論文の概要: Human Activity Recognition using Deep Learning Models on Smartphones and Smartwatches Sensor Data

• arxiv url: http://arxiv.org/abs/2103.03836v1
• Date: Sun, 28 Feb 2021 06:49:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 00:52:52.639793
• Title: Human Activity Recognition using Deep Learning Models on Smartphones and Smartwatches Sensor Data
• Title（参考訳）: スマートフォンとスマートウォッチセンサデータを用いた深層学習モデルを用いた人間の活動認識
• Authors: Bolu Oluwalade, Sunil Neela, Judy Wawira, Tobiloba Adejumo, Saptarshi Purkayastha
• Abstract要約: We use the popular WISDM dataset for activity recognition。 スマートフォンやスマートウォッチは、着ている場所によって、同じ方法でデータをキャプチャしません。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, human activity recognition has garnered considerable attention both in industrial and academic research because of the wide deployment of sensors, such as accelerometers and gyroscopes, in products such as smartphones and smartwatches. Activity recognition is currently applied in various fields where valuable information about an individual's functional ability and lifestyle is needed. In this study, we used the popular WISDM dataset for activity recognition. Using multivariate analysis of covariance (MANCOVA), we established a statistically significant difference (p<0.05) between the data generated from the sensors embedded in smartphones and smartwatches. By doing this, we show that smartphones and smartwatches don't capture data in the same way due to the location where they are worn. We deployed several neural network architectures to classify 15 different hand and non-hand-oriented activities. These models include Long short-term memory (LSTM), Bi-directional Long short-term memory (BiLSTM), Convolutional Neural Network (CNN), and Convolutional LSTM (ConvLSTM). The developed models performed best with watch accelerometer data. Also, we saw that the classification precision obtained with the convolutional input classifiers (CNN and ConvLSTM) was higher than the end-to-end LSTM classifier in 12 of the 15 activities. Additionally, the CNN model for the watch accelerometer was better able to classify non-hand oriented activities when compared to hand-oriented activities.
• Abstract（参考訳）: 近年、スマートフォンやスマートウォッチなどの製品に加速度計やジャイロスコープなどのセンサーが広く配備されているため、産業研究と学術研究の両方で人間の活動認識が注目されている。 活動認識は現在、個人の機能的能力と生活様式に関する貴重な情報を必要とする様々な分野に適用されている。 本研究では,WISDMデータセットを用いて活動認識を行った。 共分散の多変量解析 (MANCOVA) を用いて, スマートフォンとスマートウォッチに埋め込まれたセンサから生成されたデータと, 統計的に有意な差(p<0.05)を確立した。 これによって、スマートフォンやスマートウォッチは、着ている場所によって、同じ方法でデータをキャプチャできないことが分かります。 15の異なる手と非手動のアクティビティを分類するために、いくつかのニューラルネットワークアーキテクチャをデプロイしました。 これらのモデルには、Long short-term memory (LSTM)、Bi-directional Long short-term memory (BiLSTM)、Convolutional Neural Network (CNN)、Convolutional LSTM (ConvLSTM)が含まれる。 開発したモデルは、時計加速度計のデータで最高の性能を示した。 また,畳み込み入力分類器 (cnn, convlstm) で得られた分類精度は, 15のアクティビティのうち, エンド・ツー・エンドのlstm分類器よりも高かった。 さらに、時計加速度計のCNNモデルは、手動のアクティビティと比較して、手動のアクティビティを分類しやすくなった。

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)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• Human Activity Recognition on Time Series Accelerometer Sensor Data using LSTM Recurrent Neural Networks [0.2294014185517203]
  本研究では,スマートウォッチの加速度センサを用いて食行動を認識することに焦点を当てた。 ピザを食べながら10人の被験者からセンサデータを収集した。 LSTM-ANNアーキテクチャは,パフ,薬物服用,ジョギング活動と比較して90%の成功率を示した。
  論文  参考訳（メタデータ） (2022-06-03T19:24:20Z)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• UMSNet: An Universal Multi-sensor Network for Human Activity Recognition [10.952666953066542]
  本稿では,人間行動認識のためのユニバーサルマルチセンサネットワーク(UMSNet)を提案する。 特に,新しい軽量センサ残差ブロック(LSRブロック)を提案する。 我々のフレームワークは明確な構造を持ち、様々な種類のマルチモーダル時系列分類タスクに直接適用することができる。
  論文  参考訳（メタデータ） (2022-05-24T03:29:54Z)
• 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)
• HAR-GCNN: Deep Graph CNNs for Human Activity Recognition From Highly Unlabeled Mobile Sensor Data [61.79595926825511]
  正確な活動ラベルを含むバランスのとれたデータセットを取得するには、人間が正しく注釈を付け、リアルタイムで被験者の通常の活動に干渉する必要がある。 本研究では,HAR-GCCNモデルを提案する。HAR-GCCNは,時系列に隣接したセンサ測定の相関を利用して,不特定活動の正確なラベルを予測する。 Har-GCCNは、これまで使用されていたベースライン手法と比較して優れたパフォーマンスを示し、分類精度を25%改善し、異なるデータセットで最大68%向上した。
  論文  参考訳（メタデータ） (2022-03-07T01:23:46Z)
• 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)
• 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)
• Sequential Weakly Labeled Multi-Activity Localization and Recognition on Wearable Sensors using Recurrent Attention Networks [13.64024154785943]
  本稿では,逐次的にラベル付けされたマルチアクティビティ認識と位置情報タスクを処理するために,RAN(Recurrent attention network)を提案する。 我々のRANモデルは、粗粒度シーケンシャルな弱いラベルからマルチアクティビティータイプを同時に推測することができる。 手動ラベリングの負担を大幅に軽減する。
  論文  参考訳（メタデータ） (2020-04-13T04:57:09Z)
• Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
  Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。 マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。 このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
  論文  参考訳（メタデータ） (2020-01-06T13:37:51Z)

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。