本文使用 CNN 來對可穿戴傳感器收集的大規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，并創建一個 3×784×3 的張量。