論文の概要: An Intelligent Non-Invasive Real Time Human Activity Recognition System
for Next-Generation Healthcare
- arxiv url: http://arxiv.org/abs/2008.02567v1
- Date: Thu, 6 Aug 2020 10:51:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-07 00:09:22.086256
- Title: An Intelligent Non-Invasive Real Time Human Activity Recognition System
for Next-Generation Healthcare
- Title（参考訳）: 次世代医療のための知的非侵襲的リアルタイム人間活動認識システム
- Authors: William Taylor, Syed Aziz Shah, Kia Dashtipour, Adnan Zahid, Qammer H.
Abbasi and Muhammad Ali Imran
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.793913891417912
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human motion detection is getting considerable attention in the field of
Artificial Intelligence (AI) driven healthcare systems. Human motion can be
used to provide remote healthcare solutions for vulnerable people by
identifying particular movements such as falls, gait and breathing disorders.
This can allow people to live more independent lifestyles and still have the
safety of being monitored if more direct care is needed. At present wearable
devices can provide real time monitoring by deploying equipment on a person's
body. However, putting devices on a person's body all the time make it
uncomfortable and the elderly tends to forget it to wear as well in addition to
the insecurity of being tracked all the time. This paper demonstrates how human
motions can be detected in quasi-real-time scenario using a non-invasive
method. Patterns in the wireless signals presents particular human body motions
as each movement induces a unique change in the wireless medium. These changes
can be used to identify particular body motions. This work produces a dataset
that contains patterns of radio wave signals obtained using software defined
radios (SDRs) to establish if a subject is standing up or sitting down as a
test case. The dataset was used to create a machine learning model, which was
used in a developed application to provide a quasi-real-time classification of
standing or sitting state. The machine learning model was able to achieve 96.70
% accuracy using the Random Forest algorithm using 10 fold cross validation. A
benchmark dataset of wearable devices was compared to the proposed dataset and
results showed the proposed dataset to have similar accuracy of nearly 90 %.
The machine learning models developed in this paper are tested for two
activities but the developed system is designed and applicable for detecting
and differentiating x number of activities.
- Abstract（参考訳）: 人工知能(AI)による医療システム分野では、人間の動き検出が注目されている。
人間の動きは、転倒、歩行、呼吸障害などの特定の動きを特定することで、脆弱な人々のための遠隔医療ソリューションを提供するために使用できる。
これにより、より独立したライフスタイルを生きられるようになり、もっと直接的なケアが必要ならば、監視される安全も確保できる。
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。
しかし、常に身体に装置を装着することは不快であり、高齢者は常に追跡されることの不安に加えて、身に着けることを忘れがちである。
本稿では,非侵襲的手法を用いて人間の動きを準リアルタイムシナリオで検出する方法を示す。
無線信号のパターンは、各動きが無線媒体に固有の変化をもたらすときに、特定の人体の動きを示す。
これらの変化は、特定の身体の動きを特定するために使用できる。
本研究は、ソフトウェア定義無線(SDR)を用いて得られた電波信号のパターンを含むデータセットを作成し、被験者が立ち上がっているかテストケースとして座っているかを確認する。
データセットは機械学習モデルの作成に使用され、これは開発アプリケーションで、立位状態または立位状態の準リアルタイム分類を提供するために使用された。
機械学習モデルは、10フォールドクロス検証を用いたランダムフォレストアルゴリズムを用いて96.70%の精度を達成した。
ウェアラブルデバイスのベンチマークデータセットを,提案するデータセットと比較し,提案するデータセットの精度が90%に近いことを示した。
本研究で開発された機械学習モデルは2つの活動に対してテストされるが,x個の活動数の検出と識別に応用できる。
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) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-08T13:50:30Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Agile gesture recognition for capacitive sensing devices: adapting
on-the-job [55.40855017016652]
本システムでは, コンデンサセンサからの信号を手の動き認識器に組み込んだ手動作認識システムを提案する。
コントローラは、着用者5本の指それぞれからリアルタイム信号を生成する。
機械学習技術を用いて時系列信号を解析し,500ms以内で5本の指を表現できる3つの特徴を同定する。
論文 参考訳（メタデータ） (2023-05-12T17:24:02Z) - Noncontact Respiratory Anomaly Detection Using Infrared Light-Wave Sensing [0.1759252234439348]
異常な呼吸は、さらなる診断と治療につながる致命的な健康上の問題を示す可能性がある。
本研究では,人間の呼吸パターンを模倣するロボットを用いて,正常および異なる種類の呼吸異常をシミュレートした。
赤外線センシング技術を用いて時系列呼吸データを収集した。
論文 参考訳（メタデータ） (2023-01-09T23:19:40Z) - Automated Mobility Context Detection with Inertial Signals [7.71058263701836]
本研究の主な目的は,日常の運動機能の遠隔監視のためのコンテキスト検出について検討することである。
本研究の目的は、ウェアラブル加速度計でサンプリングされた慣性信号が、歩行関連活動を屋内または屋外に分類するための信頼性の高い情報を提供するかを理解することである。
論文 参考訳（メタデータ） (2022-05-16T09:34:43Z) - Human Activity Recognition models using Limited Consumer Device Sensors
and Machine Learning [0.0]
ヒトの活動認識は、日常生活や医療環境における応用の増加とともに人気が高まっている。
本稿では,スマートフォンやスマートウォッチのセンサデータを用いた訓練に限定した各種モデルの発見について述べる。
結果は、スマートフォンとスマートウォッチのみから収集された限られたセンサーデータと、従来の機械学習の概念とアルゴリズムとを厳格に併用したモデルの可能性を示している。
論文 参考訳（メタデータ） (2022-01-21T06:54:05Z) - 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) - Domain and Modality Gaps for LiDAR-based Person Detection on Mobile
Robots [91.01747068273666]
本稿では,移動ロボットのシナリオに着目した既存のLiDAR人物検出装置について検討する。
実験は3Dと2D LiDARのセンサー間のモダリティのギャップだけでなく、運転と移動ロボットのシナリオ間の領域ギャップを回避している。
その結果、LiDARに基づく人物検出の実践的な洞察を与え、関連する移動ロボットの設計と応用に関する情報決定を容易にする。
論文 参考訳（メタデータ） (2021-06-21T16:35:49Z) - Physical Activity Recognition Based on a Parallel Approach for an
Ensemble of Machine Learning and Deep Learning Classifiers [0.0]
モノのインターネット(IOT)に組み込まれたウェアラブルセンサーデバイスによる人間の活動認識(HAR)は、リモートヘルス監視と緊急通知に重要な役割を果たします。
本研究では、医療に適用可能な意思決定精度と実行速度の人間活動認識手法について検討する。
論文 参考訳（メタデータ） (2021-03-02T16:50:52Z) - 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。