論文の概要: Do You Live a Healthy Life? Analyzing Lifestyle by Visual Life Logging
- arxiv url: http://arxiv.org/abs/2011.12102v1
- Date: Tue, 24 Nov 2020 14:20:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 13:37:59.945097
- Title: Do You Live a Healthy Life? Analyzing Lifestyle by Visual Life Logging
- Title（参考訳）: あなたは健康な生活をしているのか?
ビジュアルライフログによるライフスタイル分析
- Authors: Qing Gao, Mingtao Pei, Hongyu Shen
- Abstract要約: 健康なライフスタイルは、健康と幸福を高める鍵であり、生活の質や病気の予防にかなりの影響を及ぼす。
現在のライフログ/エゴセントリックデータセットは、ライフスタイル分析には適していない。
生活分析のためのビジュアルライフログデータセット(VLDLA)を構築した。
- 参考スコア（独自算出の注目度）: 5.377783209681779
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A healthy lifestyle is the key to better health and happiness and has a
considerable effect on quality of life and disease prevention. Current
lifelogging/egocentric datasets are not suitable for lifestyle analysis;
consequently, there is no research on lifestyle analysis in the field of
computer vision. In this work, we investigate the problem of lifestyle analysis
and build a visual lifelogging dataset for lifestyle analysis (VLDLA). The
VLDLA contains images captured by a wearable camera every 3 seconds from 8:00
am to 6:00 pm for seven days. In contrast to current lifelogging/egocentric
datasets, our dataset is suitable for lifestyle analysis as images are taken
with short intervals to capture activities of short duration; moreover, images
are taken continuously from morning to evening to record all the activities
performed by a user. Based on our dataset, we classify the user activities in
each frame and use three latent fluents of the user, which change over time and
are associated with activities, to measure the healthy degree of the user's
lifestyle. The scores for the three latent fluents are computed based on
recognized activities, and the healthy degree of the lifestyle for the day is
determined based on the scores for the latent fluents. Experimental results
show that our method can be used to analyze the healthiness of users'
lifestyles.
- Abstract（参考訳）: 健康的なライフスタイルは、健康と幸福を改善する鍵であり、生活の質や疾病予防に大きな影響を与える。
現在のライフログ/エゴセントリックデータセットはライフスタイル分析には適さないため、コンピュータビジョンの分野ではライフスタイル分析の研究は行われていない。
本研究では,ライフスタイル分析の問題点を調査し,ライフスタイル分析のためのビジュアルライフログデータセット(vldla)を構築する。
VLDLAには、7日間の午前8時から午後6時までの3秒ごとに、ウェアラブルカメラが撮影した画像が含まれている。
現在のライフログやエゴセントリックなデータセットとは対照的に、私たちのデータセットは、短い間隔で画像を撮影して短い期間のアクティビティをキャプチャするので、ライフスタイルの分析に適しています。
このデータセットに基づいて,各フレーム内のユーザアクティビティを分類し,時間とともに変化し,アクティビティと関連づけられた,潜伏した3つのfluentを使用して,ユーザのライフスタイルを健全に評価する。
3つの潜水流のスコアは、認識された活動に基づいて算出され、潜水流のスコアに基づいて、その日の健康なライフスタイルの度合いが決定される。
実験結果から,本手法はユーザのライフスタイルの健康状態を分析するのに有効であることがわかった。
関連論文リスト
- Forecasting Mortality in the Middle-Aged and Older Population of England: A 1D-CNN Approach [0.0]
本研究は,2年毎に実施される英語経年調査(ELSA)について考察する。
我々は1次元畳み込みニューラルネットワーク(1D-CNN)を用いて、社会デコグラフィー、疾患、モビリティ障害、日常生活活動(ADL)、日常生活の計測活動(IADL)を用いて死亡率を予測する。
データセットが高度に不均衡なため、異なるオーバーサンプリング手法を試行し、小さなクラスを過剰に表現することで結果が改善されていることに気付きました。
論文 参考訳（メタデータ） (2024-11-01T02:20:19Z) - 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) - Evaluating Multiview Object Consistency in Humans and Image Models [68.36073530804296]
我々は、物体の形状に関するゼロショット視覚的推論を必要とする認知科学の実験的設計を活用する。
我々は500人以上の参加者から行動データの35万件の試行を収集した。
次に、一般的な視覚モデルの性能を評価する。
論文 参考訳（メタデータ） (2024-09-09T17:59:13Z) - Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health
Monitoring Systems [69.41229290253605]
既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。
これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。
最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
論文 参考訳（メタデータ） (2024-01-19T16:26:35Z) - VitalLens: Take A Vital Selfie [2.28438857884398]
VitalLensは、自撮りビデオからバイタルサインをリアルタイムで推定するアプリだ。
それは、多様なビデオと生理学的センサーデータのデータセットに基づいて訓練されたコンピュータビジョンモデルを使用する。
平均絶対誤差は心拍数推定では0.71 bpm、呼吸速度推定では0.76 bpmである。
論文 参考訳（メタデータ） (2023-12-11T23:30:37Z) - A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。
実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
論文 参考訳（メタデータ） (2023-05-15T16:02:56Z) - OOD-CV-v2: An extended Benchmark for Robustness to Out-of-Distribution
Shifts of Individual Nuisances in Natural Images [59.51657161097337]
OOD-CV-v2は、ポーズ、形状、テクスチャ、コンテキスト、気象条件の10のオブジェクトカテゴリのアウト・オブ・ディストリビューションの例を含むベンチマークデータセットである。
この新たなデータセットに加えて、一般的なベースライン手法を用いた広範な実験にも貢献する。
論文 参考訳（メタデータ） (2023-04-17T20:39:25Z) - Multimodal video and IMU kinematic dataset on daily life activities
using affordable devices (VIDIMU) [0.0]
本データセットの目的は,日常活動の認識と運動解析のために,手頃な価格の患者総運動追跡ソリューションへの道を開くことである。
i)選択した運動の臨床的関連性、(ii)安価なビデオとカスタムセンサーの併用、(iii)3Dボディのポーズ追跡とモーション再構成のマルチモーダルデータ処理のための最先端ツールの実装。
論文 参考訳（メタデータ） (2023-03-27T14:05:49Z) - Sleep Activity Recognition and Characterization from Multi-Source
Passively Sensed Data [67.60224656603823]
睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。
本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。
これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
論文 参考訳（メタデータ） (2023-01-17T15:18:45Z) - Eating Habits Discovery in Egocentric Photo-streams [9.436913961194671]
食事関連行動パターン探索モデルを構築し,日常的に実施されている活動から栄養のルーチンを明らかにする。
このフレームワーク内では、単純だが堅牢で高速な新しい分類パイプラインを提示する。
本稿では,カメラが単独で食べる際の食品関連シーンの識別への応用について述べる。
論文 参考訳（メタデータ） (2020-09-16T12:46:35Z) - N=1 Modelling of Lifestyle Impact on SleepPerformance [2.9073923339818006]
睡眠は健康な生活に欠かせない。
最近の研究にもかかわらず、実際の環境でパーソナライズされた睡眠モデルを作成することは困難だった。
本研究では,日常活動と睡眠品質の因果関係を同定する睡眠モデルを提案する。
論文 参考訳（メタデータ） (2020-06-18T22:43:35Z)
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。