論文の概要: FallDeF5: A Fall Detection Framework Using 5G-based Deep Gated Recurrent
Unit Networks
- arxiv url: http://arxiv.org/abs/2106.15049v1
- Date: Tue, 29 Jun 2021 01:31:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-01 06:08:36.814518
- Title: FallDeF5: A Fall Detection Framework Using 5G-based Deep Gated Recurrent
Unit Networks
- Title（参考訳）: FallDeF5: 5GベースのDeep Gated Recurrent Unit Networkを用いたフォール検出フレームワーク
- Authors: Mabrook S. Al-Rakhami, Abdu Gumaei1, Meteb Altaf, Mohammad Mehedi
Hassan, Bader Fahad Alkhamees, Khan Muhammad and Giancarlo Fortino
- Abstract要約: 本研究では,ディープラーニングアルゴリズムとモバイルエッジコンピューティングに基づく効果的な転倒検出フレームワークを提案する。
また,DGRU(Deep gated Recurrent Unit)ニューラルネットワークを用いて,既存のDLを用いた転倒検出手法の精度を向上させることを提案する。
- 参考スコア（独自算出の注目度）: 14.343733233707267
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fall prevalence is high among elderly people, which is challenging due to the
severe consequences of falling. This is why rapid assistance is a critical
task. Ambient assisted living (AAL) uses recent technologies such as 5G
networks and the internet of medical things (IoMT) to address this research
area. Edge computing can reduce the cost of cloud communication, including high
latency and bandwidth use, by moving conventional healthcare services and
applications closer to end-users. Artificial intelligence (AI) techniques such
as deep learning (DL) have been used recently for automatic fall detection, as
well as supporting healthcare services. However, DL requires a vast amount of
data and substantial processing power to improve its performance for the IoMT
linked to the traditional edge computing environment. This research proposes an
effective fall detection framework based on DL algorithms and mobile edge
computing (MEC) within 5G wireless networks, the aim being to empower
IoMT-based healthcare applications. We also propose the use of a deep gated
recurrent unit (DGRU) neural network to improve the accuracy of existing
DL-based fall detection methods. DGRU has the advantage of dealing with
time-series IoMT data, and it can reduce the number of parameters and avoid the
vanishing gradient problem. The experimental results on two public datasets
show that the DGRU model of the proposed framework achieves higher accuracy
rates compared to the current related works on the same datasets.
- Abstract（参考訳）: 高齢者の転倒率は高く、転倒による重篤な影響が原因で困難である。
これが迅速な支援が重要な課題である理由です。
環境支援生活(AAL)は、5Gネットワークや医療物のインターネット(IoMT)といった最近の技術を用いて、この研究領域に対処している。
エッジコンピューティングは、従来のヘルスケアサービスやアプリケーションをエンドユーザに近づけることで、高レイテンシや帯域幅使用を含むクラウド通信のコストを削減することができる。
ディープラーニング(DL)のような人工知能(AI)技術は、最近、自動転倒検出や医療サービスのサポートに使われている。
しかし、従来のエッジコンピューティング環境にリンクしたIoMTの性能を向上させるために、DLは膨大なデータと処理能力を必要としている。
本研究は、5G無線ネットワーク内におけるDLアルゴリズムと移動エッジコンピューティング(MEC)に基づく効果的な転倒検出フレームワークを提案する。
また,DGRU(Deep gated Recurrent Unit)ニューラルネットワークを用いて,既存のDLを用いた転倒検出手法の精度を向上させることを提案する。
DGRUは、時系列IoMTデータを扱う利点があり、パラメータの数を減らし、消滅する勾配問題を回避することができる。
2つの公開データセットに対する実験結果から,提案フレームワークのDGRUモデルが,同一データセット上の現在の関連する研究と比較して高い精度を達成することが示された。
関連論文リスト
- Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。
ディープラーニングによる異常検出が重要な方向として現れている。
エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文 参考訳（メタデータ） (2024-11-06T15:38:31Z) - Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。
提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。
主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
論文 参考訳（メタデータ） (2024-07-24T09:11:34Z) - Root Cause Analysis of Anomalies in 5G RAN Using Graph Neural Network and Transformer [0.9895793818721335]
5G無線アクセスネットワーク(RAN)における異常検出と根本原因解析のための最先端手法を提案する。
グラフネットワークを利用して空間的関係をキャプチャし、Transformerモデルを使用してデータの時間的依存関係を学習する。
結果は、Simbaの優位性を確認するために、既存のソリューションと比較される。
論文 参考訳（メタデータ） (2024-06-21T20:34:08Z) - PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly
Detection [65.24854366973794]
ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。
本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。
我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
論文 参考訳（メタデータ） (2023-10-18T02:59:57Z) - 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) - ADL-ID: Adversarial Disentanglement Learning for Wireless Device
Fingerprinting Temporal Domain Adaptation [10.757714954405378]
RFFPタスクの時間領域適応に対処するための教師なしドメイン適応フレームワークであるADL-IDを提案する。
我々のフレームワークは実際のLoRaおよびWiFiデータセットで評価され、ベースラインCNNネットワークと比較して約24%精度が向上した。
また、長期適応において、分類精度を最大9%向上させる。
論文 参考訳（メタデータ） (2023-01-29T04:52:41Z) - On-Device Domain Generalization [93.79736882489982]
ドメインの一般化はデバイス上の機械学習アプリケーションにとって重要である。
知識蒸留がこの問題の解決の有力な候補であることがわかった。
本研究では,教師が配布外データをどのように扱えるかを学生に教えることを目的とした,配布外知識蒸留(OKD)という簡単なアイデアを提案する。
論文 参考訳（メタデータ） (2022-09-15T17:59:31Z) - An adaptive cognitive sensor node for ECG monitoring in the Internet of
Medical Things [0.7646713951724011]
インターネット・オブ・メディカル・モノズ(IoMT)パラダイムは、複数の臨床試験や医療処置で主流になりつつある。
本研究では,資源制約型コンピューティングプラットフォームにおける認知データ解析アルゴリズムの実装について検討する。
コンボリューションニューラルネットワークを用いて心電図のトレースを分類する手法について検討した。
論文 参考訳（メタデータ） (2021-06-11T16:49:10Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。