論文の概要: Human Activity Recognition using Continuous Wavelet Transform and
Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2106.12666v1
- Date: Wed, 23 Jun 2021 21:49:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-26 09:01:31.805844
- Title: Human Activity Recognition using Continuous Wavelet Transform and
Convolutional Neural Networks
- Title（参考訳）: 連続ウェーブレット変換と畳み込みニューラルネットワークを用いたヒューマンアクティビティ認識
- Authors: Anna Nedorubova, Alena Kadyrova, Aleksey Khlyupin
- Abstract要約: HAR(Human Activity Recognition)は、データサイエンスの分野である。
本稿では,HAR問題に対処する新しいワークフローを提案し,UniMiB SHARデータセット上で評価する。
我々は99.26パーセントの精度に達することに成功しており、この問題にふさわしいパフォーマンスである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quite a few people in the world have to stay under permanent surveillance for
health reasons; they include diabetic people or people with some other chronic
conditions, the elderly and the disabled.These groups may face heightened risk
of having life-threatening falls or of being struck by a syncope. Due to
limited availability of resources a substantial part of people at risk can not
receive necessary monitoring and thus are exposed to excessive danger.
Nowadays, this problem is usually solved via applying Human Activity
Recognition (HAR) methods. HAR is a perspective and fast-paced Data Science
field, which has a wide range of application areas such as healthcare, sport,
security etc. However, the currently techniques of recognition are markedly
lacking in accuracy, hence, the present paper suggests a highly accurate method
for human activity classification. Wepropose a new workflow to address the HAR
problem and evaluate it on the UniMiB SHAR dataset, which consists of the
accelerometer signals. The model we suggest is based on continuous wavelet
transform (CWT) and convolutional neural networks (CNNs). Wavelet transform
localizes signal features both in time and frequency domains and after that a
CNN extracts these features and recognizes activity. It is also worth noting
that CWT converts 1D accelerometer signal into 2D images and thus enables to
obtain better results as 2D networks have a significantly higher predictive
capacity. In the course of the work we build a convolutional neural network and
vary such model parameters as number of spatial axes, number of layers, number
of neurons in each layer, image size, type of mother wavelet, the order of zero
moment of mother wavelet etc. Besides, we also apply models with residual
blocks which resulted in significantly higher metric values. Finally, we
succeed to reach 99.26 % accuracy and it is a worthy performance for this
problem.
- Abstract（参考訳）: 糖尿病患者や慢性疾患のある人、高齢者、障害者など、健康上の理由から永遠の監視を受ける人は非常に少なく、これらの集団は、生命を脅かすような転倒やシンコペに襲われるリスクが高まる可能性がある。
資源が限られているため、リスクのある人の大部分は必要な監視を受けられず、過度の危険にさらされる。
現在、この問題はHAR(Human Activity Recognition)手法を用いて解決されている。
HARは、医療、スポーツ、セキュリティなど、幅広い分野の応用分野を持つ、視点と速いペースのデータサイエンス分野である。
しかし,現在の認識技術では精度が著しく低いため,人間の行動分類の高精度な手法が提案されている。
我々は、HAR問題に対処する新しいワークフローを提案し、加速度センサ信号からなるUniMiB SHARデータセット上で評価する。
提案するモデルは連続ウェーブレット変換(CWT)と畳み込みニューラルネットワーク(CNN)に基づいている。
ウェーブレット変換は信号特徴を時間領域と周波数領域の両方にローカライズし、その後、cnnはこれらの特徴を抽出して活動を認識する。
また、CWTは1D加速度計信号を2D画像に変換するため、2Dネットワークの予測能力が著しく高いため、より良い結果が得られる。
研究の過程で、畳み込みニューラルネットワークを構築し、空間軸の数、層数、各層内のニューロン数、画像サイズ、母ウェーブレットの種類、母ウェーブレットのゼロモーメントの順序など、モデルパラメータを変化させる。
さらに,残差ブロックを持つモデルを適用することで,測定値が大きく向上する。
最後に、99.26パーセントの精度に達することに成功し、この問題に対して価値のあるパフォーマンスである。
関連論文リスト
- Millimeter Wave Radar-based Human Activity Recognition for Healthcare Monitoring Robot [8.98784164617929]
本稿では,人間活動のリアルタイム監視のための移動ロボット搭載mmWaveレーダシステムであるRobHARを提案する。
まず,ポイントクラウドの特徴を学習するために,クラウドベースのグローバルな埋め込みを提案する。
そして、双方向軽量LSTMモデル(BiLiLSTM)を用いて時間パターンを学習する。
論文 参考訳（メタデータ） (2024-05-03T06:57:59Z) - SLADE: Detecting Dynamic Anomalies in Edge Streams without Labels via Self-Supervised Learning [24.41015179377796]
本稿では,エッジストリーム中の動的異常を迅速に検出するためのSLADE(Self-supervised Learning for Anomaly Detection in Edge Streams)を提案する。
現実世界の4つのデータセットにわたる動的異常検出では、SLADEは9つの競合する手法より優れている。
論文 参考訳（メタデータ） (2024-02-19T08:19:26Z) - Disentangling Imperfect: A Wavelet-Infused Multilevel Heterogeneous
Network for Human Activity Recognition in Flawed Wearable Sensor Data [30.213716132980874]
センサデータ解析のためのマルチレベルヘテロジニアスニューラルネットワーク MHNN を提案する。
センサデータからマルチレベル離散ウェーブレット分解法を用いてマルチレゾリューション特徴を抽出する。
提案したモデルに,マルチスケール特徴の学習を可能にする異種特徴抽出器を装備する。
論文 参考訳（メタデータ） (2024-01-26T06:08:49Z) - Fully Spiking Actor Network with Intra-layer Connections for
Reinforcement Learning [51.386945803485084]
エージェントが制御する多次元決定論的ポリシーを学習する必要があるタスクに焦点をあてる。
既存のスパイクベースのRL法は、SNNの出力として発火率を取り、完全に接続された層を通して連続的なアクション空間(つまり決定論的なポリシー)を表すように変換する。
浮動小数点行列操作を伴わない完全にスパイクするアクターネットワークを開発するため,昆虫に見られる非スパイク介在ニューロンからインスピレーションを得た。
論文 参考訳（メタデータ） (2024-01-09T07:31:34Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - WiFi-TCN: Temporal Convolution for Human Interaction Recognition based
on WiFi signal [4.0773490083614075]
近年,Wi-Fiによる人間活動認識が注目されている。
Wi-FiベースのHARにまつわる課題は、シーンや被写体が変化するときのパフォーマンスが著しく低下することである。
本稿では,TN-AAと呼ばれる時間的畳み込みネットワークを利用した新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-05-21T08:37:32Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - DMS-GCN: Dynamic Mutiscale Spatiotemporal Graph Convolutional Networks
for Human Motion Prediction [8.142947808507365]
動作予測のためのフィードフォワードディープニューラルネットワークを提案する。
モデル全体がすべてのアクションに適合し、エンコーダ・デコーダのフレームワークに従う。
提案手法は,Human3.6MとCMU Mocapのデータセット上でSOTA法より優れている。
論文 参考訳（メタデータ） (2021-12-20T07:07:03Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。
そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。
MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
論文 参考訳（メタデータ） (2021-02-15T08:19:05Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z)
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。