論文の概要: MyMove: Facilitating Older Adults to Collect In-Situ Activity Labels on a Smartwatch with Speech

• arxiv url: http://arxiv.org/abs/2204.00145v1
• Date: Fri, 1 Apr 2022 00:37:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-05 01:08:10.505003
• Title: MyMove: Facilitating Older Adults to Collect In-Situ Activity Labels on a Smartwatch with Speech
• Title（参考訳）: MyMove:音声でスマートウォッチ上で高齢者の行動ラベルを収集する
• Authors: Young-Ho Kim, Diana Chou, Bongshin Lee, Margaret Danilovich, Amanda Lazar, David E. Conroy, Hernisa Kacorri, Eun Kyoung Choe
• Abstract要約: MyMoveは音声ベースのスマートウォッチアプリで、撮影時の負担を低く抑えることができる。 我々は7日間の展開調査を行い、13人の高齢者が大腿のアクティビティモニターを着用しながら活動ラベルとスマートウォッチセンサーのデータを収集した。 作業レベルとタイムパンに応じた1,885のアクティビティを抽出し,これらのレポートを活性ラベルとしての有用性について検討した。
• 参考スコア（独自算出の注目度）: 39.485681004765645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current activity tracking technologies are largely trained on younger adults' data, which can lead to solutions that are not well-suited for older adults. To build activity trackers for older adults, it is crucial to collect training data with them. To this end, we examine the feasibility and challenges with older adults in collecting activity labels by leveraging speech. Specifically, we built MyMove, a speech-based smartwatch app to facilitate the in-situ labeling with a low capture burden. We conducted a 7-day deployment study, where 13 older adults collected their activity labels and smartwatch sensor data, while wearing a thigh-worn activity monitor. Participants were highly engaged, capturing 1,224 verbal reports in total. We extracted 1,885 activities with corresponding effort level and timespan, and examined the usefulness of these reports as activity labels. We discuss the implications of our approach and the collected dataset in supporting older adults through personalized activity tracking technologies.
• Abstract（参考訳）: 現在の活動追跡技術は、主に若い成人のデータに基づいて訓練されており、高齢者には適さないソリューションにつながる可能性がある。 高齢者向けアクティビティトラッカを構築するには,彼らとのトレーニングデータ収集が不可欠である。 そこで本稿では, 高齢者が活動ラベルを収集する際の課題とその実現可能性について検討する。 具体的には、音声ベースのスマートウォッチアプリmymoveを開発した。 高齢者13名の活動ラベルとスマートウォッチのセンサデータを収集し,大腿部活動モニターを装着した7日間の展開調査を行った。 参加者は非常に熱心で、合計で1,224件の報告を収集した。 努力レベルとタイムスパンに応じた1,885のアクティビティを抽出し,これらのレポートを活動ラベルとしての有用性を検討した。 個人化された活動追跡技術を用いて,高齢者支援におけるアプローチと収集データセットの影響について考察した。

関連論文リスト

• Non-stationary BERT: Exploring Augmented IMU Data For Robust Human Activity Recognition [12.175145985669642]
  HAR(Human Activity Recognition)は、モバイルデバイスの普及により、研究者から大きな注目を集めている。 本研究では、携帯電話IMUデータからなるOPPOHARと呼ばれる人間の活動認識データセットを収集する。 本研究では,ユーザ固有のアクティビティ認識を実現するための2段階のトレーニング手法により,非定常BERTと呼ばれる新しい軽量ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-09-25T08:28:54Z)
• Unsupervised Human Activity Recognition through Two-stage Prompting with ChatGPT [9.339374893225111]
  本稿では、まずChatGPTを誘導し、オブジェクトに関連するアクティビティ記述を生成する2段階のプロンプトエンジニアリングを提案する。 これは、ChatGPTを用いて、教師なしの方法で物体を用いて活動を認識する最初の研究である。
  論文  参考訳（メタデータ） (2023-06-03T15:41:59Z)
• 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)
• 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)
• Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
  我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。 まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。 トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
  論文  参考訳（メタデータ） (2022-11-24T13:18:27Z)
• In-vehicle alertness monitoring for older adults [63.359033532099204]
  高齢者に対する車内警戒監視システムを提案する。 高齢者10名(70歳以上)を対象に,プロトタイプトラベラー監視システムを実装し,警報検出アルゴリズムの評価を行った。 本研究は, 人口調査対象者を対象とした最初の研究であり, 参加型手法によるアルゴリズム開発とシステム設計に関する今後の研究に影響を及ぼすものである。
  論文  参考訳（メタデータ） (2022-08-17T06:07:37Z)
• Fine-grained Activities of People Worldwide [2.064612766965483]
  Collectorはビデオを記録する無料のモバイルアプリで、同意された被験者のオブジェクトやアクティビティを同時にアノテートする。 CAPデータセットには、33カ国で780人の被験者が収集した、512の細粒度の活動ラベルの1.45Mのビデオクリップが含まれている。
  論文  参考訳（メタデータ） (2022-07-11T20:38:10Z)
• Domain Adaptation Under Behavioral and Temporal Shifts for Natural Time Series Mobile Activity Recognition [31.43183992755392]
  既存のデータセットは典型的にはスクリプト化された動きで構成されている。 我々の長期的な目標は、自然環境下でのモバイル活動認識を行うことです。 ヒトの行動に大きな変化があるため、2つの異なる年齢グループから多くの参加者からデータを収集します。
  論文  参考訳（メタデータ） (2022-07-10T02:48:34Z)
• HAR-GCNN: Deep Graph CNNs for Human Activity Recognition From Highly Unlabeled Mobile Sensor Data [61.79595926825511]
  正確な活動ラベルを含むバランスのとれたデータセットを取得するには、人間が正しく注釈を付け、リアルタイムで被験者の通常の活動に干渉する必要がある。 本研究では,HAR-GCCNモデルを提案する。HAR-GCCNは,時系列に隣接したセンサ測定の相関を利用して,不特定活動の正確なラベルを予測する。 Har-GCCNは、これまで使用されていたベースライン手法と比較して優れたパフォーマンスを示し、分類精度を25%改善し、異なるデータセットで最大68%向上した。
  論文  参考訳（メタデータ） (2022-03-07T01:23:46Z)
• ZSTAD: Zero-Shot Temporal Activity Detection [107.63759089583382]
  本研究では,ゼロショット時間的活動検出(ZSTAD)と呼ばれる新たなタスク設定を提案する。 このソリューションのアーキテクチャとして,R-C3Dに基づくエンドツーエンドのディープネットワークを設計する。 THUMOS14とCharadesデータセットの両方の実験は、目に見えない活動を検出するという点で有望なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2020-03-12T02:40:36Z)

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。