Digikey us的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

基於LSTM深度學習遞迴類神經網路之穿戴式重量訓練即時成效診斷及評估系統設計

為了解決Digikey us的問題，作者游博捷 這樣論述：

本研究利用三軸加速度計陀螺儀與肌電(Electromyography，EMG)感測模組設計一套穿戴式裝置，並透過電腦和智慧型手機進行重量訓練中平躺槓鈴臥推項目的分析與即時辨識回饋，藉以避免重訓中受傷並提高訓練成效品質。 本研究中招募21位受測者並配戴穿戴式裝置進行平躺槓鈴臥推重量訓練，並在訓練中擷取使用者的生理訊號和錄影，再依擷取出的受測者訊號與影片，經由健身教練的標記其常見的11種錯誤分類，包含7種姿勢錯誤和4種發力錯誤，之後將訊號經過正規化後，再將其數據透過長短期記憶模型(Long Short Term Memory，LSTM) 遞迴類神經網路(Recurrent Neur

al Network，RNN)的訓練來進行重訓的錯誤分類，最後再將其訓練模型佈署至智慧型手機，達成即時辨識及語音回饋。 實驗結果顯示，分類時所使用之閥值在0.5時有最好的分類結果，其整體平均準確度、精準度、召回率、F1 Score、FPR和FNR，分別為91.84%、89.25%、88.17%、88.18%、6.50%和11.83%。我們發現在部分的分類別中，因感測器不足以表達其類別的特徵，以至於準確度偏低，其他類別在整體準確度辨識結果都高於85%。我們也嘗試利用共同性的因數萃取分析將加速度計陀螺儀共24維降至18維、12維、6維訓練，在包含EMG的總維度為30維時，維度降至24維或18

維與30維的準確率並無太大差異，而在降至12維時，各項評價指標都降至70%以下，且FNR大幅的上升至30.21%。最後，在5位受測者使用本研究的即時辨識及回饋系統後的滿意度問卷調查中，平均滿意度為7.29分（10為最高分），使用者對於回饋系統的「幫助」、「可信度」、「嘗試改變的意願」及「是否有效改善訓練表現」等項，滿意度均高於8分，在「舒適性」部分為7.2分，僅在「穿戴式裝置的穿戴方便性」項次之平均滿意度較低為2.8，建議可以在未來簡化穿戴式裝置之穿戴方式。