本文使用CNN來對可穿戴傳感器收集的大規(guī)模運動數據進行分類，同時對傳感器數據轉換為不同的圖像格式輸入做出了比較。最佳性能配置以92.1%的準確率將50種健身房運動分類。

作者在這里使用的是CNN而不是RNN(常用來處理時序數據)，是因為每次的重復運動練習（如舉啞鈴）是花費的時間是非常短的少于4秒，訓練時不需要長時間的記憶。

數據集使用的是從PUSH（一種戴在前臂上的可穿戴設備，用于測量運動員的運動）收集的，該數據是由1441名男運動員和307名女運動員的449260個重復運動練習組成的49194個集合組成。

因為CNN的輸入長度是固定的，所以將每條序列的長度固定為784。擁有超過784個樣本的代表被簡單地裁剪出來784個樣本，不足的采用zero-paded。

該裝置緊緊地綁在上臂上，分別用內置加速度計和陀螺儀測量加速度和方向，因此，時間序列數據具有9個特征(Acc x， Acc y，Acc z) in the local frame， (Acc x， Acc y， Acc z) in the world frame and (EulerAngle x，EulerAngle y， EulerAngle z) in the world frame，數據采集的頻率為200HZ。

將傳感器數據轉換成2D形式的輸入有3種方法。不同的圖像格式選擇會導致不同的卷積與不同的相鄰元素，其中可能包括不相關元素之間的卷積。

把9×784的時間序列數據作為一個矩形二維圖像。

將三個不同的特征組（local accelerations，world accelerations，and Euler angles）類比為圖像中的RGB通道，并創(chuàng)建一個3×784×3的張量。

將9×784的時間序列數據重新塑造為84×84的方陣如下圖所示。

不同各式的2D輸入對于卷積的影響

對于9*784形式的輸入來說，如果進行步長為1的卷積操作（作者稱為9*784 full），Acc_x_local位于圖像的最上面一行，直到最后一層才與位于最下面一行的Euler_Angle_z進行卷積，然而Acc_z_world位于圖像的第6行，它與位于第7行的Euler_Angle_x有很多卷積的機會，因為它們是相鄰的。

對于3*784*3 形式的輸入來說，由于卷積分別在3個通道上分別進行，這樣不同的組之間就不會發(fā)生卷積。

為了避免9*784形式的輸入在一層中不同組之間的卷積，可以使用卷積步長來避免這種影響（作者稱為9*789 disjointed）。如下圖所示。

左圖中沿著y軸移動步長為1這樣不同的組之間就會發(fā)生卷積。右圖中沿著y軸移動而步長為3，可以避免不同組之間進行卷積。

實驗結果表明，將不同的特征組（local acceleration，world acceleration， Euler angle）作為不同的圖像通道(3*784*3)處理比二維正方形(84*84)圖像或矩形(9*783)圖像效果更好。