优化LSTM多模态融合模型

误差降14.3%

一种结合多模态特征融合与粒子群优化的LSTM模型，可在消费级可穿戴设备上实时准确地估计动态摄氧量。

Zhengsheng, Hu · Xu, Gongcheng · Yan, Wang · Qu, Guanwen · Lai, Puxiang · Wenzhao, Li · Jiahui, Yin · Hui, Xie · Huiwen, Xiao · Tao, Li · Zhang, Ming · Tan, Qitao

Measurement: Journal of the International Measurement Confederation 2026

参数信息

均方根误差降低

14.3 %

模型尺寸减小

24 %

技术优势

误差大幅降低

通过多模态特征融合和粒子群优化特征权重，均方根误差降低14.3%，预测更准确。

模型更轻量

模型尺寸减小24%，使其适合在资源受限的可穿戴设备上部署。

适合实时处理

该框架专为实时和节能处理设计，可直接应用于消费级可穿戴设备。

应用场景

• 运动负荷监测：在中等强度跑步等场景下实时监测摄氧量变化，为训练负荷把控提供数据。
• 可穿戴健身追踪：模型可集成到消费级手环或手表中，让健身追踪具备精准的摄氧量估算功能。
• 训练强度优化：通过实时摄氧量预测帮助运动员或健身者调整训练强度与恢复策略。
• 可穿戴健康分析：轻量化模型可运行于穿戴端，支撑健康数据的实时分析与能耗优化。
• 人机运动分析：融合人体测量、生理和运动学指标，从多模态数据中解析运动状态下的氧耗规律。