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
- 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) - Automatic Change-Point Detection in Time Series via Deep Learning [8.43086628139493]
ニューラルネットワークのトレーニングに基づいて,新しいオフライン検出手法を自動生成する方法を示す。
本稿では,そのような手法の誤差率を定量化する理論について述べる。
また,加速度計データに基づく活動変化の検出と位置推定にも強い効果が得られた。
論文 参考訳(メタデータ) (2022-11-07T20:59:14Z) - Heatmap Regression for Lesion Detection using Pointwise Annotations [3.6513059119482145]
本稿では,点ラベルのみに依存する病変検出手法を提案する。
熱マップ回帰を用いてトレーニングした本モデルでは, 確率論的手法により, 種々の病変を検出できる。
Gad病変検出実験の結果,高額なセグメンテーションラベルのトレーニングと比較し,ポイントベース法と競合する結果が得られた。
論文 参考訳(メタデータ) (2022-08-11T17:26:09Z) - IMU Based Deep Stride Length Estimation With Self-Supervised Learning [0.1246030133914898]
本稿では,1ストライドあたりのランニングおよびウォーキングのストライド長を予測し,ランニングタイプやウォーキングタイプを分類するために,単一畳み込みニューラルネットワーク(CNN)モデルを提案する。
提案モデルでは,従来の手法と比較して平均誤差が4.78%,ランニング・ストライド長の回帰が99.83%,ランニング・アンド・ウォーキングの精度が99.83%向上した。
論文 参考訳(メタデータ) (2022-05-06T01:48:39Z) - 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) - Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。
分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。
本手法は精度と不確実性の両方を向上することを示す。
論文 参考訳(メタデータ) (2021-09-27T01:09:08Z) - 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。