論文の概要: Human Activity Recognition using Inertial, Physiological and Environmental Sensors: a Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2004.08821v2
• Date: Thu, 19 Nov 2020 09:23:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 00:39:44.362921
• Title: Human Activity Recognition using Inertial, Physiological and Environmental Sensors: a Comprehensive Survey
• Title（参考訳）: 慣性・生理・環境センサを用いた人間の活動認識:包括的調査
• Authors: Florenc Demrozi, Graziano Pravadelli, Azra Bihorac, and Parisa Rashidi
• Abstract要約: 本研究は, 慣性センサと生理・環境センサを併用したHARアプリケーションの開発において, 機械学習が重要な役割を担っていることに焦点を当てる。 Harは、認知機能や身体機能を監視することで、高齢者の日常生活を支援する最も有望な補助的技術ツールの1つと考えられている。
• 参考スコア（独自算出の注目度）: 3.1166345853612296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the last decade, Human Activity Recognition (HAR) has become a vibrant research area, especially due to the spread of electronic devices such as smartphones, smartwatches and video cameras present in our daily lives. In addition, the advance of deep learning and other machine learning algorithms has allowed researchers to use HAR in various domains including sports, health and well-being applications. For example, HAR is considered as one of the most promising assistive technology tools to support elderly's daily life by monitoring their cognitive and physical function through daily activities. This survey focuses on critical role of machine learning in developing HAR applications based on inertial sensors in conjunction with physiological and environmental sensors.
• Abstract（参考訳）: 過去10年間で、HAR(Human Activity Recognition)は、特にスマートフォン、スマートウォッチ、ビデオカメラなどの電子機器が日常生活に普及しているため、活発な研究領域となっている。 さらに、ディープラーニングや他の機械学習アルゴリズムの進歩により、研究者はスポーツ、健康、健康アプリケーションなど様々な領域でharを使うことができるようになった。 例えば、HARは、認知機能や身体機能を監視することで高齢者の日常生活を支援する最も有望な支援技術であると考えられている。 本研究は, 慣性センサと生理・環境センサを併用したHARアプリケーション開発における機械学習の重要性に焦点を当てた。

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)
• Towards Privacy-Aware and Personalised Assistive Robots: A User-Centred Approach [55.5769013369398]
  この研究は、フェデレートラーニング(FL)のようなユーザー中心のプライバシーに配慮した技術のパイオニアである。 FLは機密データを共有せずに協調学習を可能にし、プライバシとスケーラビリティの問題に対処する。 この作業には、スマート車椅子アシストのためのソリューションの開発、ユーザの独立性の向上、幸福感の向上が含まれる。
  論文  参考訳（メタデータ） (2024-05-23T13:14:08Z)
• MultiIoT: Benchmarking Machine Learning for the Internet of Things [70.74131118309967]
  次世代の機械学習システムは、物理的世界に対する知覚と相互作用に長けなければならない。 運動、熱、位置情報、深度、無線信号、ビデオ、オーディオからの知覚データは、物理環境の状態をモデル化するためにますます使われています。 既存の取り組みは、しばしば単一の感覚的モダリティまたは予測タスクに特化している。 本稿は、12のモダリティと8つの現実世界タスクから115万以上のサンプルを含む、これまでで最も拡張的で統一されたIoTベンチマークであるMultiIoTを提案する。
  論文  参考訳（メタデータ） (2023-11-10T18:13:08Z)
• Overview of Human Activity Recognition Using Sensor Data [4.941233729756897]
  ヒューマンアクティビティ認識(HAR)は、ホームや職場の自動化、セキュリティ、監視、医療など、さまざまな用途で使用されている。 センサベースHARの概要を概説し、HARに依存したいくつかの重要な応用について論じ、HARで使われている最も一般的な機械学習手法を強調した。 HARの堅牢性をさらに向上するために、HARのいくつかの課題について検討する。
  論文  参考訳（メタデータ） (2023-09-12T10:37:42Z)
• 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)
• Classifying Human Activities with Inertial Sensors: A Machine Learning Approach [0.0]
  HAR(Human Activity Recognition)は、現在進行中の研究課題である。 医療サポート、スポーツ、フィットネス、ソーシャルネットワーキング、ヒューマン・コンピュータ・インタフェース、シニア・ケア、エンターテイメント、監視などの分野に応用されている。 スマートフォンの慣性センサデータを用いて,人間活動認識のための機械学習と深層学習のアプローチを検討した。
  論文  参考訳（メタデータ） (2021-11-09T08:17:33Z)
• Deep Learning in Human Activity Recognition with Wearable Sensors: A Review on Advances [8.642789007878479]
  ディープラーニングは、モバイルおよびウェアラブルデバイスにおける人間の活動認識の境界を大きく押し上げている。 本稿では,ウェアラブルをベースとしたHARのためのディープラーニング手法を導入した既存の研究を体系的に分類し,要約する。 深層学習に基づくHARのための最先端フロンティアと今後の方向性も提示する。
  論文  参考訳（メタデータ） (2021-10-31T07:16:23Z)
• Human-Robot Collaboration and Machine Learning: A Systematic Review of Recent Research [69.48907856390834]
  人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。 本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
  論文  参考訳（メタデータ） (2021-10-14T15:14:33Z)
• AutoCogniSys: IoT Assisted Context-Aware Automatic Cognitive Health Assessment [2.7998963147546148]
  AutoCogniSysは、コンテキスト対応の自動認知ヘルスアセスメントシステムである。 我々は,高齢者の生活環境における認知的健康度自動評価システムを開発した。 AutoCogniSysのパフォーマンスは、高齢者の認知健康度を評価する際の精度の最大93%を証明している。
  論文  参考訳（メタデータ） (2020-03-17T01:44:59Z)
• EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies on Signal Sensing Technologies and Computational Intelligence Approaches and their Applications [65.32004302942218]
  Brain-Computer Interface (BCI) はユーザとシステム間の強力なコミュニケーションツールである。 近年の技術進歩は、脳波(EEG)に基づく翻訳医療用BCIへの関心が高まっている。
  論文  参考訳（メタデータ） (2020-01-28T10:36:26Z)
• Deep Learning for Sensor-based Human Activity Recognition: Overview, Challenges and Opportunities [52.59080024266596]
  本稿では,センサを用いた人間の活動認識のための最先端のディープラーニング手法について調査する。 まず、官能データのマルチモーダリティを導入し、公開データセットに情報を提供する。 次に、課題によって深層メソッドを構築するための新しい分類法を提案する。
  論文  参考訳（メタデータ） (2020-01-21T09:55:59Z)

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。