論文の概要: RunnerDNA: Interpretable indicators and model to characterize human
activity pattern and individual difference
- arxiv url: http://arxiv.org/abs/2201.07370v1
- Date: Wed, 19 Jan 2022 01:09:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 12:31:45.084169
- Title: RunnerDNA: Interpretable indicators and model to characterize human
activity pattern and individual difference
- Title（参考訳）: RunnerDNA:人間の行動パターンと個人差を特徴づける解釈可能な指標とモデル
- Authors: Yao Yao, Zhuolun Wang, Peng Luo, Hanyu Yin, Ziqi Liu, Jiaqi Zhang,
Nengjing Guo, Qingfeng Guan
- Abstract要約: 5つの解釈可能な指標、バランス、ストライド、ステアリング、安定性、振幅からなるRunnerDNAの概念が、個々のレベルでの人間の活動を記述するために提案された。
歩行,ランニング,自転車などの身体活動に従事するボランティア33名を対象に,スマートフォンのマルチセンサデータを収集した。
インジケータはランダムな森林モデルを構築し、運動活動とユーザのアイデンティティを認識するために使用される。
- 参考スコア（独自算出の注目度）: 8.820303797376752
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Human activity analysis based on sensor data plays a significant role in
behavior sensing, human-machine interaction, health care, and so on. The
current research focused on recognizing human activity and posture at the
activity pattern level, neglecting the effective fusion of multi-sensor data
and assessing different movement styles at the individual level, thus
introducing the challenge to distinguish individuals in the same movement. In
this study, the concept of RunnerDNA, consisting of five interpretable
indicators, balance, stride, steering, stability, and amplitude, was proposed
to describe human activity at the individual level. We collected smartphone
multi-sensor data from 33 volunteers who engaged in physical activities such as
walking, running, and bicycling and calculated the data into five indicators of
RunnerDNA. The indicators were then used to build random forest models and
recognize movement activities and the identity of users. The results show that
the proposed model has high accuracy in identifying activities (accuracy of
0.679) and is also effective in predicting the identity of running users.
Furthermore, the accuracy of the human activity recognition model has
significant improved by combing RunnerDNA and two motion feature indicators,
velocity, and acceleration. Results demonstrate that RunnerDNA is an effective
way to describe an individual's physical activity and helps us understand
individual differences in sports style, and the significant differences in
balance and amplitude between men and women were found.
- Abstract（参考訳）: センサデータに基づく人間活動分析は、行動センシング、人間と機械の相互作用、医療などにおいて重要な役割を果たす。
現在の研究は、活動パターンレベルでの人間の活動と姿勢の認識、マルチセンサーデータの効果的な融合を無視し、個人レベルでの異なる動きのスタイルを評価することに焦点を当て、同じ動きの個人を識別する課題を導入する。
本研究では,5つの解釈可能な指標,バランス,ストライド,ステアリング,安定性,振幅からなるRunnerDNAの概念を,個人レベルでの人間の活動を記述するために提案した。
歩行,ランニング,自転車などの身体活動に従事するボランティア33名のスマートフォンマルチセンサデータを収集し,そのデータをRunnerDNAの5つの指標に算出した。
インジケータはランダムな森林モデルを構築し、運動活動とユーザのアイデンティティを認識するために使用される。
その結果,提案モデルではアクティビティの同定に精度が高く(精度0.679),実行中のユーザの同一性を予測する上でも有効であることがわかった。
さらに、人間の行動認識モデルの精度は、RunnerDNAと2つの運動特徴指標、速度、加速度を組み合わせることで大幅に向上した。
その結果、RunnerDNAは個人の身体活動を記述する効果的な方法であり、スポーツスタイルの個人差を理解するのに役立ち、男女間のバランスと振幅の顕著な違いが発見された。
関連論文リスト
- CLAN: A Contrastive Learning based Novelty Detection Framework for Human
Activity Recognition [3.0108863071498035]
CLANは、人間の活動認識のための2段階のコントラスト学習に基づく新規性検出フレームワークである。
それは、時間的および周波数的特徴の重要さを含む、人間の活動特性に関する課題に合わせたものである。
4つの実世界の人間活動データセットの実験により、CLANは既存の新規性検出手法の最高の性能を上回っていることが示された。
論文 参考訳（メタデータ） (2024-01-17T03:57:36Z) - Unsupervised Embedding Learning for Human Activity Recognition Using
Wearable Sensor Data [2.398608007786179]
我々は,人間の活動が密接な位置にある埋め込み空間に投影する,教師なしの手法を提案する。
3つのラベル付きベンチマークデータセットの実験結果は、フレームワークの有効性を示している。
論文 参考訳（メタデータ） (2023-07-21T08:52:47Z) - A Real-time Human Pose Estimation Approach for Optimal Sensor Placement
in Sensor-based Human Activity Recognition [63.26015736148707]
本稿では,人間の行動認識に最適なセンサ配置の課題を解決するための新しい手法を提案する。
得られた骨格データは、最適なセンサ位置を特定するためのユニークな戦略を提供する。
本研究は,センサ配置の視覚的手法が従来のディープラーニング手法と同等の結果をもたらすことを示唆している。
論文 参考訳（メタデータ） (2023-07-06T10:38:14Z) - 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) - Multi-Channel Time-Series Person and Soft-Biometric Identification [65.83256210066787]
本研究は, 深層建築を用いて異なる活動を行う人間の記録から, 個人とソフトバイオメトリックスを同定する。
マルチチャネル時系列ヒューマンアクティビティ認識(HAR)の4つのデータセットに対する手法の評価を行った。
ソフトバイオメトリクスに基づく属性表現は、有望な結果を示し、より大きなデータセットの必要性を強調している。
論文 参考訳（メタデータ） (2023-04-04T07:24:51Z) - 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) - The world seems different in a social context: a neural network analysis
of human experimental data [57.729312306803955]
本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。
トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
論文 参考訳（メタデータ） (2022-03-03T17:19:12Z) - HHAR-net: Hierarchical Human Activity Recognition using Neural Networks [2.4530909757679633]
本研究では,人間の行動を認識するためにニューラルネットワークを用いた階層型分類を構築することを目的とする。
このデータセットは、野生で収集され、スマートフォンやスマートウォッチからのデータを含んでいる。
論文 参考訳（メタデータ） (2020-10-28T17:06:42Z) - Action similarity judgment based on kinematic primitives [48.99831733355487]
運動学に基づく計算モデルが動作類似性を決定する範囲について検討する。
選択されたモデルは、発達ロボティクスにルーツを持ち、学習されたキネマティックプリミティブに基づいて行動分類を行う。
その結果, 動作類似性タスクにおいて, モデルと人的性能の双方が, 運動レベルの特徴に基づく精度が高いことがわかった。
論文 参考訳（メタデータ） (2020-08-30T13:58:47Z) - Human Activity Recognition based on Dynamic Spatio-Temporal Relations [10.635134217802783]
1つの人間の行動の記述と、連続する人間の行動の進化のモデル化は、人間の活動認識における2つの主要な問題である。
これら2つの課題に対処する人間行動認識手法を開発した。
論文 参考訳（メタデータ） (2020-06-29T15:49:34Z)
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。