近年来，随着人工智能和传感器技术的发展，传感器信息处理技术在生活中的应用场景日益增多，对于可处理传感器信息的智能系统的需求与日俱增，以代替传统的人工处理方法，缩减经费开支、提高分析速度与准确性。随着体育产业的发展，越来越多的体育机构以及运动员和体育爱好者选择使用相关技术检测体育活动，如监测运动员的训练状况或分析体育训练的质量与效果。根据先行研究发现，早期的研究通常使用各类视觉技术进行体育运动的识别，通过摄像机生成图像信息，再由图像识别系统生成数据。然而，这些基于图像识别生成的数据受到诸多限制，如相机的运动限制、录像时的振动、抖动和光反射，以及识别物体时出错的概率。因此，近年来体育活动识别系统更倾向于使用传感器收集信息。在这类方法中，识别体育运动的必要数据主要通过可穿戴的传感器，如加速计、陀螺仪和转速仪等。虽然现有的基于传感器的活动识别系统可以识别诸如行走、跑步或坐姿等基本身体活动，但在体育活动的类型识别方面表现不佳，具有一定的局限性。

为完善此类研究，本文章介绍了一种结合纠错输出码和卷积神经网络的体育活动识别方法，以更准确地区分体育运动和日常活动。本研究通过附着在身体上的加速度计和陀螺仪等9个传感器收集检测活动类型所需的相关数据。首先对输入信号进行预处理，将传感器信号标准化，使用短时傅里叶变换矩阵来描述每个信号各的特性并合并。再将每个短时傅里叶变换矩阵信息用卷积神经网络进行提取特征。该卷积神经网络以矢量的形式描述了传感器的各种运动特性。最后使用基于纠错输出码的分类模型对提取的特征进行分类，并检测体育活动的类型。最后使用DSADS数据库验证本文所提出的体育活动识别方法的效果，并将最后结果与先前的方法进行比较。根据比较结果可知，本文所提出的方法识别体育活动的准确率为99.71。此外，所提出的方法基于精确度和召回率的结果别为99.72和99.71，均高于先前方法。

论文2024年3月发表于HELIYON，为Medline SCI 源期刊，JCR 影响因子(2022):4.0 ，中科院分区(2023升级版):综合类期刊3区。