論文の概要: Sedentary Behavior Estimation with Hip-worn Accelerometer Data: Segmentation, Classification and Thresholding

• arxiv url: http://arxiv.org/abs/2207.01809v1
• Date: Tue, 5 Jul 2022 05:01:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-07 02:40:45.735207
• Title: Sedentary Behavior Estimation with Hip-worn Accelerometer Data: Segmentation, Classification and Thresholding
• Title（参考訳）: ヒップウーン加速度計データを用いた鎮静行動推定:セグメンテーション, 分類, 閾値決定
• Authors: Yiren Wang, Fatima Tuz-Zahra, Rong Zablocki, Chongzhi Di, Marta M. Jankowska, John Bellettiere, Jordan A. Carlson, Andrea Z. LaCroix, Sheri J. Hartman, Dori E. Rosenberg, Jingjing Zou, Loki Natarajan
• Abstract要約: ヒップワーンデータに基づく鎮静行動推定の従来手法は、自由生活状況や主観と対象の変動において、しばしば無効または準最適である。 本稿では,この状況を考慮に入れた局所マルコフ切替モデルを提案し,そのモデルに自然に適合する姿勢分類と摂食行動解析の一般的な手順を提案する。
• 参考スコア（独自算出の注目度）: 1.9402357545481315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cohort studies are increasingly using accelerometers for physical activity and sedentary behavior estimation. These devices tend to be less error-prone than self-report, can capture activity throughout the day, and are economical. However, previous methods for estimating sedentary behavior based on hip-worn data are often invalid or suboptimal under free-living situations and subject-to-subject variation. In this paper, we propose a local Markov switching model that takes this situation into account, and introduce a general procedure for posture classification and sedentary behavior analysis that fits the model naturally. Our method features changepoint detection methods in time series and also a two stage classification step that labels data into 3 classes(sitting, standing, stepping). Through a rigorous training-testing paradigm, we showed that our approach achieves > 80% accuracy. In addition, our method is robust and easy to interpret.
• Abstract（参考訳）: コホート研究は、身体活動と鎮静行動推定に加速度計をますます利用している。 これらのデバイスは、自己報告よりもエラーの少ない傾向があり、一日中活動を取り込むことができ、経済的である。 しかし, 従来のヒップワーンデータに基づく鎮静行動推定法は, 自由生活条件や主観と対象の変動の下では, しばしば無効あるいは準最適である。 本稿では,このような状況を考慮した局所マルコフ切替モデルを提案し,そのモデルに自然に適合する姿勢分類と鎮静行動解析の一般的な手順を提案する。 本手法は,時系列における変化点検出手法と,データを3つのクラス(シッティング,スタンディング,ステッピング)に分類する2段階の分類ステップを特徴とする。 厳密なトレーニングテストパラダイムを通じて,我々のアプローチが80%以上の精度を達成することを実証した。 さらに,本手法は頑健であり,解釈が容易である。

関連論文リスト

• Accelerometer-Based Multivariate Time-Series Dataset for Calf Behavior Classification [0.7366868731714773]
  このデータセットは、アクセラレーション時系列から、事前に織り込まれたふくらはぎの振る舞いを分類するための、使用可能なデータセットである。 乳牛30頭には、生後1週間から13週間、ネックカラーに取り付けられた3D加速度センサーが装着された。
  論文  参考訳（メタデータ） (2024-08-20T08:11:54Z)
• Adaptive Cascading Network for Continual Test-Time Adaptation [12.718826132518577]
  そこで本研究では,テスト時に対象ドメインの列に事前学習したソースモデルを適応させることを目標とする連続的なテスト時間適応の問題について検討する。 テストタイムトレーニングの既存の方法には、いくつかの制限がある。
  論文  参考訳（メタデータ） (2024-07-17T01:12:57Z)
• Adaptive Rentention & Correction for Continual Learning [114.5656325514408]
  連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。 アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。 ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-05-23T08:43:09Z)
• Efficient Transferability Assessment for Selection of Pre-trained Detectors [63.21514888618542]
  本稿では,事前学習対象検出器の効率的な伝達性評価について検討する。 我々は、事前訓練された検出器の大規模で多様な動物園を含む検出器転送性ベンチマークを構築した。 実験により,本手法は伝達性の評価において,他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-14T14:23:23Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• Continual Test-Time Domain Adaptation [94.51284735268597]
  テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。 CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
  論文  参考訳（メタデータ） (2022-03-25T11:42:02Z)
• Self-supervised Pretraining with Classification Labels for Temporal Activity Detection [54.366236719520565]
  時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。 検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。 本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-26T18:59:28Z)
• Unsupervised Difficulty Estimation with Action Scores [7.6146285961466]
  トレーニング中の各サンプルの損失の蓄積に基づいて,難易度を簡易に算出する手法を提案する。 提案手法では,コールバックとして実装できるため,外部監視も不要である。
  論文  参考訳（メタデータ） (2020-11-23T15:18:44Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。