論文の概要: Fine-grained Vibration Based Sensing Using a Smartphone
- arxiv url: http://arxiv.org/abs/2007.03874v2
- Date: Thu, 27 Aug 2020 22:34:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 13:50:52.662916
- Title: Fine-grained Vibration Based Sensing Using a Smartphone
- Title（参考訳）: スマートフォンを用いた細粒度振動センシング
- Authors: Kamran Ali, Alex X. Liu
- Abstract要約: VibroTagは、異なるハードウェアのスマートフォンで動作する振動ベースの表面認識スキームである。
以上の結果から,VibroTagの平均精度は86.55%であり,24の異なる位置/表面を認識できることがわかった。
- 参考スコア（独自算出の注目度）: 29.794783579875666
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recognizing surfaces based on their vibration signatures is useful as it can
enable tagging of different locations without requiring any additional hardware
such as Near Field Communication (NFC) tags. However, previous vibration based
surface recognition schemes either use custom hardware for creating and sensing
vibration, which makes them difficult to adopt, or use inertial (IMU) sensors
in commercial off-the-shelf (COTS) smartphones to sense movements produced due
to vibrations, which makes them coarse-grained because of the low sampling
rates of IMU sensors. The mainstream COTS smartphones based schemes are also
susceptible to inherent hardware based irregularities in vibration mechanism of
the smartphones. Moreover, the existing schemes that use microphones to sense
vibration are prone to short-term and constant background noises (e.g.
intermittent talking, exhaust fan, etc.) because microphones not only capture
the sounds created by vibration but also other interfering sounds present in
the environment. In this paper, we propose VibroTag, a robust and practical
vibration based sensing scheme that works with smartphones with different
hardware, can extract fine-grained vibration signatures of different surfaces,
and is robust to environmental noise and hardware based irregularities. We
implemented VibroTag on two different Android phones and evaluated in multiple
different environments where we collected data from 4 individuals for 5 to 20
consecutive days. Our results show that VibroTag achieves an average accuracy
of 86.55% while recognizing 24 different locations/surfaces, even when some of
those surfaces were made of similar material. VibroTag's accuracy is 37% higher
than the average accuracy of 49.25% achieved by one of the state-of-the-art
IMUs based schemes, which we implemented for comparison with VibroTag.
- Abstract（参考訳）: 振動シグネチャに基づいて表面を認識することは、NFC(Near Field Communication)タグなどの追加ハードウェアを必要とせずに、異なる位置のタグ付けを可能にするため有用である。
しかし、従来の振動ベースの表面認識方式では、振動の生成と検知にカスタムハードウェアを用いるか、市販のオフ・ザ・棚(cots)スマートフォンの慣性(imu)センサーを使用して振動によって生じる動きを感知する。
メインストリームのCOTSスマートフォンベースのスキームは、スマートフォンの振動機構における固有のハードウェアベースの不規則性にも影響される。
また、振動を感知するためにマイクロホンを使用する既存のスキームは、振動によって生成された音だけでなく、環境に存在する他の干渉音を捉えるため、短期的かつ一定のバックグラウンドノイズ(例えば、間欠的な話、排気ファンなど)に陥りやすい。
本稿では,異なるハードウェアでスマートフォンと連携して動作し,異なる表面のきめ細かい振動シグネチャを抽出し,環境騒音やハードウェアによる不規則性に対して頑健な,頑健で実用的な振動に基づくセンシング手法であるVibroTagを提案する。
VibroTagを2つの異なるAndroid端末に実装し、複数の異なる環境で評価し、5日から20日間4人のデータを収集した。
以上の結果から,ビブロタグの平均精度は86.55%であり,24の異なる位置や面が類似した材料でできていると認識されている。
VibroTagの精度は、VibroTagと比較して実装した最先端のIMUベースのスキームの1つによって達成された49.25%の平均精度よりも37%高い。
関連論文リスト
- Suite-IN: Aggregating Motion Features from Apple Suite for Robust Inertial Navigation [10.634236058278722]
異なる身体部位のセンサーが捉えた動きデータには、局所的な動き情報とグローバルな動き情報の両方が含まれている。
慣性ナビゲーションのためのApple Suiteからの動作データを集約するマルチデバイスディープラーニングフレームワーク Suite-INを提案する。
論文 参考訳（メタデータ） (2024-11-12T14:23:52Z) - BearLLM: A Prior Knowledge-Enhanced Bearing Health Management Framework with Unified Vibration Signal Representation [8.401364944653146]
大規模言語モデル(BearLLM)を活用したベアリング型健康管理フレームワークを提案する。
BearLLMは、ユーザのプロンプトと振動信号を処理することで、複数のベアリング関連タスクを統合する。
私たちは、より有能な産業マルチモーダルモデルの構築に関する将来の研究を刺激するデータセット、モデル、コードを提供しています。
論文 参考訳（メタデータ） (2024-08-21T02:04:54Z) - Vibravox: A Dataset of French Speech Captured with Body-conduction Audio Sensors [0.2010294990327175]
Vibravox corpusには38時間の音声サンプルと188人の参加者が異なる音環境下で記録した生理的音が含まれている。
音声認識や話者検証など,様々な音声関連課題について一連の実験を行った。
論文 参考訳（メタデータ） (2024-07-16T15:16:10Z) - Exploring Sound vs Vibration for Robust Fault Detection on Rotating
Machinery [13.480792901281047]
本研究は, カタール大学Dual-Machine Bearing Fault Benchmarkデータセット(QU-DMBF)を提案する。
我々は,多数の設置条件と運転条件により,振動に基づく故障検出の大きな限界と欠点に焦点をあてる。
幅広い実験結果から, 音による断層検出法は, 振動による検出法よりもかなり頑健であることがわかった。
論文 参考訳（メタデータ） (2023-12-17T15:27:32Z) - 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) - TUM-VIE: The TUM Stereo Visual-Inertial Event Dataset [50.8779574716494]
イベントカメラはバイオインスパイアされた視覚センサーで、ピクセルごとの明るさの変化を測定する。
これらは、低レイテンシ、高ダイナミックレンジ、高時間分解能、低消費電力など、従来のフレームベースのカメラよりも多くの利点を提供する。
イベントカメラを用いた3次元認識・ナビゲーションアルゴリズムの開発を促進するため,TUM-VIEデータセットを提案する。
論文 参考訳（メタデータ） (2021-08-16T19:53:56Z) - Extended Tactile Perception: Vibration Sensing through Tools and Grasped
Objects [11.60680126397386]
ロボットがツールを具現化し、標準的把握オブジェクトを使って知覚を拡張できることを示します。
ロボット指の動的触覚センサを用いた視覚触覚センシングと機械学習モデルにより,ロボットが接触情報を解読できることを提案する。
本稿では,BioTacマイクロ振動センサと4kHzでのマルチタキセルセンシングが可能な新しいイベントダイナミックセンサであるNUSkinを用いた広範囲な実験について報告する。
論文 参考訳（メタデータ） (2021-06-01T13:49:31Z) - Moving Object Classification with a Sub-6 GHz Massive MIMO Array using
Real Data [64.48836187884325]
無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。
本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
論文 参考訳（メタデータ） (2021-02-09T15:48:35Z) - Speech Enhancement for Wake-Up-Word detection in Voice Assistants [60.103753056973815]
キースポッティング、特にWake-Up-Word(WUW)検出は音声アシスタントにとって非常に重要なタスクである。
本稿では,WUW検出に適応した音声強調モデルを提案する。
これらのノイズの存在下で、認識率を高め、誤報を減らすことを目的としている。
論文 参考訳（メタデータ） (2021-01-29T18:44:05Z) - SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。
動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。
評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7～13%向上し,環境のダイナミクスが最大30%向上することがわかった。
論文 参考訳（メタデータ） (2020-12-04T23:06:56Z)
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。