In exercise gaming (exergaming), reward systems are typically based on rules/templates from joint movement patterns. These rules or templates need broad ranges in definitions of correct movement patterns to accommodate varying body shapes and sizes. This can lead to inaccurate rewards and, thus, inefficient exercise, which can be detrimental to progress. If exergames are to be used in serious settings like rehabilitation, accurate rewards for correctly performed movements are crucial. This article aims to investigate the level of accuracy machine learning/deep learning models can achieve in classification of correct repetitions naturally elicited from a weight-shifting exergame. Twelve healthy elderly (10F, age 70.4 SD 11.4) are recruited. Movements are captured using a marker-based 3-D motion-capture system. Random forest (RF), support vector machine, k-nearest neighbors, and multilayer perceptron (MLP) are the employed models, trained and tested on whole body movement patterns and on subsets of joints. MLP and RF reached the highest recall and F1-score, respectively, when using combined data from joint subsets. MLP recall range are 91% to 94%, and RF F1-score range 79% to 80%. MLP and RF also reached the highest recall and F1-score in each joint subset, respectively. Here, MLP ranged from 93% to 97% recall, while RF ranged from 73% to 80% F1-score. Recall results, show that >9 out of 10 repetitions are classified correctly, indicating that MLP/RF can be used to identify correctly performed repetitions of a weight-shifting exercise when using full-body data and when using joint subset data.

中文翻译：

---

机器学习模型的评估，用于权衡Exergame期间运动模式的分类

在运动游戏（锻炼）中，奖励系统通常基于关节运动模式中的规则/模板。这些规则或模板在定义正确的运动模式时需要广泛的范围，以适应变化的身体形状和大小。这可能会导致奖励不准确，从而导致锻炼效率低下，从而不利于进步。如果将exergames用于严重的环境（例如康复），则对正确执行动作的准确奖励至关重要。本文旨在研究机器学习/深度学习模型在分类正确的重复练习中可以达到的准确性水平，这些重复练习是从权重游戏中自然产生的。招募了12名健康的老年人（10楼，年龄70.4 SD 11.4）。使用基于标记的3D运动捕获系统捕获运动。随机森林（RF），支持向量机，k近邻和多层感知器（MLP）是采用的模型，它们在全身运动模式和关节子集上进行了训练和测试。当使用联合子集的组合数据时，MLP和RF分别达到最高的召回率和F1得分。MLP召回范围是91％至94％，RF F1得分范围是79％至80％。MLP和RF在每个联合子集中的召回率和F1分数也最高。在这里，MLP的召回率从93％到97％不等，而RF的F1得分从73％到80％不等。回忆结果显示，在10次重复中，有> 9个正确分类，表明当使用全身数据和使用联合子集数据时，MLP / RF可用于识别正确执行的举重锻炼重复。多层感知器和多层感知器（MLP）是采用的模型，它们在全身运动模式和关节子集上进行了训练和测试。当使用联合子集的组合数据时，MLP和RF分别达到最高的召回率和F1得分。MLP召回范围是91％至94％，RF F1得分范围是79％至80％。MLP和RF在每个联合子集中的召回率和F1分数也最高。在这里，MLP的召回率从93％到97％不等，而RF的F1得分从73％到80％不等。回忆结果显示，在10次重复中，有> 9个正确分类，表明当使用全身数据和使用联合子集数据时，MLP / RF可用于识别正确执行的举重锻炼重复。多层感知器和多层感知器（MLP）是采用的模型，它们在全身运动模式和关节子集上进行了训练和测试。当使用联合子集的组合数据时，MLP和RF分别达到最高的召回率和F1得分。MLP召回范围是91％至94％，RF F1得分范围是79％至80％。MLP和RF在每个联合子集中的召回率和F1分数也最高。在这里，MLP的召回率从93％到97％不等，而RF的F1得分从73％到80％不等。回忆结果显示，在10次重复中，有> 9个正确分类，表明当使用全身数据和使用联合子集数据时，MLP / RF可用于识别正确执行的举重锻炼重复。当使用联合子集的组合数据时，MLP和RF分别达到最高的召回率和F1得分。MLP召回范围是91％至94％，RF F1得分范围是79％至80％。MLP和RF在每个联合子集中的召回率和F1分数也最高。在这里，MLP的召回率从93％到97％不等，而RF的F1得分从73％到80％不等。回忆结果显示，在10次重复中，有> 9个正确分类，表明当使用全身数据和使用联合子集数据时，MLP / RF可用于识别正确执行的举重锻炼重复。当使用联合子集的组合数据时，MLP和RF分别达到最高的召回率和F1得分。MLP召回范围是91％至94％，RF F1得分范围是79％至80％。MLP和RF在每个联合子集中的召回率和F1分数也最高。在这里，MLP的召回率从93％到97％不等，而RF的F1得分从73％到80％不等。回忆结果显示，在10次重复中，有> 9个正确分类，表明当使用全身数据和使用联合子集数据时，MLP / RF可用于识别正确执行的举重锻炼重复。MLP的召回率从93％到97％不等，而RF的F1得分从73％到80％不等。回忆结果显示，在10次重复中，有> 9个正确分类，表明当使用全身数据和使用联合子集数据时，MLP / RF可用于识别正确执行的举重锻炼重复。MLP的召回率从93％到97％不等，而RF的F1得分从73％到80％不等。回忆结果显示，在10次重复中，有> 9个正确分类，表明当使用全身数据和使用联合子集数据时，MLP / RF可用于识别正确执行的举重锻炼重复。