論文の概要: SELF-CARE: Selective Fusion with Context-Aware Low-Power Edge Computing for Stress Detection

• arxiv url: http://arxiv.org/abs/2205.03974v1
• Date: Sun, 8 May 2022 23:52:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-10 17:29:58.597678
• Title: SELF-CARE: Selective Fusion with Context-Aware Low-Power Edge Computing for Stress Detection
• Title（参考訳）: SELF-CARE:ストレス検出のためのコンテキスト対応低消費電力エッジコンピューティングによる選択的融合
• Authors: Nafiul Rashid, Trier Mortlock, Mohammad Abdullah Al Faruque
• Abstract要約: 本研究では,コンテキスト認識型選択的センサフュージョンを用いたストレス検出のための完全手首ベース手法を提案する。 本手法は,動作を用いてシステムのコンテキストを判断し,それに応じて融合センサの調整を学習する。 従来のセンサフュージョンに比べて2.2x(3-クラス)と2.7x(2-クラス)のエネルギー効率を実現している。
• 参考スコア（独自算出の注目度）: 9.21629452868642
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting human stress levels and emotional states with physiological body-worn sensors is a complex task, but one with many health-related benefits. Robustness to sensor measurement noise and energy efficiency of low-power devices remain key challenges in stress detection. We propose SELFCARE, a fully wrist-based method for stress detection that employs context-aware selective sensor fusion that dynamically adapts based on data from the sensors. Our method uses motion to determine the context of the system and learns to adjust the fused sensors accordingly, improving performance while maintaining energy efficiency. SELF-CARE obtains state-of-the-art performance across the publicly available WESAD dataset, achieving 86.34% and 94.12% accuracy for the 3-class and 2-class classification problems, respectively. Evaluation on real hardware shows that our approach achieves up to 2.2x (3-class) and 2.7x (2-class) energy efficiency compared to traditional sensor fusion.
• Abstract（参考訳）: 人間のストレスレベルや感情状態を生理的な身体のセンサーで検出することは複雑な作業だが、多くの健康関連の利点がある。 低消費電力デバイスのセンサ測定ノイズとエネルギー効率に対するロバスト性は、ストレス検出の重要な課題である。 センサのデータに基づいて動的に適応する文脈認識型選択的センサ融合を用いたストレス検出のための完全手首法SELFCAREを提案する。 本手法は, 動作を用いてシステムのコンテキストを判断し, 融合センサの調整を学習し, エネルギー効率を保ちながら性能を向上する。 SELF-CAREは3クラスと2クラスの分類問題に対してそれぞれ86.34%と94.12%の精度で、一般公開されたWESADデータセットの最先端性能を得る。 実ハードウェア評価の結果,従来のセンサフュージョンに比べて2.2倍(3クラス)と2.7倍(2クラス)のエネルギー効率が得られた。

関連論文リスト

• Condition-Aware Multimodal Fusion for Robust Semantic Perception of Driving Scenes [56.52618054240197]
  本研究では,運転シーンのロバストな意味認識のための条件対応型マルチモーダル融合手法を提案する。 CAFuserは、RGBカメラ入力を用いて環境条件を分類し、複数のセンサの融合を誘導するコンディショントークンを生成する。 MUSESデータセットでは,マルチモーダルパノプティクスセグメンテーションの59.7 PQ,セマンティックセグメンテーションの78.2 mIoU,公開ベンチマークの1位にランクインした。
  論文  参考訳（メタデータ） (2024-10-14T17:56:20Z)
• AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation Using Intelligent Sensing System [52.93806509364342]
  本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。 本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。 本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
  論文  参考訳（メタデータ） (2023-12-18T12:37:35Z)
• Deep convolutional neural networks for cyclic sensor data [0.0]
  本研究では,センサによる条件モニタリングに焦点をあて,深層学習技術の応用について検討する。 本研究は,従来手法を用いたベースラインモデル,早期センサフュージョンを用いた単一CNNモデル,後期センサフュージョンを用いた2車線CNNモデル (2L-CNN) の3つのモデルの性能を比較した。
  論文  参考訳（メタデータ） (2023-08-14T07:51:15Z)
• Design Space Exploration on Efficient and Accurate Human Pose Estimation from Sparse IMU-Sensing [0.04594153909580514]
  HPE(Human Pose Estimation)は、スポーツ、リハビリテーション、仕事の安全などにおいて、個人データを損なうことなく正確な感覚を必要とする。 ハードウェアリソースの正確性と効率的な利用との間の中心的なトレードオフは、研究ではほとんど議論されない。 我々は、センサ構成の異なる公開ボディモデルデータセットからIMUデータを生成し、このデータでディープラーニングモデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-07-21T13:36:49Z)
• 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)
• CARMA: Context-Aware Runtime Reconfiguration for Energy-Efficient Sensor Fusion [11.313017866190622]
  CARMA: 実行時にコンテキストを用いて計算フローを再構成するコンテキスト認識型センサ融合手法を提案する。 CARMAは、性能を損なうことなく、多感性物体検出器によって使用されるエネルギーを著しく削減する。 我々は,複数の文脈識別戦略を評価し,新しいシステム全体のエネルギーパフォーマンス共同最適化を提案し,シナリオ固有の知覚性能を評価する。
  論文  参考訳（メタデータ） (2023-06-27T19:00:07Z)
• Learning from the Best: Contrastive Representations Learning Across Sensor Locations for Wearable Activity Recognition [6.458496335718508]
  本稿では,トレーニングプロセス中にのみ存在し,後続のシステムでは利用できないセンサからの情報の利用を容易にする手法を提案する。 この方法は、ソースセンサからの情報を、コントラストロスを介して、ターゲットセンサデータの潜在表現に転送する。 本手法は, 平均F1スコアを5%から13%の精度で評価し, PAMAP2およびOpportunityベンチマークを用いて, 平均F1スコアを5%から13%の精度で評価した。
  論文  参考訳（メタデータ） (2022-10-04T08:33:22Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• AMSER: Adaptive Multi-modal Sensing for Energy Efficient and Resilient eHealth Systems [5.04685484754788]
  感覚データ取得時のノイズの多い入力と動きアーチファクトは、eHealthサービスの予測精度とレジリエンスに影響を与える。 本稿では,ガベージインガベージアウトを軽減できるマルチモーダルeHealthアプリケーション AMSER のためのクローズドループモニタリングおよび制御フレームワークを提案する。 提案手法は, 予測精度が最大22%向上し, 5.6$times$ Energy consumption reduction in the sensor phaseが得られた。
  論文  参考訳（メタデータ） (2021-12-13T00:52:33Z)
• 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)
• AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement with Neural Searching [76.4844593082362]
  既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。 総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
  論文  参考訳（メタデータ） (2020-04-26T05:43:21Z)

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。