論文の概要: cGAN-Based High Dimensional IMU Sensor Data Generation for Therapeutic Activities

• arxiv url: http://arxiv.org/abs/2302.07998v1
• Date: Thu, 16 Feb 2023 00:08:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-17 15:29:03.113592
• Title: cGAN-Based High Dimensional IMU Sensor Data Generation for Therapeutic Activities
• Title（参考訳）: cGANに基づく治療活動のための高次元IMUセンサデータ生成
• Authors: Mohammad Mohammadzadeh, Ali Ghadami, Alireza Taheri, Saeed Behzadipour
• Abstract要約: TheraGANと呼ばれる新しいGANネットワークは、特定のアクティビティに関連する現実的なIMU信号を生成するために開発された。 生成した信号を評価するために,知覚的類似度測定値に加えて実データとともに適用し,分類器の精度を向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Human activity recognition is a core technology for applications such as rehabilitation, ambient health monitoring, and human-computer interactions. Wearable devices, particularly IMU sensors, can help us collect rich features of human movements that can be leveraged in activity recognition. Developing a robust classifier for activity recognition has always been of interest to researchers. One major problem is that there is usually a deficit of training data for some activities, making it difficult and sometimes impossible to develop a classifier. In this work, a novel GAN network called TheraGAN was developed to generate realistic IMU signals associated with a particular activity. The generated signal is of a 6-channel IMU. i.e., angular velocities and linear accelerations. Also, by introducing simple activities, which are meaningful subparts of a complex full-length activity, the generation process was facilitated for any activity with arbitrary length. To evaluate the generated signals, besides perceptual similarity metrics, they were applied along with real data to improve the accuracy of classifiers. The results show that the maximum increase in the f1-score belongs to the LSTM classifier by a 13.27% rise when generated data were added. This shows the validity of the generated data as well as TheraGAN as a tool to build more robust classifiers in case of imbalanced data problem.
• Abstract（参考訳）: 人間の活動認識は、リハビリテーション、環境健康モニタリング、人間とコンピュータの相互作用といった応用のための中核技術である。 ウェアラブルデバイス、特にIMUセンサーは、アクティビティ認識に活用できる人間の動きの豊富な特徴を収集するのに役立ちます。 活動認識のための堅牢な分類器の開発は、研究者にとって常に関心を集めてきた。 1つの大きな問題は、通常、いくつかのアクティビティのトレーニングデータの欠如があり、分類器を開発するのが困難であり、時には不可能である。 本研究では,特定の活動に関連する現実的なIMU信号を生成するために,TheraGANと呼ばれる新しいGANネットワークを開発した。 生成された信号は6チャネルIMUである。 すなわち、角速度と線形加速度である。 また、複雑な完全長アクティビティの有意義な部分である単純なアクティビティを導入することで、任意の長さのアクティビティに対して生成プロセスが容易になる。 生成した信号を評価するために,知覚的類似度測定値に加えて実データとともに適用し,分類器の精度を向上した。 その結果、f1-scoreの最大増加率は、生成データの追加時に13.27%増加した。 これは、不均衡なデータ問題が発生した場合に、より堅牢な分類器を構築するツールとして、生成されたデータとTheraGANの有効性を示す。

関連論文リスト

• Feature Fusion for Human Activity Recognition using Parameter-Optimized Multi-Stage Graph Convolutional Network and Transformer Models [0.6157382820537721]
  この研究は、HuGaDB、PKU-MMD、LARa、TUGデータセットからの知覚データを用いている。 PO-MS-GCNとTransformerの2つのモデルが訓練され評価され、PO-MS-GCNは最先端モデルを上回った。 HuGaDBとTUGは高い精度とf1スコアを獲得し、LARaとPKU-MMDは低いスコアを示した。
  論文  参考訳（メタデータ） (2024-06-24T13:44:06Z)
• Sensor Data Augmentation from Skeleton Pose Sequences for Improving Human Activity Recognition [5.669438716143601]
  HAR(Human Activity Recognition)は、ディープラーニングの普及に大きく貢献していない。 本稿では,センサをベースとしたウェアラブル型HARに対して,ポーズ・ツー・センサ・ネットワークモデルを導入することにより,新たなアプローチを提案する。 コントリビューションには、同時トレーニングの統合、直接ポーズ・ツー・センサ生成、MM-Fitデータセットの包括的な評価が含まれる。
  論文  参考訳（メタデータ） (2024-04-25T10:13:18Z)
• Amplifying Pathological Detection in EEG Signaling Pathways through Cross-Dataset Transfer Learning [10.212217551908525]
  実世界の病理分類課題におけるデータとモデルスケーリングとデータセット間の知識伝達の有効性について検討する。 ネガティブトランスファーの可能性の課題を特定し、いくつかの重要なコンポーネントの重要性を強調する。 以上の結果から,小規模で汎用的なモデル(ShallowNetなど)は単一データセット上では良好に動作するが,大規模なモデル(TCNなど)では,大規模かつ多様なデータセットからの転送や学習がより優れていることが示唆された。
  論文  参考訳（メタデータ） (2023-09-19T20:09:15Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Dataset Bias in Human Activity Recognition [57.91018542715725]
  このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。 時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
  論文  参考訳（メタデータ） (2023-01-19T12:33:50Z)
• Personalized Decentralized Multi-Task Learning Over Dynamic Communication Graphs [59.96266198512243]
  本稿では,正と負の相関関係を持つタスクに対する分散・フェデレーション学習アルゴリズムを提案する。 本アルゴリズムでは,タスク間の相関関係を自動的に計算し,コミュニケーショングラフを動的に調整して相互に有益なタスクを接続し,互いに悪影響を及ぼす可能性のあるタスクを分離する。 合成ガウスデータセットと大規模セレブ属性(CelebA)データセットについて実験を行った。
  論文  参考訳（メタデータ） (2022-12-21T18:58:24Z)
• BSDGAN: Balancing Sensor Data Generative Adversarial Networks for Human Activity Recognition [10.46273607225732]
  センサデータに基づくヒューマンアクティビティ認識(HAR)は、機械学習分野において活発な研究トピックとなっている。 人間の活動の頻度が不一致であるため、人間の活動データセットの各活動のデータ量は不均衡である。 本研究では,少数者の活動のためのセンサデータを生成するために,BSDGAN(Balancing Sensor Data Generative Adversarial Networks)を提案する。
  論文  参考訳（メタデータ） (2022-08-07T05:48:48Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Transformer Networks for Data Augmentation of Human Physical Activity Recognition [61.303828551910634]
  Recurrent Generative Adrial Networks (RGAN)のような最先端技術モデルは、リアルな合成データを生成するために使用される。 本稿では,データにグローバルな注意を払っているトランスフォーマーベースの生成敵ネットワークを,PAMAP2とリアルワールドヒューマンアクティビティ認識データセットでRGANと比較する。
  論文  参考訳（メタデータ） (2021-09-02T16:47:29Z)
• Improved Speech Emotion Recognition using Transfer Learning and Spectrogram Augmentation [56.264157127549446]
  音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。 SERの主な課題の1つは、データの不足である。 本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-05T10:39:39Z)
• Learning Generalizable Physiological Representations from Large-scale Wearable Data [12.863826659440026]
  意味ラベルのない活動・心拍(HR)信号を用いた新しい自己教師型表現学習法を提案する。 その結果, 線形分類器を用いた伝達学習により, 様々な下流タスクにおいて, 埋め込みが一般化できることが示唆された。 本研究は,大規模健康・ライフスタイルモニタリングに寄与する行動・生理的データに対する,最初のマルチモーダル自己管理手法を提案する。
  論文  参考訳（メタデータ） (2020-11-09T17:56:03Z)

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。