論文の概要: Smart-Badge: A wearable badge with multi-modal sensors for kitchen
activity recognition
- arxiv url: http://arxiv.org/abs/2210.00888v1
- Date: Mon, 3 Oct 2022 12:52:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 17:37:37.633207
- Title: Smart-Badge: A wearable badge with multi-modal sensors for kitchen
activity recognition
- Title(参考訳): Smart-Badge:キッチンアクティビティ認識のためのマルチモーダルセンサーを備えたウェアラブルバッジ
- Authors: Mengxi Liu, Sungho Suh, Bo Zhou, Agnes Gruenerbl and Paul Lukowicz
- Abstract要約: 我々は、プライバシー保護、低コスト、非侵襲機能を備えた赤外線アレイセンサーMLX90640を含む6種類のセンサーを備えたスマートライトウェアラブルバッジを提示する。
多チャンネル畳み込みニューラルネットワークを用いて、潜在的不健康な習慣に関連する14の人間の活動を分類する。
本研究は,10人のボランティアが行った14のアクティビティを平均精度92.44 %,F1スコア88.27 %で検出する。
- 参考スコア(独自算出の注目度): 8.377995303174325
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human health is closely associated with their daily behavior and environment.
However, keeping a healthy lifestyle is still challenging for most people as it
is difficult to recognize their living behaviors and identify their surrounding
situations to take appropriate action. Human activity recognition is a
promising approach to building a behavior model of users, by which users can
get feedback about their habits and be encouraged to develop a healthier
lifestyle. In this paper, we present a smart light wearable badge with six
kinds of sensors, including an infrared array sensor MLX90640 offering
privacy-preserving, low-cost, and non-invasive features, to recognize daily
activities in a realistic unmodified kitchen environment. A multi-channel
convolutional neural network (MC-CNN) based on data and feature fusion methods
is applied to classify 14 human activities associated with potentially
unhealthy habits. Meanwhile, we evaluate the impact of the infrared array
sensor on the recognition accuracy of these activities. We demonstrate the
performance of the proposed work to detect the 14 activities performed by ten
volunteers with an average accuracy of 92.44 % and an F1 score of 88.27 %.
- Abstract(参考訳): 人間の健康は日々の行動や環境と密接に関連している。
しかし, 生活行動を認識し, 周囲の状況を把握し, 適切な行動をとることは難しいため, 健康な生活を維持することは依然として困難である。
ヒューマンアクティビティ認識(human activity recognition)は、ユーザの行動モデルを構築するための有望なアプローチである。
本稿では,プライバシ保護,低コスト,非侵襲的機能を提供する赤外線アレイセンサmlx90640を含む,6種類のセンサを備えたスマートライトウェアラブルバッジを提案する。
データと特徴融合法に基づく多チャンネル畳み込みニューラルネットワーク(MC-CNN)を用いて、潜在的不健康な習慣に関連する14の人間の活動を分類する。
一方,赤外線センサがこれらの活動の認識精度に与える影響について検討した。
本研究は,10人のボランティアが行った14のアクティビティを平均精度92.44 %,F1スコア88.27 %で検出する。
関連論文リスト
- CLAN: A Contrastive Learning based Novelty Detection Framework for Human
Activity Recognition [3.0108863071498035]
CLANは、人間の活動認識のための2段階のコントラスト学習に基づく新規性検出フレームワークである。
それは、時間的および周波数的特徴の重要さを含む、人間の活動特性に関する課題に合わせたものである。
4つの実世界の人間活動データセットの実験により、CLANは既存の新規性検出手法の最高の性能を上回っていることが示された。
論文 参考訳(メタデータ) (2024-01-17T03:57:36Z) - 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) - A Matter of Annotation: An Empirical Study on In Situ and Self-Recall
Activity Annotations from Wearable Sensors [79.57744087902266]
そこで本研究では,Wildデータに着目した4つのアノテーション手法を比較した。
本研究は,異なるラベル付け手法がアノテーションの品質に直接影響を及ぼすことを示す。
アクティビティダイアログと可視化ツールを組み合わせることで,参加者のアクティビティデータを検査し,ラベル付けすることができる。
論文 参考訳(メタデータ) (2023-05-15T16:02:56Z) - Sleep Activity Recognition and Characterization from Multi-Source
Passively Sensed Data [67.60224656603823]
睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。
本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。
これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
論文 参考訳(メタデータ) (2023-01-17T15:18:45Z) - Heterogeneous Hidden Markov Models for Sleep Activity Recognition from
Multi-Source Passively Sensed Data [67.60224656603823]
精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。
睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。
スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
論文 参考訳(メタデータ) (2022-11-08T17:29:40Z) - 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) - 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) - Physical Activity Recognition by Utilising Smartphone Sensor Signals [0.0]
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。
論文 参考訳(メタデータ) (2022-01-20T09:58:52Z) - Learning Language and Multimodal Privacy-Preserving Markers of Mood from
Mobile Data [74.60507696087966]
精神状態は、先進医療に共通する国でも診断されていない。
人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。
本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
論文 参考訳(メタデータ) (2021-06-24T17:46:03Z) - Physical Activity Recognition Based on a Parallel Approach for an
Ensemble of Machine Learning and Deep Learning Classifiers [0.0]
モノのインターネット(IOT)に組み込まれたウェアラブルセンサーデバイスによる人間の活動認識(HAR)は、リモートヘルス監視と緊急通知に重要な役割を果たします。
本研究では、医療に適用可能な意思決定精度と実行速度の人間活動認識手法について検討する。
論文 参考訳(メタデータ) (2021-03-02T16:50:52Z) - HHAR-net: Hierarchical Human Activity Recognition using Neural Networks [2.4530909757679633]
本研究では,人間の行動を認識するためにニューラルネットワークを用いた階層型分類を構築することを目的とする。
このデータセットは、野生で収集され、スマートフォンやスマートウォッチからのデータを含んでいる。
論文 参考訳(メタデータ) (2020-10-28T17:06:42Z)
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。