基于IMU与深度学习算法的NASM标准深蹲错误分类研究：从多传感器优化到单传感器高精度识别

本文创新性地将惯性测量单元（IMU）与深度学习算法（CNN-GRU-TabNet混合架构）相结合，依据美国国家运动医学会（NASM）标准实现深蹲动作错误的自动化分类。研究发现：使用单个IMU（右大腿佩戴）即可达到0.988分类准确率，突破现有技术瓶颈；提出的CNN-GRU模型在五传感器配置下更创0.997超高精度，为运动损伤预防和康复监测提供可穿戴设备解决方案。

　　

亮点

本研究首次将TabNet注意力机制融入CNN-GRU混合模型，在保持0.988高准确率的同时，通过特征重要性可视化提升了模型可解释性——这对临床运动损伤风险评估具有重要实践价值。

讨论

研究首要目的是基于NASM指南实现单IMU的深蹲错误分类。结果表明：仅需单个传感器，CNN、CNN-TabNet、GRU、GRU-TabNet等模型即可实现高精度分类，验证了初始假设。深蹲作为运动康复的核心训练动作，错误执行可能导致膝关节和腰椎损伤。传统视觉评估存在主观偏差，而我们的IMU-深度学习方案通过量化分析有效解决了这一问题。

特别值得注意的是，右大腿IMU展现出最优性能（准确率0.988），这与其解剖学位置能同步捕捉髋-膝-踝联动特征密切相关。与需要5个IMU的实验室方案相比，单传感器设计大幅提升了穿戴便利性，为商业化智能护具开发铺平道路。

结论

CNN-GRU混合模型在右大腿单IMU配置下实现0.988分类准确率，证明其卓越的时空特征提取能力。虽然加入TabNet模块会轻微降低准确率（约1.2%），但其提供的特征重要性排序为临床解释带来新维度。该技术突破使得低成本、高精度的居家康复监测成为可能，对运动医学领域具有变革性意义。