Acceso usuarios
Esta investigación busca mejorar la precisión analítica de los datos deportivos y de salud de estudiantes universitarios mediante el uso de algoritmos de redes neuronales convolucionales (CNN). Explora la relación entre la actividad física y el bienestar general, a la vez que introduce una innovadora técnica de expansión de dimensionalidad. Este enfoque emplea el principio de mínimos cuadrados junto con el producto Kronecker, lo que lleva el algoritmo a un marco más basado en datos. Al integrar datos de tiempo-frecuencia y tiempo-distancia como entradas para una red CNN-LSTM, el estudio facilita la identificación automática de patrones de movimiento en estudiantes a partir de datos espectrales. El análisis de los datos corrobora la eficacia del sistema propuesto, basado en CNN, para evaluar las métricas deportivas y de salud de estudiantes universitarios.
This research seeks to improve the analytical accuracy of sports and health data for university students by utilizing convolutional neural network (CNN) algorithms. It explores the relationship between physical activity and overall well-being, while introducing an innovative dimensionality expansion technique. This approach employs the least squares principle in conjunction with the Kronecker product, transitioning the algorithm toward a more data-driven framework. By integrating a combination of time-frequency and time-distance data as inputs for a CNN-LSTM network, the study facilitates the automatic identification of movement patterns among students from spectral data. The analysis of the data substantiates the effectiveness of the proposed CNN-based system in evaluating the sports and health metrics of college students.
