論文の概要: Step Counting with Attention-based LSTM

• arxiv url: http://arxiv.org/abs/2211.13114v1
• Date: Fri, 18 Nov 2022 03:33:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-27 13:18:10.640529
• Title: Step Counting with Attention-based LSTM
• Title（参考訳）: 注意に基づくLSTMによるステップカウント
• Authors: Shehroz S. Khan and Ali Abedi
• Abstract要約: ステップカウント(英: Step Counting)とは、特定の時間と空間にまたがるステップの数を自動的にカウントすることである。 スマートフォンやスマートウォッチの普及により、現在のSCアプローチのほとんどは、これらのデバイスに内蔵されている加速度センサーに依存している。 本稿では,多対一の注意に基づくLSTMを用いた新しいSC手法を提案する。
• 参考スコア（独自算出の注目度）: 4.706263507340607
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physical activity is recognized as an essential component of overall health. One measure of physical activity, the step count, is well known as a predictor of long-term morbidity and mortality. Step Counting (SC) is the automated counting of the number of steps an individual takes over a specified period of time and space. Due to the ubiquity of smartphones and smartwatches, most current SC approaches rely on the built-in accelerometer sensors on these devices. The sensor signals are analyzed as multivariate time series, and the number of steps is calculated through a variety of approaches, such as time-domain, frequency-domain, machine-learning, and deep-learning approaches. Most of the existing approaches rely on dividing the input signal into windows, detecting steps in each window, and summing the detected steps. However, these approaches require the determination of multiple parameters, including the window size. Furthermore, most of the existing deep-learning SC approaches require ground-truth labels for every single step, which can be arduous and time-consuming to annotate. To circumvent these requirements, we present a novel SC approach utilizing many-to-one attention-based LSTM. With the proposed LSTM network, SC is solved as a regression problem, taking the entire sensor signal as input and the step count as the output. The analysis shows that the attention-based LSTM automatically learned the pattern of steps even in the absence of ground-truth labels. The experimental results on three publicly available SC datasets demonstrate that the proposed method successfully counts the number of steps with low values of mean absolute error and high values of SC accuracy.
• Abstract（参考訳）: 身体活動は健康にとって重要な要素であると考えられている。 身体活動の1つの指標であるステップカウントは、長期的な死亡率と死亡率の予測因子としてよく知られている。 ステップカウント(Step Counting, SC)とは、特定の時間と空間にまたがるステップの数を自動カウントすることである。 スマートフォンやスマートウォッチの普及により、現在のSCアプローチのほとんどは、これらのデバイスに内蔵されている加速度センサーに依存している。 センサ信号を多変量時系列として解析し、時間領域、周波数領域、機械学習、ディープラーニングアプローチなど、さまざまなアプローチによってステップ数を計算する。 既存のアプローチのほとんどは、入力信号をウィンドウに分割し、各ウィンドウのステップを検出し、検出されたステップを要約する。 しかし、これらの手法はウィンドウサイズを含む複数のパラメータを決定する必要がある。 さらに、既存のディープラーニングSCアプローチのほとんどでは、すべてのステップに対して、ゼロトルースラベルを必要とするため、アノテートには困難で時間がかかります。 これらの要件を回避するために,多対一の注意に基づくLSTMを用いた新しいSCアプローチを提案する。 提案するLSTMネットワークでは、センサ信号全体を入力とし、ステップカウントを出力とする回帰問題としてSCが解かれる。 解析結果から,アテンションに基づくLSTMは,地絡ラベルがなくてもステップパターンを自動学習することがわかった。 3つの公開SCデータセットに対する実験結果から,提案手法は平均絶対誤差の低いステップ数と高いSC精度のステップ数を推定できることを示した。

関連論文リスト

• An LSTM Feature Imitation Network for Hand Movement Recognition from sEMG Signals [2.632402517354116]
  我々は,Ninapro DB2上の300ms信号ウィンドウ上での閉形式時間特徴学習にFIN(Feature-imitating Network)を適用することを提案する。 次に、下流手の動き認識タスクに事前学習したLSTM-FINを適用して、転送学習機能について検討する。
  論文  参考訳（メタデータ） (2024-05-23T21:45:15Z)
• RigLSTM: Recurrent Independent Grid LSTM for Generalizable Sequence Learning [75.61681328968714]
  本稿では,対象タスクの基盤となるモジュール構造を利用するために,リカレントな独立したGrid LSTM(RigLSTM)を提案する。 本モデルでは, セル選択, 入力特徴選択, 隠れ状態選択, ソフト状態更新を採用し, より優れた一般化を実現する。
  論文  参考訳（メタデータ） (2023-11-03T07:40:06Z)
• Sequential Multi-Dimensional Self-Supervised Learning for Clinical Time Series [3.635056427544418]
  本稿では,臨床時系列データを対象とした自己教師付き学習手法を提案する。 本手法は各レベルにおける損失関数の特定の形態に依存しない。 本手法を実世界の2つの臨床データセットで評価する。
  論文  参考訳（メタデータ） (2023-07-20T14:49:58Z)
• Multivariate Time Series Classification: A Deep Learning Approach [1.0742675209112622]
  本稿では時系列分類領域に適用可能な様々な手法とニューラルネットワークアーキテクチャについて検討する。 データは、酸素や音などの量を測定し、追跡するガスセンサー群から得られる。 このデータにより、特定の環境における占有などの事象を検出することができる。
  論文  参考訳（メタデータ） (2023-07-05T12:50:48Z)
• Quick Adaptive Ternary Segmentation: An Efficient Decoding Procedure For Hidden Markov Models [70.26374282390401]
  ノイズの多い観測から元の信号(すなわち隠れ鎖)を復号することは、ほぼすべてのHMMに基づくデータ分析の主要な目標の1つである。 本稿では,多対数計算複雑性において隠れた列を復号化するための分法であるQuick Adaptive Ternary(QATS)を提案する。
  論文  参考訳（メタデータ） (2023-05-29T19:37:48Z)
• Formal Controller Synthesis for Markov Jump Linear Systems with Uncertain Dynamics [64.72260320446158]
  マルコフジャンプ線形系に対する制御器の合成法を提案する。 本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。 本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
  論文  参考訳（メタデータ） (2022-12-01T17:36:30Z)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• Personalized Step Counting Using Wearable Sensors: A Domain Adapted LSTM Network Approach [0.0]
  paモニター内の3軸加速度計は、デバイスと個人間のステップカウント精度を向上させるために利用される。 オープンソースの生センサデータを用いて、ステップカウントをモデル化するための長期記憶(LSTM)深層ニューラルネットワークを構築した。 少量の主題別データは、個々のステップカウント精度の高いパーソナライズモデルを作成するためにドメイン化されました。
  論文  参考訳（メタデータ） (2020-12-11T19:52:43Z)
• Sensor-Based Continuous Hand Gesture Recognition by Long Short-Term Memory [0.1580926907837365]
  本稿では,Long Short-term memory (LSTM) を用いたセンサを用いた連続手動作認識アルゴリズムを提案する。 スマートフォンをベースとしたプロトタイプシステムを試作し,性能評価を行った。 実験結果から,提案アルゴリズムは頑健かつ正確な手の位置認識の有効な代替手段であることが示された。
  論文  参考訳（メタデータ） (2020-07-22T08:40:40Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)
• DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection [98.43451011898212]
  複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。 本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
  論文  参考訳（メタデータ） (2020-02-08T18:31:00Z)

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。