論文の概要: Disentangling Imperfect: A Wavelet-Infused Multilevel Heterogeneous
Network for Human Activity Recognition in Flawed Wearable Sensor Data
- arxiv url: http://arxiv.org/abs/2402.09434v1
- Date: Fri, 26 Jan 2024 06:08:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-18 13:01:45.830112
- Title: Disentangling Imperfect: A Wavelet-Infused Multilevel Heterogeneous
Network for Human Activity Recognition in Flawed Wearable Sensor Data
- Title（参考訳）: ウェーブレット注入型多段階不均一ネットワークによるウェアラブルセンサデータの人間の活動認識
- Authors: Mengna Liu, Dong Xiang, Xu Cheng, Xiufeng Liu, Dalin Zhang, Shengyong
Chen, Christian S. Jensen
- Abstract要約: センサデータ解析のためのマルチレベルヘテロジニアスニューラルネットワーク MHNN を提案する。
センサデータからマルチレベル離散ウェーブレット分解法を用いてマルチレゾリューション特徴を抽出する。
提案したモデルに,マルチスケール特徴の学習を可能にする異種特徴抽出器を装備する。
- 参考スコア（独自算出の注目度）: 30.213716132980874
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The popularity and diffusion of wearable devices provides new opportunities
for sensor-based human activity recognition that leverages deep learning-based
algorithms. Although impressive advances have been made, two major challenges
remain. First, sensor data is often incomplete or noisy due to sensor placement
and other issues as well as data transmission failure, calling for imputation
of missing values, which also introduces noise. Second, human activity has
multi-scale characteristics. Thus, different groups of people and even the same
person may behave differently under different circumstances. To address these
challenges, we propose a multilevel heterogeneous neural network, called MHNN,
for sensor data analysis. We utilize multilevel discrete wavelet decomposition
to extract multi-resolution features from sensor data. This enables
distinguishing signals with different frequencies, thereby suppressing noise.
As the components resulting from the decomposition are heterogeneous, we equip
the proposed model with heterogeneous feature extractors that enable the
learning of multi-scale features. Due to the complementarity of these features,
we also include a cross aggregation module for enhancing their interactions. An
experimental study using seven publicly available datasets offers evidence that
MHNN can outperform other cutting-edge models and offers evidence of robustness
to missing values and noise. An ablation study confirms the importance of each
module.
- Abstract（参考訳）: ウェアラブルデバイスの普及と普及は、ディープラーニングベースのアルゴリズムを活用するセンサベースのヒューマンアクティビティ認識の新しい機会を提供する。
目覚ましい進歩があったが、2つの大きな課題が残っている。
まず、センサの配置やその他の問題やデータ送信の障害により、センサデータが不完全あるいはノイズになる場合が多く、欠落した値のインプテーションが要求され、ノイズも引き起こされる。
第二に、人間の活動は多彩な特徴を持つ。
したがって、異なる集団と同一人物でさえ異なる状況下で異なる行動をとることがある。
これらの課題に対処するため,センサデータ解析のためのマルチレベルヘテロジニアスニューラルネットワークMHNNを提案する。
センサデータからマルチレベル離散ウェーブレット分解法を用いてマルチレゾリューション特徴を抽出する。
これにより、周波数の異なる信号の識別が可能となり、ノイズが抑制される。
分解から生じる成分は不均質であるため,提案モデルにマルチスケール特徴の学習を可能にする不均質特徴抽出器を装備する。
これらの特徴の相補性のため、相互作用を強化するクロスアグリゲーションモジュールも含んでいます。
7つの公開データセットを用いた実験的研究は、MHNNが他の最先端モデルより優れており、欠落した値やノイズに対する堅牢性を示す証拠である。
アブレーション研究は各モジュールの重要性を裏付ける。
関連論文リスト
- Multi-scale Quaternion CNN and BiGRU with Cross Self-attention Feature Fusion for Fault Diagnosis of Bearing [5.3598912592106345]
深層学習は断層診断(FD)に著しい進歩をもたらした
マルチスケール畳み込み畳み込みニューラルネットワーク(MQCNN)、双方向ゲートリカレントユニット(BiG)、クロス自己注意機能融合(CSAFF)を統合した新しいFDモデルを提案する。
論文 参考訳（メタデータ） (2024-05-25T07:55:02Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-08T13:50:30Z) - BSSAD: Towards A Novel Bayesian State-Space Approach for Anomaly
Detection in Multivariate Time Series [0.0]
ベイジアン状態空間異常検出(BSSAD)と呼ばれる新しい,革新的な異常検出手法を提案する。
提案手法の設計は,ベイズ状態空間アルゴリズムの次の状態予測における強みと,繰り返しニューラルネットワークとオートエンコーダの有効性を組み合わせたものである。
特に,粒子フィルタとアンサンブルカルマンフィルタのベイズ状態空間モデルの利用に着目する。
論文 参考訳（メタデータ） (2023-01-30T16:21:18Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳（メタデータ） (2022-09-26T21:59:14Z) - Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals [10.866594993485226]
本稿では,Deep Convolutional Autoencoding Memory Network (CAE-M) という,ディープラーニングに基づく新しい異常検出アルゴリズムを提案する。
我々はまず,最大平均離散値(MMD)を用いたマルチセンサデータの空間依存性を特徴付けるディープ畳み込みオートエンコーダを構築する。
そして,線形(自己回帰モデル)と非線形予測(注意を伴う大規模LSTM)からなるメモリネットワークを構築し,時系列データから時間依存性を捉える。
論文 参考訳（メタデータ） (2021-07-27T06:48:20Z) - Robust Data Hiding Using Inverse Gradient Attention [82.73143630466629]
データ隠蔽タスクでは、異なる耐久性を有するため、カバー画像の各ピクセルを別々に扱う必要がある。
Inverse Gradient Attention (IGA) を用いた新しい深層データ隠蔽方式を提案する。
実証的な実験により、提案モデルが2つの先行するデータセット上で最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2020-11-21T19:08:23Z) - Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。
より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。
5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
論文 参考訳（メタデータ） (2020-07-17T15:41:37Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z) - Harvesting Ambient RF for Presence Detection Through Deep Learning [12.535149305258171]
本稿では,深層学習による人的存在検出における環境無線周波数(RF)信号の利用について検討する。
WiFi信号を例として,受信機で取得したチャネル状態情報(CSI)が伝搬環境に関する豊富な情報を含んでいることを示す。
畳み込みニューラルネットワーク(CNN)は、大きさと位相情報の両方を適切に訓練し、信頼性の高い存在検出を実現するように設計されている。
論文 参考訳（メタデータ） (2020-02-13T20:35:55Z)
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。