論文の概要: Automatically detecting activities of daily living from in-home sensors
as indicators of routine behaviour in an older population
- arxiv url: http://arxiv.org/abs/2307.04563v1
- Date: Mon, 10 Jul 2023 13:52:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 12:51:05.589189
- Title: Automatically detecting activities of daily living from in-home sensors
as indicators of routine behaviour in an older population
- Title（参考訳）: 高齢者の日常行動指標としての家庭内センサからの日常生活行動の自動検出
- Authors: Claire M. Timon and Pamela Hussey and Hyowon Lee and Catriona Murphy
and Harsh Vardan Rai and and Alan F. Smeaton
- Abstract要約: NEXプロジェクトは、IoT(Internet of Things)システムとデータ分析を組み合わせたシステムを開発した。
モニタリングは、各参加者に対して、毎日の生活(ADL)を自動的に検出する一連のアクティビティを可視化することを含む。
ADLの検出は、システムを再トレーニングすることなく、ADLが検出された追加参加者の取り込みを可能にする。
- 参考スコア（独自算出の注目度）: 3.6559460496942706
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: The NEX project has developed an integrated Internet of Things
(IoT) system coupled with data analytics to offer unobtrusive health and
wellness monitoring supporting older adults living independently at home.
Monitoring {currently} involves visualising a set of automatically detected
activities of daily living (ADLs) for each participant. The detection of ADLs
is achieved {} to allow the incorporation of additional participants whose ADLs
are detected without re-training the system.
Methods: Following an extensive User Needs and Requirements study involving
426 participants, a pilot trial and a friendly trial of the deployment, an
Action Research Cycle (ARC) trial was completed. This involved 23 participants
over a 10-week period each with c.20 IoT sensors in their homes. During the ARC
trial, participants each took part in two data-informed briefings which
presented visualisations of their own in-home activities. The briefings also
gathered training data on the accuracy of detected activities. Association rule
mining was then used on the combination of data from sensors and participant
feedback to improve the automatic detection of ADLs.
Results: Association rule mining was used to detect a range of ADLs for each
participant independently of others and was then used to detect ADLs across
participants using a single set of rules {for each ADL}. This allows additional
participants to be added without the necessity of them providing training data.
Conclusions: Additional participants can be added to the NEX system without
the necessity to re-train the system for automatic detection of the set of
their activities of daily living.
- Abstract（参考訳）: 目的:NEXプロジェクトは、データ分析と統合されたIoT(Internet of Things)システムを開発し、家庭で独立して暮らしている高齢者を支援する、邪魔にならない健康と健康の監視を提供する。
currently”のモニタリングは、各参加者に対して自動検出された日常生活活動(adls)のセットを可視化することを含む。
ADLの検出は、システムを再トレーニングすることなく、ADLが検出された追加参加者の編入を可能にする。
方法:426人の参加者、パイロットトライアル、デプロイメントの友好的なトライアルを含む広範囲なユーザニーズと要求調査に続いて、行動研究サイクル(ARC)トライアルが完了した。
参加者は10週間に23名、それぞれ20名であった。
家庭内のIoTセンサー。
ARCトライアルでは、参加者はそれぞれ2つのデータインフォームドブリーフィングに参加し、家庭内活動の可視化を提示した。
ブリーフィングは、検出されたアクティビティの正確さに関するトレーニングデータも収集した。
次に、ADLの自動検出を改善するために、センサからのデータと参加者からのフィードバックを組み合わせてアソシエーションルールマイニングを行った。
結果:アソシエーションルールマイニングは,他者とは独立に各ADLを検知し,各ADLに対して単一のルールセットを用いて参加者間でADLを検出する。
これにより、トレーニングデータを提供する必要なしに、追加の参加者を追加することができる。
結論: NEXシステムに追加の参加者を追加することで, 日常生活活動のセットを自動的に検出するシステムを再訓練する必要がない。
関連論文リスト
- Automatic Identification and Visualization of Group Training Activities Using Wearable Data [7.130450173185638]
Human Activity Recognition (HAR)は、スマートウォッチのようなウェアラブルデバイスによって収集された時系列データから日々のアクティビティを特定する。
本稿では,ウェアラブルデータからアクティビティを計算,分析,識別するための包括的枠組みを提案する。
当社のアプローチは、Garmin 55スマートウォッチを6ヶ月にわたって装着した135人の兵士から収集されたデータに基づいています。
論文 参考訳（メタデータ） (2024-10-07T19:35:15Z) - AdaFPP: Adapt-Focused Bi-Propagating Prototype Learning for Panoramic Activity Recognition [51.24321348668037]
パノラマ活動認識(PAR)は、パノラマシーンにおいて複数の人が行う多粒度行動を特定することを目的としている。
以前の方法は、トレーニングと推論において手動で注釈付き検出ボックスに依存しており、より実用的なデプロイメントを妨げる。
本研究では,パノラマ活動シーンにおける個人,グループ,グローバルな活動を共同で認識するための,適応型バイプロパゲーティング・プロトタイプ学習(AdaFPP)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-04T01:53:22Z) - A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。
実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
論文 参考訳（メタデータ） (2023-05-15T16:02:56Z) - SelfAct: Personalized Activity Recognition based on Self-Supervised and
Active Learning [0.688204255655161]
SelfActは、ウェアラブルおよびモバイルデバイス上でのヒューマンアクティビティ認識(HAR)のための新しいフレームワークである。
自己教師とアクティブな学習を組み合わせることで、アクティビティ実行のイントラやインターバリアビリティといった問題を軽減します。
公開されている2つのHARデータセットに関する実験は、SelfActが完全に教師付きアプローチのそれに近い、あるいはそれ以上の結果を得ることを示した。
論文 参考訳（メタデータ） (2023-04-19T09:39:11Z) - Self-Supervised Representation Learning from Temporal Ordering of
Automated Driving Sequences [49.91741677556553]
本研究では、認識タスクのための地域レベルの特徴表現を事前学習するための時間順述前文タスクであるTempOを提案する。
我々は各フレームを、オブジェクト検出やトラッキングシステムにとって自然な表現である、未順序な特徴ベクトルのセットで埋め込む。
BDD100K、nu Images、MOT17データセットの大規模な評価は、私たちのTempO事前学習アプローチがシングルフレームの自己教師型学習方法よりも優れていることを示している。
論文 参考訳（メタデータ） (2023-02-17T18:18:27Z) - Towards Continual Egocentric Activity Recognition: A Multi-modal
Egocentric Activity Dataset for Continual Learning [21.68009790164824]
UESTC-MMEA-CLという連続学習のためのマルチモーダル・エゴセントリックな活動データセットを提案する。
ビデオ、加速度計、ジャイロスコープの同期データを含み、32種類の日常活動が10人の参加者によって行われる。
RGB, 加速度, ジャイロスコープの3つのモードを別々に使用した場合に, エゴセントリックな活動認識の結果が報告される。
論文 参考訳（メタデータ） (2023-01-26T04:32:00Z) - Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。
まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。
トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
論文 参考訳（メタデータ） (2022-11-24T13:18:27Z) - Federated Cycling (FedCy): Semi-supervised Federated Learning of
Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。
外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文 参考訳（メタデータ） (2022-03-14T17:44:53Z) - 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) - Self-Supervised Person Detection in 2D Range Data using a Calibrated
Camera [83.31666463259849]
2次元LiDARに基づく人検出器のトレーニングラベル(擬似ラベル)を自動生成する手法を提案する。
擬似ラベルで訓練または微調整された自己監視検出器が,手動アノテーションを用いて訓練された検出器を上回っていることを示した。
私達の方法は付加的な分類の努力なしで配置の間に人の探知器を改善する有効な方法です。
論文 参考訳（メタデータ） (2020-12-16T12:10:04Z) - Federated Learning with Heterogeneous Labels and Models for Mobile
Activity Monitoring [0.7106986689736827]
デバイス上でのフェデレーション学習は、分散的で協調的な機械学習に効果的なアプローチであることが証明されている。
本稿では,複数の活動にまたがる重なり合う情報ゲインを利用したラベルに基づくアグリゲーションのためのフレームワークを提案する。
Raspberry Pi 2上のHeterogeneity Human Activity Recognition (HHAR)データセットによる経験的評価は、決定論的精度が少なくとも11.01%向上したことを示している。
論文 参考訳（メタデータ） (2020-12-04T11:44:17Z)
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。