論文の概要: Optimised Convolutional Neural Networks for Heart Rate Estimation and
Human Activity Recognition in Wrist Worn Sensing Applications
- arxiv url: http://arxiv.org/abs/2004.00505v1
- Date: Mon, 30 Mar 2020 11:44:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 07:17:30.530816
- Title: Optimised Convolutional Neural Networks for Heart Rate Estimation and
Human Activity Recognition in Wrist Worn Sensing Applications
- Title(参考訳): Wrist Worn Sensing アプリケーションにおける心拍推定と人的活動認識のための最適畳み込みニューラルネットワーク
- Authors: Eoin Brophy, Willie Muehlhausen, Alan F. Smeaton, Tomas E. Ward
- Abstract要約: 低サンプリングレートで心拍数と人的活動認識を同時に行う。
これにより、ハードウェア設計が簡単になり、コストと電力予算が削減される。
深層学習パイプラインを2つ適用し,1つは人間の活動認識用であり,1つは心拍数推定用である。
- 参考スコア(独自算出の注目度): 3.8137985834223507
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wrist-worn smart devices are providing increased insights into human health,
behaviour and performance through sophisticated analytics. However, battery
life, device cost and sensor performance in the face of movement-related
artefact present challenges which must be further addressed to see effective
applications and wider adoption through commoditisation of the technology. We
address these challenges by demonstrating, through using a simple optical
measurement, photoplethysmography (PPG) used conventionally for heart rate
detection in wrist-worn sensors, that we can provide improved heart rate and
human activity recognition (HAR) simultaneously at low sample rates, without an
inertial measurement unit. This simplifies hardware design and reduces costs
and power budgets. We apply two deep learning pipelines, one for human activity
recognition and one for heart rate estimation. HAR is achieved through the
application of a visual classification approach, capable of robust performance
at low sample rates. Here, transfer learning is leveraged to retrain a
convolutional neural network (CNN) to distinguish characteristics of the PPG
during different human activities. For heart rate estimation we use a CNN
adopted for regression which maps noisy optical signals to heart rate
estimates. In both cases, comparisons are made with leading conventional
approaches. Our results demonstrate a low sampling frequency can achieve good
performance without significant degradation of accuracy. 5 Hz and 10 Hz were
shown to have 80.2% and 83.0% classification accuracy for HAR respectively.
These same sampling frequencies also yielded a robust heart rate estimation
which was comparative with that achieved at the more energy-intensive rate of
256 Hz.
- Abstract(参考訳): Wrist-wornのスマートデバイスは、高度な分析を通じて人間の健康、行動、パフォーマンスに関する洞察を高めている。
しかし, 動作関連アーティファクトに直面する電池寿命, デバイスコスト, センサ性能は, より効果的に応用され, より広範に採用されなければならない課題である。
これらの課題に対処するために,手首型センサの心拍検出に使用される光胸腔鏡(PPG)を用いて,慣性測定装置を使わずに,低サンプリングレートで心拍数と人体活動認識(HAR)を同時に実現できることを実証した。
これにより、ハードウェア設計が簡単になり、コストと電力予算が削減される。
人間の活動認識に2つのディープラーニングパイプライン,心拍数推定に1つを適用した。
harは、低いサンプルレートで堅牢なパフォーマンスを実現する視覚分類アプローチの適用によって達成される。
ここで、トランスファーラーニングを利用して畳み込みニューラルネットワーク(cnn)を訓練し、ppgの特性を異なる人間の活動中に区別する。
心拍推定には、ノイズの多い光信号を心拍推定にマッピングする回帰に採用したCNNを用いる。
どちらの場合も、従来の主要なアプローチと比較される。
その結果,サンプリング周波数の低さは精度を損なうことなく良好な性能が得られることがわかった。
5Hz, 10Hzはそれぞれ80.2%, 83.0%の分類精度を示した。
これらのサンプリング周波数は、256Hzのよりエネルギー集約的な速度で達成された心拍推定値と比較した。
関連論文リスト
- UbiHR: Resource-efficient Long-range Heart Rate Sensing on Ubiquitous Devices [9.971578670060564]
ユビキタスデバイスを用いた心拍センサシステムUbiHRを提案する。
UbiHRの鍵は、ノイズ非依存の心拍認識と、コモディティモバイルデバイスでの表示を可能にするリアルタイムの長距離時間モデルである。
論文 参考訳(メタデータ) (2024-10-25T03:28:19Z) - 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) - Evaluating Spiking Neural Network On Neuromorphic Platform For Human
Activity Recognition [2.710807780228189]
エネルギー効率と低レイテンシは、ウェアラブルAIを活用した人間の活動認識システムにとって重要な要件である。
スパイクベースのワークアウト認識システムは、従来のニューラルネットワークを備えた一般的なミリワットRISC-VベースマルチコアプロセッサGAP8に匹敵する精度を達成することができる。
論文 参考訳(メタデータ) (2023-08-01T18:59:06Z) - Remote Bio-Sensing: Open Source Benchmark Framework for Fair Evaluation
of rPPG [2.82697733014759]
r(pg photoplethysmography)は、カメラで捉えたヘモグロビンの光吸収特性を用いてBVP(Blood Volume Pulse)を測定し、分析する技術である。
本研究は,多種多様なデータセットを対象とした様々なrベンチマーク手法の評価を行い,妥当性評価と比較を行うためのフレームワークを提供することを目的とする。
論文 参考訳(メタデータ) (2023-07-24T09:35:47Z) - 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) - PulseImpute: A Novel Benchmark Task for Pulsative Physiological Signal
Imputation [54.839600943189915]
モバイルヘルス(英語: Mobile Health、mHealth)は、ウェアラブルセンサーを使用して、日常生活中の参加者の生理状態を高頻度で監視し、時間的に精度の高い健康介入を可能にする能力である。
豊富な計算文学にもかかわらず、既存の技術は多くのmHealthアプリケーションを構成する脈動信号には効果がない。
このギャップに対処するPulseImputeは、現実的なmHealth欠損モデル、幅広いベースラインセット、臨床関連下流タスクを含む、最初の大規模パルス信号計算チャレンジである。
論文 参考訳(メタデータ) (2022-12-14T21:39:15Z) - Am I fit for this physical activity? Neural embedding of physical
conditioning from inertial sensors [0.0]
Inertial Measurement Unit(IMU)センサーは、スマートフォンやフィットネスウォッチなど、日常のデバイスではますます普及している。
本稿では,畳み込み層とLSTM層からなるニューラルネットワークアーキテクチャを提案する。
公共データセット(PAMAP2, PPG-DaLiA)で利用可能なIMUセンサデータから,23名の被験者の心拍数を予測した際に,PCE-LSTMと呼ばれるモデルを評価した。
PCE-LSTMは平均絶対誤差を10%以上下げる。
論文 参考訳(メタデータ) (2021-03-22T18:00:27Z) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳(メタデータ) (2020-07-16T09:39:17Z) - Motion Pyramid Networks for Accurate and Efficient Cardiac Motion
Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。
我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。
そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文 参考訳(メタデータ) (2020-06-28T21:03:19Z) - AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement
with Neural Searching [76.4844593082362]
既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。
総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
論文 参考訳(メタデータ) (2020-04-26T05:43:21Z) - DeepBeat: A multi-task deep learning approach to assess signal quality
and arrhythmia detection in wearable devices [0.0]
我々は、心房細動(AF)のリアルタイム検出のためのウェアラブル光胸腺撮影装置における信号品質と不整脈事象検出のマルチタスク深層学習法を開発した。
我々は,3つのウェアラブルデバイスから100人以上の個人から,500万以上のラベル付き信号を収集したデータセット上で,ラベル付けされていない生理的信号と微調整をシミュレーションした100万以上のアルゴリズムをトレーニングした。
2段階のトレーニングは、大規模な注釈付きデータセットが不足しているバイオメディカルアプリケーションに共通する不均衡なデータ問題に対処する上で有効であることを示す。
論文 参考訳(メタデータ) (2020-01-01T07:41:28Z)
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。