論文の概要: MHfit: Mobile Health Data for Predicting Athletics Fitness Using Machine Learning

• arxiv url: http://arxiv.org/abs/2304.04839v1
• Date: Mon, 10 Apr 2023 19:53:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-12 16:53:43.328715
• Title: MHfit: Mobile Health Data for Predicting Athletics Fitness Using Machine Learning
• Title（参考訳）: mhfit: 機械学習による運動量予測のためのモバイル健康データ
• Authors: Jonayet Miah, Muntasir mamun, Md Minhazur Rahman, Md Ishtyaq Mahmyd, Asm Mohaimenul Islam, Sabbir Ahmed
• Abstract要約: モバイル健康データは、モバイルデバイスを使用して臨床健康データを収集し、患者のバイタルをリアルタイムで追跡する。 本研究は,スポーツチームに対して,スポーツ選手が特定の競技に適しているか否かを判断することを目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile phones and other electronic gadgets or devices have aided in collecting data without the need for data entry. This paper will specifically focus on Mobile health data. Mobile health data use mobile devices to gather clinical health data and track patient vitals in real-time. Our study is aimed to give decisions for small or big sports teams on whether one athlete good fit or not for a particular game with the compare several machine learning algorithms to predict human behavior and health using the data collected from mobile devices and sensors placed on patients. In this study, we have obtained the dataset from a similar study done on mhealth. The dataset contains vital signs recordings of ten volunteers from different backgrounds. They had to perform several physical activities with a sensor placed on their bodies. Our study used 5 machine learning algorithms (XGBoost, Naive Bayes, Decision Tree, Random Forest, and Logistic Regression) to analyze and predict human health behavior. XGBoost performed better compared to the other machine learning algorithms and achieved 95.2% accuracy, 99.5% in sensitivity, 99.5% in specificity, and 99.66% in F1 score. Our research indicated a promising future in mhealth being used to predict human behavior and further research and exploration need to be done for it to be available for commercial use specifically in the sports industry.
• Abstract（参考訳）: 携帯電話や他の電子機器やデバイスは、データ入力を必要とせずにデータ収集を支援する。 本稿では特にモバイル健康データに焦点を当てる。 モバイル健康データは、モバイルデバイスを使って臨床健康データを収集し、患者のバイタルをリアルタイムで追跡する。 我々の研究は、モバイルデバイスやセンサーから収集したデータを用いて、スポーツ選手が特定の試合に適しているかどうかを判断し、複数の機械学習アルゴリズムを比較し、人間の行動と健康を予測することを目的としている。 本研究では、mhealthで行った同様の研究からデータセットを得た。 データセットには、異なるバックグラウンドの10人のボランティアのバイタルサインが含まれている。 身体にセンサーを装着していくつかの身体活動を行う必要があった。 本研究では,5つの機械学習アルゴリズム (xgboost, naive bayes, decision tree, random forest, logistic regression) を用いて,人の健康行動の分析と予測を行った。 XGBoostは、他の機械学習アルゴリズムと比較して、95.2%の精度、99.5%の感度、99.5%の特異性、99.66%のスコアを達成した。 私たちの研究は、mhealthが人間の行動を予測するために使われる有望な将来性を示し、スポーツ産業に特化した商用利用のために、さらなる研究と調査を行う必要があることを示した。

関連論文リスト

• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• Personality Trait Inference Via Mobile Phone Sensors: A Machine Learning Approach [0.0]
  本研究では,携帯電話センサを用いて収集した活動データから人格を確実に予測できることを示す。 2種類の問題に対して,ユーザの性格を最大0.78F1まで予測することができた。 スマートフォンのセンサと機械学習技術の組み合わせが、パーソナリティ研究の進展にどう役立つかを示す。
  論文  参考訳（メタデータ） (2024-01-18T13:18:51Z)
• 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)
• UBIWEAR: An end-to-end, data-driven framework for intelligent physical activity prediction to empower mHealth interventions [3.4483987421251516]
  UBIWEARは知的身体活動予測のためのエンドツーエンドフレームワークである。 我々の最良のモデルは1087ステップのMAEを達成し、絶対誤差の点で最先端の65%以下である。
  論文  参考訳（メタデータ） (2022-12-30T14:18:39Z)
• Domain Adaptation Under Behavioral and Temporal Shifts for Natural Time Series Mobile Activity Recognition [31.43183992755392]
  既存のデータセットは典型的にはスクリプト化された動きで構成されている。 我々の長期的な目標は、自然環境下でのモバイル活動認識を行うことです。 ヒトの行動に大きな変化があるため、2つの異なる年齢グループから多くの参加者からデータを収集します。
  論文  参考訳（メタデータ） (2022-07-10T02:48:34Z)
• Depression Diagnosis and Forecast based on Mobile Phone Sensor Data [47.93070579578704]
  これまでの研究では、携帯電話から収集したセンサデータとヒトのうつ状態の相関が示されている。 本研究では,携帯電話データから電話,電話利用,ユーザ活動,GPS機能を含む4種類の受動的特徴を抽出する。 我々は、診断と予測タスクの両方をモデル化するために、主観非依存の10倍のクロスバリデーション設定に長寿命メモリ(LSTM)ネットワークを実装した。
  論文  参考訳（メタデータ） (2022-05-10T10:05:36Z)
• Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
  本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。 HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。 我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
  論文  参考訳（メタデータ） (2022-03-14T17:05:59Z)
• 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)
• Human Activity Analysis and Recognition from Smartphones using Machine Learning Techniques [0.0]
  人間の活動認識(HAR)は、過去数十年で貴重な研究トピックと考えられています。 本稿では、機械学習モデルを用いてデータを分析し、人間の活動を認識する。
  論文  参考訳（メタデータ） (2021-03-30T16:46:40Z)
• An Intelligent Non-Invasive Real Time Human Activity Recognition System for Next-Generation Healthcare [9.793913891417912]
  人間の動きは、脆弱な人々のためのリモートヘルスケアソリューションを提供するために使用することができる。 現在、ウェアラブルデバイスは、人の体に機器を配置することで、リアルタイムの監視を提供することができる。 本研究では,非侵襲的手法を用いて準リアルタイムシナリオにおいて人間の動作がどのように検出されるかを示す。
  論文  参考訳（メタデータ） (2020-08-06T10:51:56Z)
• A Data and Compute Efficient Design for Limited-Resources Deep Learning [68.55415606184]
  同変ニューラルネットワークは 深層学習コミュニティへの関心を高めています 医療分野では、データの対称性を効果的に活用して、より正確で堅牢なモデルの構築に成功している。 ディープ・ラーニング・ソリューションのモバイル・オン・デバイス実装は医療応用のために開発されている。 しかし、同変モデルは大規模で計算コストのかかるアーキテクチャを用いて一般的に実装されており、モバイルデバイス上では動作しない。 本研究では、MobileNetV2の同変バージョンを設計、テストし、さらにモデル量子化により最適化し、より効率的な推論を可能にする。
  論文  参考訳（メタデータ） (2020-04-21T00:49:11Z)

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。