論文の概要: ESPRESSO: Entropy and ShaPe awaRe timE-Series SegmentatiOn for
processing heterogeneous sensor data
- arxiv url: http://arxiv.org/abs/2008.03230v1
- Date: Fri, 24 Jul 2020 10:41:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 06:06:18.980045
- Title: ESPRESSO: Entropy and ShaPe awaRe timE-Series SegmentatiOn for
processing heterogeneous sensor data
- Title（参考訳）: espresso:異種センサデータを処理するためのエントロピーと形状を考慮した時系列セグメンテーション
- Authors: Shohreh Deldari, Daniel V. Smith, Amin Sadri, Flora D. Salim
- Abstract要約: 多次元時系列のハイブリッドセグメンテーションモデルであるESPRESSOを提案する。
ESPRESSOは時系列のエントロピーと時間的形状特性を利用する。
ウェアラブルとウェアラブルフリーの7つのパブリックデータセットにまたがる、最先端の4つのメソッドよりも優れたパフォーマンスを提供する。
- 参考スコア（独自算出の注目度）: 5.142415132534397
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extracting informative and meaningful temporal segments from high-dimensional
wearable sensor data, smart devices, or IoT data is a vital preprocessing step
in applications such as Human Activity Recognition (HAR), trajectory
prediction, gesture recognition, and lifelogging. In this paper, we propose
ESPRESSO (Entropy and ShaPe awaRe timE-Series SegmentatiOn), a hybrid
segmentation model for multi-dimensional time-series that is formulated to
exploit the entropy and temporal shape properties of time-series. ESPRESSO
differs from existing methods that focus upon particular statistical or
temporal properties of time-series exclusively. As part of model development, a
novel temporal representation of time-series $WCAC$ was introduced along with a
greedy search approach that estimate segments based upon the entropy metric.
ESPRESSO was shown to offer superior performance to four state-of-the-art
methods across seven public datasets of wearable and wear-free sensing. In
addition, we undertake a deeper investigation of these datasets to understand
how ESPRESSO and its constituent methods perform with respect to different
dataset characteristics. Finally, we provide two interesting case-studies to
show how applying ESPRESSO can assist in inferring daily activity routines and
the emotional state of humans.
- Abstract（参考訳）: 高次元ウェアラブルセンサデータ、スマートデバイス、IoTデータから有意義な時間セグメントを抽出することは、ヒューマンアクティビティ認識(HAR)、軌道予測、ジェスチャー認識、ライフログといったアプリケーションにおいて、重要な前処理ステップである。
本稿では,時系列のエントロピーと時間的形状特性を利用した多次元時系列のハイブリッドセグメンテーションモデルであるespresso(entropy and shape aware time-series segmentation)を提案する。
ESPRESSOは、時系列の特定の統計的または時間的特性にのみ焦点をあてる既存の方法とは異なる。
モデル開発の一環として, 時系列の時間的表現である$WCAC$が, エントロピー計量に基づいてセグメントを推定する欲求探索手法とともに導入された。
ESPRESSOは、ウェアラブルとウェアラブルなしセンシングの7つのパブリックデータセットに対して、最先端の4つのメソッドよりも優れたパフォーマンスを提供することを示した。
さらに,これらのデータセットについて,ESPRESSOとその構成法が異なるデータセット特性に対してどのように機能するかを理解するために,より深く調査する。
最後に,ESPRESSOの適用が日常の行動ルーチンや人間の感情状態の推測にどのように役立つかを示す2つの興味深いケーススタディを提供する。
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) - Transforming Multidimensional Time Series into Interpretable Event Sequences for Advanced Data Mining [5.2863523790908955]
本稿では,多次元時系列解析における従来の手法の限界に対処する新しい表現モデルを提案する。
提案するフレームワークは,ITインフラの監視と最適化,継続的な患者モニタリングによる診断,トレンド分析,インターネットビジネスによるユーザ行動の追跡,予測など,さまざまな分野のアプリケーションに対して大きな可能性を秘めている。
論文 参考訳（メタデータ） (2024-09-22T06:27:07Z) - Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - Temporal and Heterogeneous Graph Neural Network for Remaining Useful Life Prediction [27.521188262343596]
我々はTHGNN(Temporal and Heterogeneous Graph Neural Networks)という新しいモデルを導入する。
THGNNは、隣接するノードからの履歴データを集約し、センサーデータのストリーム内の時間的ダイナミクスと空間的相関を正確にキャプチャする。
包括的実験により,本手法の有効性を検証した。
論文 参考訳（メタデータ） (2024-05-07T14:08:57Z) - T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in
Disease Progression [82.85825388788567]
我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。
T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
論文 参考訳（メタデータ） (2023-02-24T13:30:35Z) - Dataset Bias in Human Activity Recognition [57.91018542715725]
このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。
時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
論文 参考訳（メタデータ） (2023-01-19T12:33:50Z) - Self-Attention Neural Bag-of-Features [103.70855797025689]
我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。
本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
論文 参考訳（メタデータ） (2022-01-26T17:54:14Z) - PSEUDo: Interactive Pattern Search in Multivariate Time Series with
Locality-Sensitive Hashing and Relevance Feedback [3.347485580830609]
PSEUDoは、マルチトラックシーケンシャルデータにおける視覚パターンを探索するための適応的機能学習技術である。
提案アルゴリズムは,サブ線形学習と推論時間を特徴とする。
我々は,PSEUDoの効率,精度,操縦性において優位性を示す。
論文 参考訳（メタデータ） (2021-04-30T13:00:44Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Deep ConvLSTM with self-attention for human activity decoding using
wearables [0.0]
本稿では,複数のセンサ時系列データの特徴を捉えつつ,重要な時間点を選択するディープニューラルネットワークアーキテクチャを提案する。
提案手法の有効性を,異なるデータサンプリング戦略にまたがって示すとともに,自己認識機構が大幅に改善したことを示す。
提案手法は、複数の身体センサからの人間の活動のより優れた復号化を、長期間にわたって行うことができる。
論文 参考訳（メタデータ） (2020-05-02T04:30:31Z) - Human Activity Recognition from Wearable Sensor Data Using
Self-Attention [2.9023633922848586]
本稿では,身体のセンサデータから行動認識のための自己認識型ニューラルネットワークモデルを提案する。
一般に公開されている4つのHARデータセット、PAMAP2、Opportunity、Skoda、USC-HADについて実験を行った。
ベンチマークテスト対象とLeave-out-subject評価の両方において,最近の最先端モデルよりも高い性能向上を実現している。
論文 参考訳（メタデータ） (2020-03-17T14:16:57Z)
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。