論文の概要: Pervasive Lying Posture Tracking
- arxiv url: http://arxiv.org/abs/2006.10931v1
- Date: Fri, 19 Jun 2020 02:10:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 03:38:13.675335
- Title: Pervasive Lying Posture Tracking
- Title（参考訳）: 広汎なライニング姿勢追跡
- Authors: Paratoo Alinia, Ali Samadani, Mladen Milosevic, Hassan Ghasemzadeh,
and Saman Parvaneh
- Abstract要約: 床内姿勢追跡システムの効率的な設計方法に関する研究には、大きなギャップがある。
本稿では,1つの加速度計と機械学習アルゴリズムを併用したセンサシステムを設計するための包括的アプローチを提案する。
そこで本研究では,9つの身体位置と4つの人体姿勢における提案アルゴリズムの性能評価を行った。
- 参考スコア（独自算出の注目度）: 12.461719086222788
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There exist significant gaps in research about how to design efficient in-bed
lying posture tracking systems. These gaps can be articulated through several
research questions as follows. First, can we design a single-sensor, pervasive,
and inexpensive system that can accurately detect lying postures? Second, what
computational models are most effective in the accurate detection of lying
postures? Finally, what physical configuration of the sensor system is most
effective for lying posture tracking? To answer these important research
questions, in this article, we propose a comprehensive approach to design a
sensor system that uses a single accelerometer along with machine learning
algorithms for in-bed lying posture classification. We design two categories of
machine learning algorithms based on deep learning and traditional
classification with handcrafted features to detect lying postures. We also
investigate what wearing sites are most effective in accurate detection of
lying postures. We extensively evaluate the performance of the proposed
algorithms on nine different body locations and four human lying postures using
two datasets. Our results show that a system with a single accelerometer can be
used with either deep learning or traditional classifiers to accurately detect
lying postures. The best models in our approach achieve an F-Score that ranges
from 95.2% to 97.8% with 0.03 to 0.05 coefficient of variation. The results
also identify the thighs and chest as the most salient body sites for lying
posture tracking. Our findings in this article suggest that because
accelerometers are ubiquitous and inexpensive sensors, they can be a viable
source of information for pervasive monitoring of in-bed postures.
- Abstract（参考訳）: 床内姿勢追跡システムの効率的な設計方法に関する研究には大きなギャップがある。
これらのギャップは、下記のいくつかの研究質問を通して説明できる。
まず、嘘つきの姿勢を正確に検出できる単一センサー、広範、安価なシステムを設計できますか?
第二に、嘘つき姿勢の正確な検出に最も有効な計算モデルは何だろうか?
最後に、横たわる姿勢追跡にはセンサーシステムの物理的構成が最も効果的か?
そこで本研究では,1つの加速度センサと,ベッド内姿勢分類のための機械学習アルゴリズムを併用したセンサシステムを設計するための包括的アプローチを提案する。
深層学習に基づく機械学習アルゴリズムと,手作り特徴を用いた従来の分類の2つのカテゴリをデザインし,横たわる姿勢を検出する。
また,転倒姿勢の正確な検出に最も有効な装具について検討した。
2つのデータセットを用いて,9つの異なる身体位置と4つの人間の横姿勢における提案アルゴリズムの性能を広範囲に評価した。
以上の結果から,1つの加速度計を持つシステムは,深層学習や従来の分類器と併用して,嘘の姿勢を正確に検出できることがわかった。
この手法の最良のモデルは、95.2%から97.8%まで変化係数0.03から0.05のf-scoreである。
また、大腿部と胸部は横たわる姿勢追跡に最も有意義な部位であることもわかりました。
本稿では,加速度センサはユビキタスで安価なセンサであるため,ベッド内姿勢の広汎なモニタリングを行うための情報源となる可能性が示唆された。
関連論文リスト
- Learning 3D Perception from Others' Predictions [64.09115694891679]
本研究では,3次元物体検出装置を構築するための新たなシナリオについて検討する。
例えば、自動運転車が新しいエリアに入ると、その領域に最適化された検出器を持つ他の交通参加者から学ぶことができる。
論文 参考訳（メタデータ） (2024-10-03T16:31:28Z) - Learning to Make Keypoints Sub-Pixel Accurate [80.55676599677824]
本研究は,2次元局所特徴の検出におけるサブピクセル精度の課題に対処する。
本稿では,検出された特徴に対するオフセットベクトルを学習することにより,サブピクセル精度で検出器を拡張できる新しいネットワークを提案する。
論文 参考訳（メタデータ） (2024-07-16T12:39:56Z) - Graspness Discovery in Clutters for Fast and Accurate Grasp Detection [57.81325062171676]
グレープネス(graspness)とは、散らばった場面で把握可能な領域を区別する幾何学的手がかりに基づく品質である。
本研究では,探索過程を近似するカスケード把握モデルを構築した。
大規模なベンチマークであるGraspNet-1Billionの実験では,提案手法が従来の手法よりも大きなマージンで優れていたことが示されている。
論文 参考訳（メタデータ） (2024-06-17T02:06:47Z) - 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) - Learning to Detect Slip through Tactile Estimation of the Contact Force Field and its Entropy [6.739132519488627]
本研究では,スリップ検出をリアルタイムで連続的に行う物理インフォームド・データ駆動方式を提案する。
我々は、光学式触覚センサーであるGelSight Miniを、カスタムデザインのグリップに装着して、触覚データを収集する。
その結果,最高の分類アルゴリズムは95.61%の精度が得られることがわかった。
論文 参考訳（メタデータ） (2023-03-02T03:16:21Z) - Sleep Posture One-Shot Learning Framework Using Kinematic Data
Augmentation: In-Silico and In-Vivo Case Studies [6.123523234813773]
睡眠姿勢は、夜行性クランプやより深刻な筋骨格障害などのいくつかの健康状態と関連している。
本稿では,最小限の関節角度測定に基づく睡眠姿勢分類のための新しい枠組みを提案する。
提案されたフレームワークは、合成データで100%、実データで92.7%の精度を約束し、文献で利用可能なアートデータハングリーアルゴリズムの状況に匹敵する精度を達成した。
論文 参考訳（メタデータ） (2022-05-22T09:06:42Z) - Leveraging distributed contact force measurements for slip detection: a
physics-based approach enabled by a data-driven tactile sensor [5.027571997864706]
本稿では,新たなモデルに基づくスリップ検出パイプラインについて述べる。
分散力を正確に推定する視覚ベースの触覚センサを、6自由度コボットと2フィンガーグリップパーからなる把握装置に統合した。
その結果, 形状, 材料, 重量の異なる物体を操作しながら, スリップを確実に予測できることがわかった。
論文 参考訳（メタデータ） (2021-09-23T17:12:46Z) - Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor
Setups [68.8204255655161]
本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。
提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
論文 参考訳（メタデータ） (2021-01-12T12:02:26Z) - Physical Action Categorization using Signal Analysis and Machine
Learning [2.430361444826172]
本稿では,4つの物理行動の分類のための機械学習に基づくフレームワークを提案する。
表面筋電図 (SEMG) は, 物理的運動を信号に変換して分類し, 使用するための非侵襲的なメカニズムを示す。
論文 参考訳（メタデータ） (2020-08-16T18:43:00Z) - An Intelligent Non-Invasive Real Time Human Activity Recognition System
for Next-Generation Healthcare [9.793913891417912]
人間の動きは、脆弱な人々のためのリモートヘルスケアソリューションを提供するために使用することができる。
現在、ウェアラブルデバイスは、人の体に機器を配置することで、リアルタイムの監視を提供することができる。
本研究では,非侵襲的手法を用いて準リアルタイムシナリオにおいて人間の動作がどのように検出されるかを示す。
論文 参考訳（メタデータ） (2020-08-06T10:51:56Z) - Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。
我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。
実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
論文 参考訳（メタデータ） (2020-03-23T10:51:32Z)
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。