3   试验过程与结果分析   Experimental process and result analysis 3.1   试验环境   为验证方法在运动者疲劳状态下步态动作识别方面的有效性，对所提方法性能进行测试。试验于2024年8-9月在甘肃兰州市体育运动学校完成，以确保有充足的空间和理想的环境条件进行步态识别研究。在试验期间，采用华盛昌(CEM)DT91室外温湿度计实时监测并记录试验场地的温度和湿度变化，并利用索尼A7 Ⅲ微单相机采集运动者的活动图像，该相机的具体参数详见表1。在试验过程中，试验场地的光线充足，以避免阴影对步态识别产生干扰。采用MATLAB R2023a作为运算平台，利用其强大的矩阵运算和数据处理能力，实现鱼群算法的核心运算。同时，利用MATLAB的图形用户界面功能，设计算法的可视化界面，方便试验人员实时监控算法的运行状态和结果。试验所用计算机配置为Intel Core i7-12700KF处理器，32 GB DDR4内存，NVIDIA GeForce RTX 3080显卡，确保算法在高效运行的同时，能够处理大规模的图像数据。试验现场如图4所示。 3.2   步态动作识别能力分析   疲劳会导致运动者身体前倾或后仰、肩膀下垂、头部前伸等姿势变化情况。采用索"

尼A7 Ⅲ微单相机获取某运动者的一组训练过程的图片，采用光照归一化技术将输入图像转换到标准光照条件下，降低光照变化对特征提取和目标识别的影响。当运动者出现上述身体前倾或后仰、肩膀下垂、头部前伸等姿势变化，并通过监测运动者的心率、血压、血氧饱和度等生理指标偏离正常范围时，即为疲劳状态。应用鱼群算法进行步态识别，识别结果如图5所示。"

由图5可知，鱼群算法可以有效识别出运动者疲劳状态下的步态动作，这是因为鱼群算法优化了CNN模型，有效展示了在识别运动者疲劳状态下步态模式的能力。该CNN模型由多层堆叠的卷积层组成，并采用了滑动窗口机制，使其能够深入分析步态能量图像中的空间层次信息，这种结构能够有效捕捉到局部运动和形态变化的细微特征。鱼群算法的优化作用，进一步增强了模型对这些特征的学习能力和识别精度。采样层的引入，在减少特征图空间维度的同时，实现了特征的有效聚合和冗余信息的剔除，不仅保留了对于步态识别至关重要的关键信息，还显著降低了后续处理的计算负担和复杂度。这种“降维不降质”的策略，使得模型能够更加专注于那些能够表征疲劳步态本质的特征，从而实现了对细微步态变化的精准捕捉和高效识别。 3.3   步态动作识别方法效果分析   为进一步验证该方法的实际应用识别效果，经华东师范大学人类受试者保护委员会批准(HR 476-2020)，招募了20名运动者作为试验参与者，纳入标准：400 m栏专项运动者，运动等级为二级(含)以上，无伤病，训练、比赛期间心理稳定、健康，受试者均签订了知情同意书。排除标准：数据采集(试验)期间出现伤病以及心理不稳定状况的运动者。通过索尼A7 Ⅲ微单相机采集了170张运动图像，其中包含了91幅非疲劳状态下的图像和79幅疲劳状态下的图像。 为了检测鱼群算法在运动者疲劳状态下步态动作识别方法的有效性能，将AlphaPose算法、GRU算法作为对比方法。其中，AlphaPose算法在人体骨骼关键点检测方面表现出色，能够准确捕捉人体关节位置，并通过滤波技术和双阈值信号检测方法得出步态的时空参数，如步长、步速、步频等，这些参数对于步态识别具有重要意义。GRU网络在处理时间序列数据方面具有优势，能够构建人体运动步态识别模型，并通过优化算法提高模型的训练参数，实现步态识别。试验进行了8次独立重复，以对比分析各种方法每次试验的识别结果，从而验证步态识别系统的稳定性。试验结果如图6所示。"

根据图6显示的结果，采用鱼群算法的运动者疲劳步态识别系统展现出了最佳的稳定性，这是因为鱼群算法中的觅食行为通过对比当前状态与随机选择的新状态的食物浓度，决定移动方向，这种机制使得算法能够逐步趋向于食物浓度更高的区域，即更优的参数配置，从而显著减少了步态图像训练过程中的波动，提升了模型训练的稳定性能。这一模拟不仅赋予了算法强大的全局搜索与局部优化能力，还使其能够动态地适应复杂的步态识别任务环境。具体而言，鱼群算法通过迭代更新个体的位置与速度，不断向最优解靠拢，这一过程中算法能够智能地计算并确定步态识别模型的最优初始参数集合。最优初始参数的确定，有效避免了因参数选择不当而导致的训练波动与性能下降。因此，在步态图像的训练过程中，系统能够更为平稳地收敛于最优解。这不仅有助于减少试验测试结果的波动性，提高识别效率，而且在多次试验中，步态识别结果与实际情况保持了高度的一致性。 3.4   步态动作识别方法性能分析   F1分数(F1 Score)是一种用于评估分类模型性能的指标，它结合了精确度(Precision)和召回率(Recall)两个重要的评价标准，旨在平衡这两者之间的关系。F1分数是一个介于0和1之间的值，其中1表示最佳性能，0表示最差性能。选择F1分数值作为评估步态动作识别准确度的关键指标。试验采用索尼A7 Ⅲ微单相机采集了10组运动者的步态数据图像集，并利用所提出的方法与两种对比方法对这些图像集进行了疲劳步态识别，分析各方法步态识别结果的F1分数值，试验结果如图7所示。"

在图7中，鱼群算法在疲劳步态识别任务中展现出的F1分数值显著高于AlphaPose算法和GRU算法。这一优势主要归功于鱼群算法基于能量图的方法。能量图方法能够捕捉步态的时空连续性，还能规避单帧图像中常见的轮廓变形、噪声污染等不利因素。在疲劳状态下，运动者的步态往往伴随着细微但关键的变化，这些变化在单帧图像中可能难以察觉，但在能量图中却能被清晰地勾勒出来。因此，即便是在图像质量参差不齐、干扰因素众多的复杂环境中，鱼群算法依然能够保持高度的识别准确性和鲁棒性。此外，鱼群算法的优化机制也为其在疲劳步态识别中的出色表现提供了有力支持。通过模拟鱼群的觅食与聚群行为，寻找最适合当前任务的最优解。这种自适应能力使得鱼群算法在面对不同运动者、不同疲劳程度以及不同步态特征时，都能保持较高的识别精度和稳定性。 为了进一步验证运动者疲劳步态动作识别效果，试验从10组图像集中随机选取一张疲劳步态动作图像，对比分析3种识别方法的损失情况，结果如图8所示。"

通过图8可以明显看出，AlphaPose算法和GRU算法在步态识别任务上的表现呈现出相对较高的损失值，分别收敛于1.472和2.231，而鱼群算法则显著收敛于0.019 1。 鱼群算法之所以能够实现如此低的损失值，其背后的核心优势在于结合了卷积神经网络的强大特征提取能力与鱼群算法的优化策略。通过构建深层的卷积神经网络结构，深度挖掘步态图像的特征，这些特征不仅包含了丰富的空间信息，还蕴含了步态的动态变化特性，为后续的识别任务提供了数据依据。在特征提取的基础上，鱼群算法进一步发挥其优化机制的优势，通过模拟鱼群的觅食与聚群行为，智能地调整网络参数，寻找最优的识别模型。这一过程不仅优化了模型的收敛速度，还显著提高了识别的准确性和鲁棒性。特别是在处理运动者疲劳状态下的步态动作时，鱼群算法能够更加精准地捕捉到细微的步态变化，有效区分疲劳步态与非疲劳步态，从而实现对运动者疲劳状态的准确监测。 为了进一步测试鱼群算法的识别能力，设计如下消融试验，分析鱼的游动极限步长、感知范围等参数设置对最终识别结果的影响，具体如表2所示。"

由表2分析可知，当游动极限步长从1.0增加到2.0时，识别准确率逐渐提高，说明适当的步长有助于算法在解空间中更有效地探索。当步长继续增加到2.5时，识别准确率略有下降，这是因为过大的步长导致算法错过了最优解附近的精细搜索；当感知范围从3.0增加到6.0时，识别准确率逐渐提高，表明较大的感知范围有助于算法更好地利用群体信息，加速收敛。当感知范围增加到7.0时，识别准确率略有下降，这是因为过大的感知范围引入了过多的噪声信息，干扰了算法的搜索过程。根据试验结果，当游动极限步长为2.0，感知范围为6.0时，步态识别模型达到最高的识别准确率(89.5%)。"