論文の概要: Millimeter Wave Radar-based Human Activity Recognition for Healthcare Monitoring Robot
- arxiv url: http://arxiv.org/abs/2405.01882v1
- Date: Fri, 3 May 2024 06:57:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-06 13:35:25.951026
- Title: Millimeter Wave Radar-based Human Activity Recognition for Healthcare Monitoring Robot
- Title（参考訳）: 医療モニタリングロボットにおけるミリ波レーダを用いた人間活動認識
- Authors: Zhanzhong Gu, Xiangjian He, Gengfa Fang, Chengpei Xu, Feng Xia, Wenjing Jia,
- Abstract要約: 本稿では,人間活動のリアルタイム監視のための移動ロボット搭載mmWaveレーダシステムであるRobHARを提案する。
まず,ポイントクラウドの特徴を学習するために,クラウドベースのグローバルな埋め込みを提案する。
そして、双方向軽量LSTMモデル(BiLiLSTM)を用いて時間パターンを学習する。
- 参考スコア（独自算出の注目度）: 8.98784164617929
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Healthcare monitoring is crucial, especially for the daily care of elderly individuals living alone. It can detect dangerous occurrences, such as falls, and provide timely alerts to save lives. Non-invasive millimeter wave (mmWave) radar-based healthcare monitoring systems using advanced human activity recognition (HAR) models have recently gained significant attention. However, they encounter challenges in handling sparse point clouds, achieving real-time continuous classification, and coping with limited monitoring ranges when statically mounted. To overcome these limitations, we propose RobHAR, a movable robot-mounted mmWave radar system with lightweight deep neural networks for real-time monitoring of human activities. Specifically, we first propose a sparse point cloud-based global embedding to learn the features of point clouds using the light-PointNet (LPN) backbone. Then, we learn the temporal pattern with a bidirectional lightweight LSTM model (BiLiLSTM). In addition, we implement a transition optimization strategy, integrating the Hidden Markov Model (HMM) with Connectionist Temporal Classification (CTC) to improve the accuracy and robustness of the continuous HAR. Our experiments on three datasets indicate that our method significantly outperforms the previous studies in both discrete and continuous HAR tasks. Finally, we deploy our system on a movable robot-mounted edge computing platform, achieving flexible healthcare monitoring in real-world scenarios.
- Abstract（参考訳）: 医療モニタリングは特に高齢者の日常生活において重要である。
転倒などの危険な事象を検知し、命を救うためのタイムリーなアラートを提供する。
先進的ヒト活動認識(HAR)モデルを用いた非侵襲ミリ波(mmWave)レーダを用いた医療監視システムが近年注目されている。
しかしながら、スパースポイントクラウドの処理、リアルタイムの継続的分類の実現、静的にマウントされた場合の限られた監視範囲への対応といった課題に直面している。
この制限を克服するため,人間活動のリアルタイム監視を目的とした,軽量な深層ニューラルネットワークを備えた移動ロボット搭載mmWaveレーダシステムであるRobHARを提案する。
具体的には,まず,光点Net(LPN)バックボーンを用いて,点雲の特徴を学習する。
次に,双方向軽量LSTMモデル(BiLiLSTM)を用いて時間パターンを学習する。
さらに,HMM(Hidden Markov Model)とCTC(Connectionist Temporal Classification)を統合し,連続HARの精度と堅牢性を向上する遷移最適化戦略を実装した。
3つのデータセットに対する実験から,本手法は離散的および連続的HARタスクにおいて,従来の研究よりも有意に優れていたことが示唆された。
最後に,我々のシステムを移動式ロボット搭載エッジコンピューティングプラットフォームにデプロイし,現実のシナリオで柔軟な医療モニタリングを実現する。
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) - Neuro-mimetic Task-free Unsupervised Online Learning with Continual
Self-Organizing Maps [56.827895559823126]
自己組織化マップ(英: Self-organizing map、SOM)は、クラスタリングや次元減少によく用いられるニューラルネットワークモデルである。
低メモリ予算下でのオンライン教師なし学習が可能なSOM(連続SOM)の一般化を提案する。
MNIST, Kuzushiji-MNIST, Fashion-MNISTなどのベンチマークでは, ほぼ2倍の精度が得られた。
論文 参考訳（メタデータ） (2024-02-19T19:11:22Z) - Environment-independent mmWave Fall Detection with Interacting Multiple
Model [1.9358739203360094]
mmWave radarは、プライバシー保護と非接触性のための有望な候補技術である。
FADEは現実のシナリオにおいて精度と堅牢性を高めた実用的な落下検知レーダーシステムである。
論文 参考訳（メタデータ） (2023-11-15T07:49:46Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Spatiotemporal Transformer Attention Network for 3D Voxel Level Joint
Segmentation and Motion Prediction in Point Cloud [9.570438238511073]
自動走行システムとインテリジェント輸送アプリケーションにとって、モーション予測は重要な有効性である。
現在の課題は、異なる知覚タスクを単一のバックボーンに効果的に組み合わせることである。
本稿では,共同セマンティックセグメンテーションのためのトランスフォーマ自己アテンション機構に基づく新しいアテンションネットワークを提案する。
論文 参考訳（メタデータ） (2022-02-28T23:18:27Z) - Human Activity Recognition using Continuous Wavelet Transform and
Convolutional Neural Networks [0.0]
HAR(Human Activity Recognition)は、データサイエンスの分野である。
本稿では,HAR問題に対処する新しいワークフローを提案し,UniMiB SHARデータセット上で評価する。
我々は99.26パーセントの精度に達することに成功しており、この問題にふさわしいパフォーマンスである。
論文 参考訳（メタデータ） (2021-06-23T21:49:17Z) - System-reliability based multi-ensemble of GAN and one-class joint
Gaussian distributions for unsupervised real-time structural health
monitoring [0.0]
本研究では,ケース依存抽出方式を使わずに,低次元特徴と高次元特徴を混合した教師なしリアルタイムSHM法を提案する。
GANと1-CGモデルに基づく極限状態関数の新規検出システムを構築した。
このチューニングにより、メソッドはユーザ定義パラメータに対して堅牢になり、リアルタイムSHMでこれらのパラメータを選択するルールが存在しないため、極めて重要である。
論文 参考訳（メタデータ） (2021-02-01T20:50:55Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳（メタデータ） (2020-07-23T13:32:47Z) - Object Tracking through Residual and Dense LSTMs [67.98948222599849]
LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。
DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。
ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
論文 参考訳（メタデータ） (2020-06-22T08:20:17Z) - ReRe: A Lightweight Real-time Ready-to-Go Anomaly Detection Approach for
Time Series [0.27528170226206433]
本稿では,リアルタイム・レディ・トゥ・ゴー・プロアクティブ・異常検出アルゴリズムReReを紹介する。
ReReは2つの軽量Long Short-Term Memory (LSTM)モデルを使用して、次のデータポイントが異常であるか否かを予測し、共同で判断する。
実世界の時系列データセットに基づく実験は、リアルタイム異常検出におけるReReの優れた性能を示す。
論文 参考訳（メタデータ） (2020-04-05T21:26:24Z)
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。