摘要

本文提出了一种利用传感器数据进行康复训练识别的多路径卷积神经网络(MP-CNN)。将D-CNN和S-CNN相结合，形成MP-CNN。为了对康复训练进行评价，提出了一个特殊的评价矩阵，并结合深度学习分类器来学习不同层次的各类康复训练的一般特征表示。

1. Introduction（完全翻译，可忽略）

康复运动是手术后特别是关节疾病手术后恢复的重要步骤之一。在康复治疗中，家庭锻炼计划是很常见的，病人在家庭环境中进行一系列的体育锻炼。然而，这样的锻炼并不总是能成功地帮助患者完全康复。一个主要的障碍是病人不遵守规定的锻炼计划。此外，该计划缺乏对患者表现的监督和监控。
在计算机视觉和机器学习领域，动作识别受到越来越多的关注。活动识别可以分为两类，即基于视觉的方法和基于传感器的方法。对于基于视觉的方法，人类的动作可以看作是一组外观或运动的时空变化。
尽管在过去的几十年里已经使用了许多基于视觉的方法，但人体姿势、遮挡和视点变化的巨大变化仍然使这个问题非常具有挑战性。传感器技术，特别是低功耗、高容量、无线通信和数据处理技术，已经取得了长足的发展，使传感器从低级数据采集和传输发展到高级推断成为可能。可穿戴传感器可以嵌入衣服、腰带、智能手表和移动设备，用于信息收集和分析。康复运动是由一系列的动作组成的。行动识别将行动分为不同的类别，而行动评价的目的是对行动进行评分。这对康复特别重要，因为它表明病人是否能完成动作。此外，这个比分还暗示了从特定伤病中恢复的程度。
尽管在过去的几十年里已经使用了许多基于视觉的方法，但人体姿势、遮挡和视点变化的巨大变化仍然使这个问题非常具有挑战性。传感器技术，特别是低功耗、高容量、无线通信和数据处理技术，已经取得了长足的发展，使传感器从低级数据采集和传输发展到高级推断成为可能。可穿戴传感器可以嵌入衣服、腰带、智能手表和移动设备，用于信息收集和分析。康复运动是由一系列的动作组成的。行动识别将行动分为不同的类别，而行动评价的目的是对行动进行评分。这对康复特别重要，因为它表明病人是否能完成动作。此外，这个比分还暗示了从特定伤病中恢复的程度。

2. Related Work（翻译）

随着可穿戴设备的发展，通过这种设备收集传感器数据，就可以实现人类活动识别。活动识别在日常生活中扮演着重要的角色，并对许多应用产生重大影响，如日常生活日志[4]、健康护理[5]、老年护理[6]、个人健身[7]。基于传感器的人体活动识别是近年来研究的一个重要课题。动作识别可分为预处理、特征提取和姿态识别三个部分。在早期的研究中，传感器采集设备是有限的，主要用于开发新的特征和分类器。在处理传感器数据时，通常采用特征提取作为第一步。传统上，它通过均值、方差或熵来获取统计信息来提取特征[8-10]。其他在频域的统计方法，如快速傅里叶变换(FFT)[11]，也得到了广泛的应用。然而，这些方法只适用于单一动作的识别，对于多动作的识别无效[12]。Principal component analysis是一种常用的捕捉传感器数据特征的技术。模板匹配通常来自LCSS和DTW。

3. Sensor-Based Rehabilitation Exercise Recognition

3.1. State T ransition Probability CNN (S-CNN)
流程图：我们建立了一个S-CNN来模拟lzw编码的PFSA[32]中的转移概率，以提取鉴别特征。我们首先解释了lzw编码的PFSA方法，然后解释了如何将状态转移概率作为S-CNN合并到CNN模型中。

Quantization
训练信号连接成一个向量，排序，向量分成不同部分不同等级。将原始数据按层次边界符号化为层次索引，以降低处理原始数据的复杂度
Flowchart of the Lempel-Ziv-Welch (LZW) Coding

PFSA Construction*
PFSA用于记录来自LZW编码的状态符号化数据的状态转移概率。PFSA是一个状态图，它记录了每个状态之间的转移概率。