論文の概要: Classification of human activity recognition using smartphones

• arxiv url: http://arxiv.org/abs/2001.09740v1
• Date: Mon, 6 Jan 2020 16:08:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-14 02:17:51.580693
• Title: Classification of human activity recognition using smartphones
• Title（参考訳）: スマートフォンを用いた人間行動認識の分類
• Authors: Hoda Sedighi
• Abstract要約: モバイルデバイス上でのヒューマンアクティビティ認識は、組み込みセンサーによって可能であり、ユーザアクティビティを予測してモバイルデバイス上でのユーザ動作を管理するために利用することができる。 この目的を達成するために, 活動特性の保存, 分類, および学習アルゴリズムへのマッピングについて検討した。 本研究では,深層信仰ネットワークによる分類をデータテストとトレーニングに応用し,トレーニングデータでは98.25%,テストデータでは93.01%の精度で正しい診断を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Smartphones have been the most popular and widely used devices among means of communication. Nowadays, human activity recognition is possible on mobile devices by embedded sensors, which can be exploited to manage user behavior on mobile devices by predicting user activity. To reach this aim, storing activity characteristics, Classification, and mapping them to a learning algorithm was studied in this research. In this study, we applied categorization through deep belief network to test and training data, which resulted in 98.25% correct diagnosis in training data and 93.01% in test data. Therefore, in this study, we prove that the deep belief network is a suitable method for this particular purpose.
• Abstract（参考訳）: スマートフォンは通信手段として最も人気があり、広く使われている。 近年,モバイル端末上では,ユーザ行動の予測によるユーザ行動管理に利用される組込みセンサによって,人間の行動認識が可能となっている。 この目的を達成するために,本研究では,活動特性の保存,分類,学習アルゴリズムへのマッピングについて検討した。 本研究では,深層信仰ネットワークによる分類をデータテストとトレーニングに応用し,トレーニングデータでは98.25%,テストデータでは93.01%の精度で正しい診断を行った。 そこで本研究では,深い信念ネットワークが,この特定の目的に適した手法であることを実証する。

関連論文リスト

• Non-stationary BERT: Exploring Augmented IMU Data For Robust Human Activity Recognition [12.175145985669642]
  HAR(Human Activity Recognition)は、モバイルデバイスの普及により、研究者から大きな注目を集めている。 本研究では、携帯電話IMUデータからなるOPPOHARと呼ばれる人間の活動認識データセットを収集する。 本研究では,ユーザ固有のアクティビティ認識を実現するための2段階のトレーニング手法により,非定常BERTと呼ばれる新しい軽量ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-09-25T08:28:54Z)
• Modeling User Preferences via Brain-Computer Interfacing [54.3727087164445]
  我々はBrain-Computer Interface技術を用いてユーザの好みを推測し、その注意力は視覚的コンテンツと感情的体験との関連性に相関する。 我々はこれらを,情報検索,生成モデルのパーソナライズされたステアリング,感情経験のクラウドソーシング人口推定など,関連するアプリケーションにリンクする。
  論文  参考訳（メタデータ） (2024-05-15T20:41:46Z)
• A Real-time Human Pose Estimation Approach for Optimal Sensor Placement in Sensor-based Human Activity Recognition [63.26015736148707]
  本稿では,人間の行動認識に最適なセンサ配置の課題を解決するための新しい手法を提案する。 得られた骨格データは、最適なセンサ位置を特定するためのユニークな戦略を提供する。 本研究は,センサ配置の視覚的手法が従来のディープラーニング手法と同等の結果をもたらすことを示唆している。
  論文  参考訳（メタデータ） (2023-07-06T10:38:14Z)
• A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
  In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。 実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
  論文  参考訳（メタデータ） (2023-05-15T16:02:56Z)
• Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
  本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。 HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。 我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
  論文  参考訳（メタデータ） (2022-03-14T17:05:59Z)
• HAR-GCNN: Deep Graph CNNs for Human Activity Recognition From Highly Unlabeled Mobile Sensor Data [61.79595926825511]
  正確な活動ラベルを含むバランスのとれたデータセットを取得するには、人間が正しく注釈を付け、リアルタイムで被験者の通常の活動に干渉する必要がある。 本研究では,HAR-GCCNモデルを提案する。HAR-GCCNは,時系列に隣接したセンサ測定の相関を利用して,不特定活動の正確なラベルを予測する。 Har-GCCNは、これまで使用されていたベースライン手法と比較して優れたパフォーマンスを示し、分類精度を25%改善し、異なるデータセットで最大68%向上した。
  論文  参考訳（メタデータ） (2022-03-07T01:23:46Z)
• Physical Activity Recognition by Utilising Smartphone Sensor Signals [0.0]
  本研究では,現代のスマートフォンでジャイロスコープと加速度センサによって記録された計6つの活動に対して,60人の被験者から2日間にわたる人的活動データを収集した。 提案手法は,4つの活動の識別において,98%の分類精度を達成した。
  論文  参考訳（メタデータ） (2022-01-20T09:58:52Z)
• Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
  政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。 既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。 既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
  論文  参考訳（メタデータ） (2021-11-09T13:30:34Z)
• Incremental Learning Techniques for Online Human Activity Recognition [0.0]
  身体運動のオンライン予測のためのヒューマンアクティビティ認識(HAR)手法を提案する。 我々は,監視ソフトウェアを含むHARシステムと加速度計とジャイロスコープデータを収集するモバイルアプリケーションを開発する。 この研究で6つの漸進的学習アルゴリズムが採用され、オフラインのHARシステムの開発によく使用されるバッチ学習アルゴリズムと比較される。
  論文  参考訳（メタデータ） (2021-09-20T11:33:09Z)
• Physical Activity Recognition Based on a Parallel Approach for an Ensemble of Machine Learning and Deep Learning Classifiers [0.0]
  モノのインターネット(IOT)に組み込まれたウェアラブルセンサーデバイスによる人間の活動認識(HAR)は、リモートヘルス監視と緊急通知に重要な役割を果たします。 本研究では、医療に適用可能な意思決定精度と実行速度の人間活動認識手法について検討する。
  論文  参考訳（メタデータ） (2021-03-02T16:50:52Z)
• Sensor-based Continuous Authentication of Smartphones' Users Using Behavioral Biometrics: A Contemporary Survey [12.149800070838303]
  我々は,最近の140以上の行動バイオメトリックベースの継続的ユーザ認証手法を調査した。 これらのアプローチには、モーションベースの方法、歩行ベースの方法、キーストロークダイナミクスベースの方法、タッチジェスチャーベースの方法、音声ベースの方法、マルチモーダルベースの方法が含まれる。
  論文  参考訳（メタデータ） (2020-01-23T15:07:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。