IoT-basierendes Tanzbewegungserkennung Modell basierend auf einem Deep Learning Framework

Deep Learning wird zu einem aufstrebenden Bereich im Internet der Dinge (IoT) aufgrund seiner Fähigkeit, einen umfassenden Ansatz zur automatischen Merkmals-Extraktion und prädiktiven Modellierung für Analyse und Entscheidungsfindung zu bieten. Dieses Papier stellt ein IoT-basiertes Tanzbewegungserkennungsmodell vor, das auf einem Deep Learning Framework basiert. Das Framework besteht aus einem konvolutionalen neuronalen Netzwerk (CNN) mit einer datenzentrierten Architektur, um Tanzbewegungen aus den von einem IoT-Gerät gesammelten Daten zu identifizieren. Das IoT-Gerät erfasst 3D-Bewegungsdaten, die von drei Beschleunigungssensoren erfasst werden. Die Merkmals-Extraktion erfolgt dann mit der CNN-Architektur, was zu einer geflachten Matrix führt, die die Bewegung darstellt. Anschließend wird ein Multi-Layer Perception (MLP) verwendet, um die Bewegungen zu klassifizieren. Das vorgeschlagene System wird experimentell an einem standardisierten Datensatz von 16 Tanzschritten mit drei Geschwindigkeitsstufen evaluiert. Die Ergebnisse zeigen, dass unser Modell moderne Ansätze in Bezug auf Genauigkeit, Auswertungszeit und Klassifikationsgenauigkeit übertrifft. Das vorgeschlagene Modell erreichte eine Genauigkeit von 90,74%, eine Präzision von 87,12%, einen Rückruf von 83,78% und einen F1-Score von 84,39%. Das vorgeschlagene Modell kann als Grundlage für ein zuverlässiges und intuitives System dienen, das zur genauen Überwachung der Tanzbewegungen von Patienten verwendet werden kann.