Video-based Exercise Classification and Activated Muscle Group Prediction with Hybrid X3D-SlowFast Network

本文介绍了一种简单而有效的运动分类和肌肉群激活预测（MGAP）策略。这些任务对于个人健身具有重要意义，有助于更加经济、便捷、安全和简单的运动方式，特别适用于初学者和残疾人群。以往的研究大多依赖于安装传感器和有限的运动范围，降低了日常使用的实用性。此外，现有的MGAP方法学也存在传感器依赖性和肌肉群范围受限的问题，通常排除了力量训练运动，这对于全面的健身计划至关重要。为了解决这些局限性，我们的研究采用了基于视频的深度学习框架，包括广泛的运动和肌肉群，包括力量训练的关键肌肉群。利用“锻炼/运动视频”数据集，我们的方法有效地将X3D和SlowFast视频活动识别模型整合起来，以增强运动分类和MGAP性能。我们的研究结果表明，通过加权集成获得的这种混合方法在准确性方面优于现有的基准模型。预训练模型在提高整体性能方面起着至关重要的作用，SlowFast模型的最佳通道减少值在10左右。通过探索微调的消融研究，我们进一步阐明了两个任务之间的相互关系。我们的综合模型，即X3D和SlowFast的加权平均集成，在所有评估类别中都树立了新的基准，为以前方法的局限性提供了一个强大的解决方案。

本文旨在解决运动分类和肌肉组激活预测（MGAP）的问题，通过视频深度学习框架，包括广泛的运动和肌肉组，来实现更实用的健身方法。

本文使用基于视频的深度学习框架，结合X3D和SlowFast视频活动识别模型，有效提高了运动分类和MGAP的性能，该混合方法通过加权集成优于现有基线模型。

本文使用了“Workout/Exercises Video”数据集，并进行了消融研究，探讨了微调的相互关系。实验结果表明，本文的混合模型在所有评估类别中都取得了最佳表现。

最近的相关研究包括“Real-time Human Action Recognition in Video Streams using Deep Learning Techniques”和“Human Activity Recognition Using Smartphones with Deep Learning Algorithms”。