Your browser doesn't support javascript.
loading
Application of back propagation neural network in sports fatigue indicators / Aplicação da rede neural de retropropagação em indicadores de fadiga esportiva / Aplicación de la red neuronal de retropropagación en indicadores de fatiga deportiva
Wang, Xiaoli; Dai, Chunmin.
Afiliação
  • Wang, Xiaoli; Changchun Medical College. Changchun. CN
  • Dai, Chunmin; Jilin Agricultural University. International Football Education School. Changchun. CN
Rev. bras. med. esporte ; Rev. bras. med. esporte;27(3): 249-252, July-Sept. 2021. tab, graf
Article em En | LILACS | ID: biblio-1288588
Biblioteca responsável: BR1.1
ABSTRACT
ABSTRACT Introduction High-intensity rehabilitation training will produce exercise fatigue. Objective A backpropagation (BP) network neural algorithm is proposed to predict sports fatigue based on electromyography (EMG) signal images. Methods The principal component analysis algorithm is used to reduce the dimension of EMG signal features. The knee joint angle is estimated by the regularized over-limit learning machine algorithm and the BP neural network algorithm. Results The RMSE value of the regularized over-limit learning machine algorithm is lower than that of the BP neural network algorithm. At the same time, the ρ value of the regularized over-limit learning machine algorithm is closer to 1, indicating its higher accuracy. Conclusions The model training time of the regularized over-limit learning machine algorithm has been greatly reduced, which improves efficiency. Level of evidence II; Therapeutic studies - investigation of treatment results.
RESUMO
RESUMO Introdução O treinamento de reabilitação de alta intensidade produzirá fadiga ao exercício. Objetivo Um algoritmo neural de backpropagation network (BP) é proposto para prever a fadiga esportiva com base em imagens de sinais de eletromiografia (EMG). Métodos O algoritmo de análise de componente principal é usado para reduzir a dimensão das características do sinal EMG. O ângulo da articulação do joelho é estimado usando o algoritmo de aprendizado de máquina de limite regularizado acima e o algoritmo de rede neural BP. Resultados o valor RMSE do algoritmo de aprendizado de máquina acima do limite regularizado é menor que o do algoritmo de rede neural BP. Ao mesmo tempo, o valor de ρ do algoritmo de aprendizado de máquina acima do limite regularizado está próximo de 1, indicando sua maior precisão. Conclusões O tempo de treinamento do modelo de algoritmo de aprendizado de máquina acima do limite regularizado foi bastante reduzido, o que melhora a eficiência. Nível de evidência II; Estudos terapêuticos investigação dos resultados do tratamento.
RESUMEN
RESUMEN Introducción El entrenamiento de rehabilitación de alta intensidad producirá fatiga por ejercicio. Objetivo Se propone un algoritmo neuronal de red de retropropagación (BP) para predecir la fatiga deportiva basándose en imágenes de señales de electromiografía (EMG). Métodos El algoritmo de análisis de componentes principales se utiliza para reducir la dimensión de las características de la señal EMG. El ángulo de la articulación de la rodilla se estima mediante el algoritmo de la máquina de aprendizaje por encima del límite regularizado y el algoritmo de red neuronal BP. Resultados el valor de RMSE del algoritmo de la máquina de aprendizaje por encima del límite regularizado es menor que el del algoritmo de red neuronal de BP. Al mismo tiempo, el valor ρ del algoritmo de la máquina de aprendizaje por encima del límite regularizado está más cerca de 1, lo que indica su mayor precisión. Conclusiones El tiempo de entrenamiento del modelo del algoritmo de la máquina de aprendizaje por encima del límite regularizado se ha reducido en gran medida, lo que mejora la eficiencia. Nivel de evidencia II; Estudios terapéuticos investigación de los resultados del tratamiento.
Assuntos
Palavras-chave

Texto completo: 1 Coleções: 01-internacional Base de dados: LILACS Assunto principal: Análise de Componente Principal / Fadiga / Treinamento Intervalado de Alta Intensidade Tipo de estudo: Prognostic_studies Limite: Humans Idioma: En Revista: Rev. bras. med. esporte Assunto da revista: MEDICINA ESPORTIVA Ano de publicação: 2021 Tipo de documento: Article País de afiliação: China País de publicação: Brasil

Texto completo: 1 Coleções: 01-internacional Base de dados: LILACS Assunto principal: Análise de Componente Principal / Fadiga / Treinamento Intervalado de Alta Intensidade Tipo de estudo: Prognostic_studies Limite: Humans Idioma: En Revista: Rev. bras. med. esporte Assunto da revista: MEDICINA ESPORTIVA Ano de publicação: 2021 Tipo de documento: Article País de afiliação: China País de publicação: Brasil