Fugu-MT 論文翻訳(概要): Recognition of Smoking Gesture Using Smart Watch Technology

論文の概要: Recognition of Smoking Gesture Using Smart Watch Technology

arxiv url: http://arxiv.org/abs/2003.02735v1
Date: Thu, 5 Mar 2020 16:05:49 GMT
ステータス: 処理完了
システム内更新日: 2022-12-26 06:32:52.621401
Title: Recognition of Smoking Gesture Using Smart Watch Technology
Title（参考訳）: スマートウォッチ技術を用いた喫煙ジェスチャーの認識
Authors: Casey A. Cole, Bethany Janos, Dien Anshari, James F. Thrasher, Scott Strayer, and Homayoun Valafar
Abstract要約: 喫煙ジェスチャーの早期同定は、適切な介入方法を開始し、喫煙の再発を防ぐのに役立つ。喫煙行動の識別における85%-95%の成功率を示す実験を行った。我々は,スマートウォッチを用いて日常活動の継続的なモニタリングを行う可能性を実証した。
参考スコア（独自算出の注目度）: 0.18472148461613155
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Diseases resulting from prolonged smoking are the most common preventable causes of death in the world today. In this report we investigate the success of utilizing accelerometer sensors in smart watches to identify smoking gestures. Early identification of smoking gestures can help to initiate the appropriate intervention method and prevent relapses in smoking. Our experiments indicate 85%-95% success rates in identification of smoking gesture among other similar gestures using Artificial Neural Networks (ANNs). Our investigations concluded that information obtained from the x-dimension of accelerometers is the best means of identifying the smoking gesture, while y and z dimensions are helpful in eliminating other gestures such as: eating, drinking, and scratch of nose. We utilized sensor data from the Apple Watch during the training of the ANN. Using sensor data from another participant collected on Pebble Steel, we obtained a smoking identification accuracy of greater than 90% when using an ANN trained on data previously collected from the Apple Watch. Finally, we have demonstrated the possibility of using smart watches to perform continuous monitoring of daily activities.
Abstract（参考訳）: 長い喫煙によって引き起こされる病気は、今日では最も予防可能な死因である。本報告では,スマートウォッチに加速度センサを応用して喫煙動作を識別することに成功した。喫煙動作の早期同定は、適切な介入方法を開始し、喫煙の再発を防ぐのに役立つ。実験の結果,ANN(Artificial Neural Networks)を用いた喫煙行動の同定において,85%～95%の成功率を示した。以上の結果から, 加速度計のX次元から得られる情報は喫煙行動を特定する最善の方法であり, y, z次元は, 食事, 飲酒, 鼻のひっかきなどの他のジェスチャーを除去するのに有効であると考えられた。我々は、アンの訓練中にapple watchのセンサーデータを利用した。 Pebble Steelで収集した別のセンサデータを用いて,Apple Watchから収集したデータに基づいてトレーニングしたANNを用いて喫煙識別精度を90%以上とした。最後に,スマートウォッチを用いて日常活動の継続的なモニタリングを行う可能性を実証した。

関連論文リスト

Scaling Wearable Foundation Models [54.93979158708164]
センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
論文参考訳（メタデータ） (2024-10-17T15:08:21Z)
Information We Can Extract About a User From 'One Minute Mobile Application Usage' [0.0]
本稿では,アンドロイドスマートフォンの加速度計,磁力計,ジャイロセンサを用いて,さまざまな人間の活動を抽出した。 Facebook、Instagram、Whatsapp、Twitterなど、さまざまなソーシャルメディアアプリケーションを使用して、19ドルの被験者の属性とともに、生のセンサー値を抽出しました。生信号から特徴を抽出し、異なる機械学習(ML)アルゴリズムを用いて分類を行う。
論文参考訳（メタデータ） (2022-07-27T00:23:11Z)
Human Activity Recognition on Time Series Accelerometer Sensor Data using LSTM Recurrent Neural Networks [0.2294014185517203]
本研究では,スマートウォッチの加速度センサを用いて食行動を認識することに焦点を当てた。ピザを食べながら10人の被験者からセンサデータを収集した。 LSTM-ANNアーキテクチャは,パフ,薬物服用,ジョギング活動と比較して90%の成功率を示した。
論文参考訳（メタデータ） (2022-06-03T19:24:20Z)
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)
CovidAlert -- A Wristwatch-based System to Alert Users from Face Touching [1.9502559508200459]
顔に触れることは、連続的な努力をしなければ防げない強制的な人間のベガヴィアである。我々はスマートウォッチベースのソリューションであるCovidAlertを設計しました。システム全体の精度は88.4%で、偽陰性や偽陽性は低い。
論文参考訳（メタデータ） (2021-11-30T21:58:50Z)
A Bottom-up method Towards the Automatic and Objective Monitoring of Smoking Behavior In-the-wild using Wrist-mounted Inertial Sensors [6.955421797534318]
タバコの消費量は世界的な流行率に達しており、死因や病気の主な原因となっている。本稿では,喫煙行動の自動的・客観的モニタリングに向けた2段階のボトムアップアルゴリズムを提案する。最初のステップでは、畳み込み層と反復層の両方を持つ人工ニューラルネットワークを用いて、個々の喫煙動作(即ちパフ)を検出する。第2のステップでは,検出されたパフ密度を利用して,日中発生する喫煙セッションの時間的局所化を実現している。
論文参考訳（メタデータ） (2021-09-08T07:50:47Z)
Semantic-guided Pixel Sampling for Cloth-Changing Person Re-identification [80.70419698308064]
本稿では,テクスチャ変更者のre-IDタスクに対する意味誘導型画素サンプリング手法を提案する。まず、歩行者の上着とズボンを認識し、次に他の歩行者からピクセルをサンプリングしてランダムに変更します。本手法は65.8%をランク1精度で達成し, 従来手法よりも大きなマージンで優れていた。
論文参考訳（メタデータ） (2021-07-24T03:41:00Z)
Project Achoo: A Practical Model and Application for COVID-19 Detection from Recordings of Breath, Voice, and Cough [55.45063681652457]
コンシューマー端末で録音した音声を用いて、新型コロナウイルスを迅速にトリアージする機械学習手法を提案する。この手法は,信号処理手法と微調整深層学習ネットワークを組み合わせることで,信号の識別,コークス検出,分類を行う手法を提供する。我々はまた、症状チェッカーと音声、息、うず信号を使って新型コロナウイルスの感染を検知するモバイルアプリケーションを開発し、展開した。
論文参考訳（メタデータ） (2021-07-12T08:07:56Z)
STCNet: Spatio-Temporal Cross Network for Industrial Smoke Detection [52.648906951532155]
本稿では,産業用煙排出ガスを識別する新しい時空間クロスネットワーク(STCNet)を提案する。提案するSTCNetは, テクスチャの特徴を抽出する空間的特徴と, 煙の動き情報を捕捉する時間的経路を含む。 STCNetは、RISE産業煙検知データセットにおいて、最も優れた競合相手に対して6.2%の精度で明確な改善を実現していることを示す。
論文参考訳（メタデータ） (2020-11-10T02:28:47Z)
State Transition Modeling of the Smoking Behavior using LSTM Recurrent Neural Networks [0.2294014185517203]
本研究では,喫煙活動を認識するためのスマートウォッチセンサの利用に焦点を当てた。状態遷移モデルとして, 喫煙行動の再構成を行ったところ, 100%に近い検出率の改善がみられた。さらに,97%近い精度でジェスチャーのコンテキスト内検出を可能にするために,Long-Short-Term Memory (LSTM) ニューラルネットワークの利用を開始した。
論文参考訳（メタデータ） (2020-01-07T15:06:28Z)

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。