論文の概要: Physical Activity Recognition by Utilising Smartphone Sensor Signals

• arxiv url: http://arxiv.org/abs/2201.08688v1
• Date: Thu, 20 Jan 2022 09:58:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-24 22:41:13.707562
• Title: Physical Activity Recognition by Utilising Smartphone Sensor Signals
• Title（参考訳）: スマートフォンセンサ信号を用いた身体活動認識
• Authors: Abdulrahman Alruban, Hind Alobaidi, Nathan Clarke' Fudong Li
• Abstract要約: 本研究では,現代のスマートフォンでジャイロスコープと加速度センサによって記録された計6つの活動に対して,60人の被験者から2日間にわたる人的活動データを収集した。 提案手法は,4つの活動の識別において,98%の分類精度を達成した。
• 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 physical motion activity identification has many potential applications in various fields, such as medical diagnosis, military sensing, sports analysis, and human-computer security interaction. With the recent advances in smartphones and wearable technologies, it has become common for such devices to have embedded motion sensors that are able to sense even small body movements. This study collected human activity data from 60 participants across two different days for a total of six activities recorded by gyroscope and accelerometer sensors in a modern smartphone. The paper investigates to what extent different activities can be identified by utilising machine learning algorithms using approaches such as majority algorithmic voting. More analyses are also provided that reveal which time and frequency domain based features were best able to identify individuals motion activity types. Overall, the proposed approach achieved a classification accuracy of 98 percent in identifying four different activities: walking, walking upstairs, walking downstairs, and sitting while the subject is calm and doing a typical desk-based activity.
• Abstract（参考訳）: ヒトの身体運動活動の同定は、医療診断、軍事センシング、スポーツ分析、人間とコンピュータのセキュリティ相互作用など、様々な分野において多くの潜在的な応用がある。 近年のスマートフォンやウェアラブル技術の進歩により、こうしたデバイスは、小さな体の動きさえ感知できる組込みモーションセンサーを持つことが一般的になっている。 本研究では,現代のスマートフォンでジャイロスコープと加速度センサによって記録された計6つの活動に対して,60人の被験者から2日間にわたる人的活動データを収集した。 本稿では,多数決アルゴリズム投票などの手法を用いて,機械学習アルゴリズムを用いて,さまざまな活動がどの程度特定できるかを検討する。 さらに分析することで、どの時間と周波数領域に基づく特徴が個人の動きのタイプを識別できるかを明らかにすることができる。 概して,提案手法は,歩行,上階歩行,下階歩行,着座の4つの異なる活動の識別において,98パーセントの識別精度を達成し,被験者が落ち着き,典型的なデスクベースの活動を行った。

関連論文リスト

• Human Activity Recognition using Smartphones [0.0]
  私たちは、日々の人間の活動を認識し、消費カロリーをリアルタイムで計算するAndroidアプリケーションを作成しました。 これは、メタボリック等価性に基づく式を用いて、リアルタイムな活動認識とカロリー燃焼の計算に使用される。
  論文  参考訳（メタデータ） (2024-04-03T17:05:41Z)
• 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)
• 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)
• Your Day in Your Pocket: Complex Activity Recognition from Smartphone Accelerometers [7.335712499936904]
  本稿では,スマートフォン加速度計データのみを用いた複雑な活動の認識について検討する。 パンデミックの間、私たちは5カ国600人以上のユーザーから収集された大規模なスマートフォンセンシングデータセットを使用しました。 ディープラーニングに基づく8つの複雑なアクティビティのバイナリ分類は、AUROCスコアが部分的にパーソナライズされたモデルで最大0.76に達することで達成できる。
  論文  参考訳（メタデータ） (2023-01-17T16:22:30Z)
• Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A Survey [71.43956423427397]
  本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。 この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。 もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
  論文  参考訳（メタデータ） (2022-07-20T13:37:57Z)
• 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)
• 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)
• Classifying Human Activities with Inertial Sensors: A Machine Learning Approach [0.0]
  HAR(Human Activity Recognition)は、現在進行中の研究課題である。 医療サポート、スポーツ、フィットネス、ソーシャルネットワーキング、ヒューマン・コンピュータ・インタフェース、シニア・ケア、エンターテイメント、監視などの分野に応用されている。 スマートフォンの慣性センサデータを用いて,人間活動認識のための機械学習と深層学習のアプローチを検討した。
  論文  参考訳（メタデータ） (2021-11-09T08:17:33Z)
• Domain and Modality Gaps for LiDAR-based Person Detection on Mobile Robots [91.01747068273666]
  本稿では,移動ロボットのシナリオに着目した既存のLiDAR人物検出装置について検討する。 実験は3Dと2D LiDARのセンサー間のモダリティのギャップだけでなく、運転と移動ロボットのシナリオ間の領域ギャップを回避している。 その結果、LiDARに基づく人物検出の実践的な洞察を与え、関連する移動ロボットの設計と応用に関する情報決定を容易にする。
  論文  参考訳（メタデータ） (2021-06-21T16:35:49Z)
• 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)
• Human Activity Recognition using Inertial, Physiological and Environmental Sensors: a Comprehensive Survey [3.1166345853612296]
  本研究は, 慣性センサと生理・環境センサを併用したHARアプリケーションの開発において, 機械学習が重要な役割を担っていることに焦点を当てる。 Harは、認知機能や身体機能を監視することで、高齢者の日常生活を支援する最も有望な補助的技術ツールの1つと考えられている。
  論文  参考訳（メタデータ） (2020-04-19T11:32:35Z)

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。