Xi Chen, Chen Ma, Michel Allegue y Xue Liu. 2017. Controlar la inconsistencia de las huellas dactilares de Wi-Fi para interiores pasivos sin dispositivos
localización. EnINFOCOM 2017-IEEE Conference on Computer Communications, IEEE. IEEE, 1–9.
[9] Heng-Tze Cheng, Feng-Tso Sun, Martin Griss, Paul Davis, Jianguo Li y Di You. 2013. Nuactiv: Reconocimiento de nuevas actividades invisibles
utilizando el aprendizaje semántico basado en atributos. EnActas de la 11ª conferencia internacional anual sobre sistemas, aplicaciones y servicios
móviles (ACM Mobisys).
[10] Ronan Collobert y Jason Weston. 2008. Una arquitectura unificada para el procesamiento del lenguaje natural: redes neuronales profundas con multitarea
aprendiendo. EnActas de la 25a conferencia internacional sobre aprendizaje automático. ACM, 160-167. para la monitorización del ejercicio de peso libre
[11] Han Ding, Longfei Shangguan, Zheng Yang, Jinsong Han, Zimu Zhou, Panlong Yang, Wei Xi y Jizhong Zhao. 2015. Femo: una plataforma
con rfids. EnActas de la 13a Conferencia de ACM sobre sistemas de sensores integrados en red (ACM
Sensys). 141-154.
[12] Xiaonan Guo, Liu Jian y Yingying. Chen. 2017. FitCoach: Entrenador virtual de fitness potenciado por dispositivos móviles portátiles. EnActas
del Congreso Internacional de Comunicaciones Informáticas (IEEE INFOCOM).
[13] Daniel Halperin, Wenjun Hu, Anmol Sheth y David Wetherall. 2010. Entrega predecible de paquetes 802.11 desde el canal inalámbrico
mediciones. EnRevisión de comunicación informática ACM SIGCOMM, Vol. 40. ACM, 159-170.
[14] Daniel Halperin, Wenjun Hu, Anmol Sheth y David Wetherall. 2011. Lanzamiento de la herramienta: recopilación de trazas 802.11 n con el estado del canal
información. Revisión de comunicación informática ACM SIGCOMM 41, 1 (2011), 53–53.
[15] Hristo D Hristov. 2000.Zonas Fresnal en Enlaces Inalámbricos, Lentes de Placa de Zona y Antenas. Artech House, Inc.
[16] Honglak Lee, Roger Grosse, Rajesh Ranganath y Andrew Y Ng. 2009. Redes convolucionales de creencias profundas para escalables sin supervisión
aprendizaje de representaciones jerárquicas. EnActas de la 26a conferencia internacional anual sobre aprendizaje automático. ACM, 609–616.
[17] Haochao Li, Eddie CL Chan, Xiaonan Guo, Jiang Xiao, Kaishun Wu y Lionel M Ni. 2015. Wi-counter: contador de personas basado en teléfonos inteligentes
que utiliza datos de señal wi-fi de colaboración colectiva.Transacciones IEEE en sistemas hombre-máquina 45, 4 (2015), 442–452.
[18] Cihang Liu, Lan Zhang, Zongqian Liu, Kebin Liu, Xiangyang Li y Yunhao Liu. 2016. Lasaña: hacia una comprensión jerárquica profunda
y búsqueda de datos de detección móviles. EnActas de la 22ª Conferencia Internacional Anual sobre Computación Móvil y Redes (ACM
MobiCom). 334–347.
[19] Colegio Americano de Medicina Deportiva y col. 2013.Pautas del ACSM para pruebas de ejercicio y prescripción. Lippincott Williams y Wilkins.
[20] Bruno A Olshausen y David J Field. 1997. Codificación escasa con un conjunto de bases demasiado completo: ¿una estrategia empleada por V1?Investigación de la visión
37, 23 (1997), 3311–3325.
[21] Sinno Jialin Pan, Qiang Yang y col. 2010. Una encuesta sobre transferencia de aprendizaje.Transacciones IEEE sobre conocimiento e ingeniería de datos 22, 10
(2010), 1345-1359.
[22] Qifan Pu, Sidhant Gupta, Shyamnath Gollakota y Shwetak Patel. 2013. Reconocimiento de gestos en toda la casa mediante señales inalámbricas. En
Actas de la 19ª conferencia internacional anual sobre redes y computación móvil (ACM MobiCom). 27–38.
[23] Sreemanananth Sadanand y Jason J Corso. 2012. Banco de acciones: una representación de alto nivel de la actividad en video. EnConferencia IEEE sobre
Visión por computadora y reconocimiento de patrones (IEEE CVPR). 1234–1241.
[24] Ruhi Sarikaya, Geoffrey E Hinton y Anoop Deoras. 2014. Aplicación de redes de creencias profundas para la comprensión del lenguaje natural.
Transacciones IEEE / ACM sobre procesamiento de audio, habla y lenguaje (TASLP) 22, 4 (2014), 778–784.
[25] Richard Socher, Yoshua Bengio y Chris Manning. 2013. Aprendizaje profundo para PNL.Tutorial en Association of Computational Logistics
(ACL), 2012, y el Capítulo norteamericano de la Asociación de Lingüística Computacional (NAACL) (2013).
[26] Chuan-Jun Su, Chang-Yu Chiang y Jing-Yan Huang. 2014. Sistema de rehabilitación domiciliaria habilitado por Kinect que utiliza Dynamic Time Warping y
lógica difusa.Computación blanda aplicada 22 (2014), 652–666.
[27] Yi Sun, Xiaogang Wang y Xiaoou Tang. 2014. Representación facial de aprendizaje profundo a partir de la predicción de 10,000 clases. EnActas de la
Conferencia IEEE sobre visión artificial y reconocimiento de patrones. 1891–1898.
[28] Pascal Vincent, Hugo Larochelle, Isabelle Lajoie, Yoshua Bengio y Pierre-Antoine Manzagol. 2010. Autoencoders de eliminación de ruido apilados:
aprendizaje de representaciones útiles en una red profunda con un criterio de eliminación de ruido local.Journal of Machine Learning Research 11 (2010),
3371–3408.
[29] Naiyan Wang y Dit-Yan Yeung. 2013. Aprendiendo una representación de imagen compacta profunda para seguimiento visual. EnAvances en neural
sistemas de procesamiento de información. 809–817. reconocimiento de actividad. EnActas de la 21ª conferencia internacional anual sobre
[30] Wei Wang, Alex X Liu, Muhammad Shahzad, Kang Ling y Sanglu Lu. 2015. Comprensión y modelado de la señal wifi humana.
informática móvil y redes (ACM MobiCom).
65–76.
[31] Yan Wang, Jian Liu, Yingying Chen, Marco Gruteser, Jie Yang y Hongbo Liu. 2014. E-eyes: actividad orientada a la ubicación sin dispositivos
Identificación mediante firmas WiFi detalladas. EnActas de la 20ª conferencia internacional anual sobre redes y computación móvil (ACM
MobiCom). 617–628.
[32] Jianxin Wu, Adebola Osuntogun, Tanzeem Choudhury, Matthai Philipose y James M Rehg. 2007. Un enfoque escalable de la actividad
reconocimiento basado en el uso de objetos. EnXI Congreso Internacional de Visión por Computador (IEEE ICCV). 1-8.
[33] Junyuan Xie, Linli Xu y Enhong Chen. 2012. Eliminación de ruido y pintura de imágenes con redes neuronales profundas. EnAvances en Neural
Sistemas de procesamiento de información. 341–349.
Recibido en mayo de 2018; revisado en agosto de 2018; aceptado en octubre de 2018

Asistente de Fitness Personalizado Sin Dispositivo Usando WiFi (1) .En - Es

Cargado por

Copyright:

Formatos disponibles

Asistente de Fitness Personalizado Sin Dispositivo Usando WiFi (1) .En - Es

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Asistente de Fitness Personalizado Sin Dispositivo Usando WiFi (1) .En - Es

Cargado por

Copyright:

Formatos disponibles

Traducido del inglés al español - www.onlinedoctranslator.

Asistente de fitness personalizado sin dispositivo mediante WiFi

XIAONAN GUO, Universidad de Indiana-Universidad Purdue Indianápolis

Formato de referencia de ACM:

© 2018 Asociación de Maquinaria Informática.

3 DISEÑO DEL SISTEMA

Colección CSI Detección de entrenamiento

Contando Estimación de fuerza

Reconocimiento de repetición Revisión de entrenamiento

Identificación individual Construcción del perfil

El número El número Relación trabajo-descanso

Fig. 1. Flujo del sistema propuesto.

3.2 Descripción general del sistema

Fig. 2. Un ejemplo ilustra el proceso de detección de entrenamiento.

4 RECONOCIMIENTO DEL ENTRENAMIENTO

4.1 Diferenciación entre entrenamiento y no entrenamiento

4.2 Reconocimiento de la repetición del ejercicio

(a) Espectrograma de elevación lateral

(b) Densidad espectral de potencia acumulada correspondiente (CPSD)

(c) Energía acumulada normalizada de corto tiempo (CSTE)

Fig. 3. El proceso de reconocimiento de la repetición del ejercicio.

Capa oculta 1: Softmax 1

Fig. 4. Ilustración de la arquitectura DNN propuesta.

5 INTERPRETACIÓN PERSONALIZADA DEL ENTRENAMIENTO A TRAVÉS DEL APRENDIZAJE PROFUNDO

entrena con las representaciones etiquetadas extraídas de los autocodificadores.

5.1 Extracción de funciones

(a) Ejercicio 1 (b) Ejercicio 2

5.2 Extracción de representación latente basada en autocodificador

dónde σ () es una función sigmoidea logística formulada como σ (z) = 1+mi -z

dónde K es el número de muestras de entrenamiento y X ′ representa la muestra reconstruida de Y usando un decodificador

5.3 Identificación individual e interpretación del entrenamiento

5.4 Construcción del perfil

Fig. 6. Espectrograma de una repetición.

6 EVALUACIÓN INTELIGENTE DEL ENTRENAMIENTO

6.1 La anatomía de un representante

6.2 Revisión y recomendación del entrenamiento

Relación de tempo de repetición

1,5 límite superior 1,5

0,5 0,5 límite inferior

(a) Relación trabajo-descanso (b) Relación de tempo de repetición

Tabla 1. Actividades de entrenamiento realizadas.

Código Ejercicio Código Ejercicio

Ex3 Estiramiento de piernas Ex8 Pila de sentadillas

Ex4 Levantar y agacharse Ex9 Extensión de tríceps con mancuernas

Ex5 Prensa de piernas Ex10 Extensión del cuerpo

7 EVALUACIÓN DEL RENDIMIENTO

ex1 93,3% 0% 0,1% 1,3% 0% 0,3% 0% 1% 4,6% 1,4%

ex2 2,8% 91,6% 0% 0,1% 0% 1,3% 1,4% 1% 0,2% 1,3%

ex4 0% 0,7% 2% 90,7% 2,1% 0% 0% 0,7% 0% 0%

ex6 0,3% 2,6% 0,6% 0% 0,6% 93,2% 1,3% 2,3% 0,4% 2%

ex8 1,6% 2,8% 0,2% 1,4% 1,7% 0% 2,2% 89,6% 1,9% 0%

ex10 0,4% 0,8% 0% 2,2% 0% 3,2% 1,5% 2,2% 0,4% 97,2% 0

ex4 1% 1% 0% 84% 1% 4% 1% 0% 1% 0% Porcentaje (%)

Fig. 10. Precisión de identificación individual.

7.2 Interpretación personalizada del entrenamiento e identificación individual

Precisión de identificación individual

0,7 1.3m-1.3m 0,7

(a) Reconocimiento de entrenamiento (b) Identificación individual

7.3 Evaluación del entrenamiento