論文の概要: Human Activity Recognition models using Limited Consumer Device Sensors
and Machine Learning
- arxiv url: http://arxiv.org/abs/2201.08565v1
- Date: Fri, 21 Jan 2022 06:54:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-24 19:17:45.853519
- Title: Human Activity Recognition models using Limited Consumer Device Sensors
and Machine Learning
- Title（参考訳）: 限定消費者デバイスセンサと機械学習を用いた人間活動認識モデル
- Authors: Rushit Dave, Naeem Seliya, Mounika Vanamala, Wei Tee
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human activity recognition has grown in popularity with its increase of
applications within daily lifestyles and medical environments. The goal of
having efficient and reliable human activity recognition brings benefits such
as accessible use and better allocation of resources; especially in the medical
industry. Activity recognition and classification can be obtained using many
sophisticated data recording setups, but there is also a need in observing how
performance varies among models that are strictly limited to using sensor data
from easily accessible devices: smartphones and smartwatches. This paper
presents the findings of different models that are limited to train using such
sensors. The models are trained using either the k-Nearest Neighbor, Support
Vector Machine, or Random Forest classifier algorithms. Performance and
evaluations are done by comparing various model performances using different
combinations of mobile sensors and how they affect recognitive performances of
models. Results show promise for models trained strictly using limited sensor
data collected from only smartphones and smartwatches coupled with traditional
machine learning concepts and algorithms.
- Abstract（参考訳）: 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。
効率的で信頼性の高い人的活動認識を実現するという目標は、特に医療産業において、アクセス可能な使用やリソースの割り当ての改善といったメリットをもたらす。
アクティビティの認識と分類は、多くの高度なデータ記録設定を使って得られるが、簡単にアクセス可能なデバイス(スマートフォンやスマートウォッチ)からのセンサデータの使用に厳密に制限されるモデル間で、パフォーマンスがどのように変化するかを観察する必要性もある。
本稿では,そのようなセンサを用いた訓練に限られるモデルについて述べる。
モデルはk-Nearest Neighbor、Support Vector Machineまたはランダムフォレスト分類アルゴリズムを用いて訓練される。
移動センサの異なる組み合わせを用いて様々なモデル性能を比較し,その性能と評価を行う。
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。
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) - Efficient Adaptive Human-Object Interaction Detection with
Concept-guided Memory [64.11870454160614]
概念誘導メモリ(ADA-CM)を用いた適応型HOI検出器を提案する。
ADA-CMには2つの操作モードがある。最初のモードでは、トレーニング不要のパラダイムで新しいパラメータを学習することなくチューニングできる。
提案手法は, HICO-DET と V-COCO のデータセットに対して, より少ないトレーニング時間で, 最新技術による競合的な結果を得る。
論文 参考訳（メタデータ） (2023-09-07T13:10:06Z) - Robust Activity Recognition for Adaptive Worker-Robot Interaction using
Transfer Learning [0.0]
本稿では,建設労働者の行動認識のための伝達学習手法を提案する。
開発したアルゴリズムは、オリジナルの著者によって事前訓練されたモデルから特徴を伝達し、それらを下流のアクティビティ認識タスクのために微調整する。
その結果, 微調整モデルでは, 異なるMMHタスクを頑健かつ適応的に認識できることが示唆された。
論文 参考訳（メタデータ） (2023-08-28T19:03:46Z) - Human Activity Recognition Using Self-Supervised Representations of
Wearable Data [0.0]
HAR(Human Activity Recognition)のための正確なアルゴリズムの開発は、大規模な実世界のラベル付きデータセットの欠如によって妨げられている。
ここでは、トレーニング中に見えない実世界のデータセットで評価した場合、高い性能を有する6クラスHARモデルを開発する。
論文 参考訳（メタデータ） (2023-04-26T07:33:54Z) - Muscle Vision: Real Time Keypoint Based Pose Classification of Physical
Exercises [52.77024349608834]
ビデオから外挿された3D人間のポーズ認識は、リアルタイムソフトウェアアプリケーションを可能にするまで進歩した。
本稿では,ライブビデオフィード上で人間のポーズ認識を行う新しい機械学習パイプラインとWebインターフェースを提案する。
論文 参考訳（メタデータ） (2022-03-23T00:55:07Z) - STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。
実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
論文 参考訳（メタデータ） (2021-07-15T02:53:11Z) - Human Activity Analysis and Recognition from Smartphones using Machine
Learning Techniques [0.0]
人間の活動認識(HAR)は、過去数十年で貴重な研究トピックと考えられています。
本稿では、機械学習モデルを用いてデータを分析し、人間の活動を認識する。
論文 参考訳（メタデータ） (2021-03-30T16:46:40Z) - SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。
動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。
評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7～13%向上し,環境のダイナミクスが最大30%向上することがわかった。
論文 参考訳（メタデータ） (2020-12-04T23:06:56Z) - Federated Learning with Heterogeneous Labels and Models for Mobile
Activity Monitoring [0.7106986689736827]
デバイス上でのフェデレーション学習は、分散的で協調的な機械学習に効果的なアプローチであることが証明されている。
本稿では,複数の活動にまたがる重なり合う情報ゲインを利用したラベルに基づくアグリゲーションのためのフレームワークを提案する。
Raspberry Pi 2上のHeterogeneity Human Activity Recognition (HHAR)データセットによる経験的評価は、決定論的精度が少なくとも11.01%向上したことを示している。
論文 参考訳（メタデータ） (2020-12-04T11:44:17Z) - Sensor Data for Human Activity Recognition: Feature Representation and
Benchmarking [27.061240686613182]
HAR(Human Activity Recognition)の分野は、監視装置(センサなど)から取得したデータを取得し、分析することに焦点を当てている。
我々は、異なる機械学習(ML)技術を用いて、人間のアクティビティを正確に認識する問題に対処する。
論文 参考訳（メタデータ） (2020-05-15T00:46:55Z) - A Data and Compute Efficient Design for Limited-Resources Deep Learning [68.55415606184]
同変ニューラルネットワークは 深層学習コミュニティへの関心を高めています
医療分野では、データの対称性を効果的に活用して、より正確で堅牢なモデルの構築に成功している。
ディープ・ラーニング・ソリューションのモバイル・オン・デバイス実装は医療応用のために開発されている。
しかし、同変モデルは大規模で計算コストのかかるアーキテクチャを用いて一般的に実装されており、モバイルデバイス上では動作しない。
本研究では、MobileNetV2の同変バージョンを設計、テストし、さらにモデル量子化により最適化し、より効率的な推論を可能にする。
論文 参考訳（メタデータ） (2020-04-21T00:49:11Z)
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。