Calorie Burn Estimation in Community Parks Through DLICP: A Mathematical Modelling Approach

本研究介绍了一种创新方法——DLICP（Deep Learning Integrated Community Parks），它结合了深度学习技术，尤其是人脸识别技术和新颖的步行活动测量算法，以提高社区公园用户体验。DLICP利用配备人脸识别软件的摄像头准确识别和跟踪公园用户，同时，步行活动测量算法根据个人属性计算平均步伐和消耗的卡路里等参数。广泛的评估证实了DLICP的精度，与广泛可用的健身测量设备（如Apple Watch Series 6）进行基准测试，其平均绝对误差（MAE）为5.64卡路里，平均百分比误差（MPE）为1.96％。本研究对智能智慧公园系统的发展做出了重大贡献，实现了燃烧卡路里和个性化健身跟踪的实时更新。

本论文旨在介绍一种名为DLICP的创新方法，结合深度学习技术和步行活动测量算法，以提高社区公园用户体验。该方法利用面部识别技术的摄像头准确识别和跟踪公园用户，同时测量步行活动参数，如平均步伐和消耗的卡路里，以个性化方式适应不同的属性。

论文的关键思路是将深度学习技术和步行活动测量算法相结合，实现面部识别和个性化的健身追踪，从而提高社区公园用户体验。

论文通过广泛的评估证实了DLICP的精度，与普遍可用的健身测量设备相比，如Apple Watch Series 6，其平均绝对误差（MAE）为5.64卡路里，平均百分比误差（MPE）为1.96％。此外，论文还探讨了智能智能公园系统的发展，并实现了实时更新消耗的卡路里和个性化健身追踪。

在这个领域中，最近的相关研究包括使用深度学习技术进行面部识别的研究，以及使用不同的算法和技术进行健身追踪的研究。例如，一些研究使用传感器和机器学习技术测量步数和消耗的卡路里。