Fugu-MT 論文翻訳(概要): Calorie Burn Estimation in Community Parks Through DLICP: A Mathematical Modelling Approach

論文の概要: Calorie Burn Estimation in Community Parks Through DLICP: A Mathematical Modelling Approach

arxiv url: http://arxiv.org/abs/2407.04986v1
Date: Sat, 6 Jul 2024 07:45:05 GMT
ステータス: 処理完了
システム内更新日: 2024-07-09 21:37:47.036131
Title: Calorie Burn Estimation in Community Parks Through DLICP: A Mathematical Modelling Approach
Title（参考訳）: DLICPによるコミュニティパークのカロリーバーン推定--数理モデルによるアプローチ
Authors: Abhishek Sebastian, Annis Fathima A, Pragna R, Madhan Kumar S, Jesher Joshua M,
Abstract要約: 本研究は,ディープラーニング技術,特に顔認識技術を組み合わせた革新的なアプローチであるDLICP(Deep Learning Integrated Community Parks)を紹介する。 DLICPは、顔認識ソフトウェアを備えたカメラを使用して、公園のユーザーを正確に識別し追跡する。本研究は、インテリジェントなスマートパークシステムの開発に大きく貢献し、消費カロリーのリアルタイム更新とパーソナライズされたフィットネストラッキングを可能にした。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Community parks play a crucial role in promoting physical activity and overall well-being. This study introduces DLICP (Deep Learning Integrated Community Parks), an innovative approach that combines deep learning techniques specifically, face recognition technology with a novel walking activity measurement algorithm to enhance user experience in community parks. The DLICP utilizes a camera with face recognition software to accurately identify and track park users. Simultaneously, a walking activity measurement algorithm calculates parameters such as the average pace and calories burned, tailored to individual attributes. Extensive evaluations confirm the precision of DLICP, with a Mean Absolute Error (MAE) of 5.64 calories and a Mean Percentage Error (MPE) of 1.96%, benchmarked against widely available fitness measurement devices, such as the Apple Watch Series 6. This study contributes significantly to the development of intelligent smart park systems, enabling real-time updates on burned calories and personalized fitness tracking.
Abstract（参考訳）: コミュニティパークは、身体活動と全体の幸福を促進する上で重要な役割を担っている。 DLICP(Deep Learning Integrated Community Parks、ディープラーニング統合コミュニティパーク)は、ディープラーニング技術、特に顔認識技術と新しい歩行行動計測アルゴリズムを組み合わせて、コミュニティパークにおけるユーザエクスペリエンスを向上させる革新的なアプローチである。 DLICPは、顔認識ソフトウェアを備えたカメラを使用して、公園のユーザーを正確に識別し追跡する。同時に、歩行活動測定アルゴリズムは、個々の属性に合わせて、平均ペースや消費カロリーなどのパラメータを算出する。 DLICPの精度は、平均絶対誤差(MAE)が5.64カロリー、平均パーセンテージ誤差(MPE)が1.96%で、Apple Watch Series 6のような広く利用可能なフィットネス測定装置と比較された。本研究は、インテリジェントなスマートパークシステムの開発に大きく貢献し、消費カロリーのリアルタイム更新とパーソナライズされたフィットネストラッキングを可能にした。

関連論文リスト

Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。 TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
論文参考訳（メタデータ） (2024-07-19T07:48:45Z)
Human Activity Recognition using Smartphones [0.0]
私たちは、日々の人間の活動を認識し、消費カロリーをリアルタイムで計算するAndroidアプリケーションを作成しました。これは、メタボリック等価性に基づく式を用いて、リアルタイムな活動認識とカロリー燃焼の計算に使用される。
論文参考訳（メタデータ） (2024-04-03T17:05:41Z)
Augmenting Vision-Based Human Pose Estimation with Rotation Matrix [0.20482269513546458]
本研究では,ポーズ推定と新たなデータ拡張手法,すなわち回転行列を併用したモデルを提案する。ポーズ推定データに基づく行動認識の分類精度を高めることを目的としている。
論文参考訳（メタデータ） (2023-10-09T18:19:51Z)
P\=uioio: On-device Real-Time Smartphone-Based Automated Exercise Repetition Counting System [1.4050836886292868]
本稿では,(1)ポーズ推定,(2)閾値保持,(3)オプティカルフロー,(4)ステートマシン,(5)カウンタの5つのコンポーネントからなるスマートフォンの深層学習に基づくエクササイズカウントシステムを紹介する。システムはP=uioioと呼ばれるクロスプラットフォームのモバイルアプリケーションを通じて実装され、スマートフォンカメラのみを使用して3つの標準エクササイズ(スクワット、プッシュアップ、プルアップ)をリアルタイムで追跡する。
論文参考訳（メタデータ） (2023-07-22T01:38:02Z)
A Real-time Human Pose Estimation Approach for Optimal Sensor Placement in Sensor-based Human Activity Recognition [63.26015736148707]
本稿では,人間の行動認識に最適なセンサ配置の課題を解決するための新しい手法を提案する。得られた骨格データは、最適なセンサ位置を特定するためのユニークな戦略を提供する。本研究は,センサ配置の視覚的手法が従来のディープラーニング手法と同等の結果をもたらすことを示唆している。
論文参考訳（メタデータ） (2023-07-06T10:38:14Z)
AlphaPose: Whole-Body Regional Multi-Person Pose Estimation and Tracking in Real-Time [47.19339667836196]
提案するAlphaPoseは,リアルタイムに動作しながら,身体全体のポーズを正確に推定・追跡できるシステムである。我々は,COCO-全体,COCO,PoseTrack,提案したHalpe-FullBodyポーズ推定データセットにおいて,現在の最先端手法よりも高速かつ高精度であることを示す。
論文参考訳（メタデータ） (2022-11-07T09:15:38Z)
Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
論文参考訳（メタデータ） (2022-09-21T02:33:07Z)
Incremental Learning Techniques for Online Human Activity Recognition [0.0]
身体運動のオンライン予測のためのヒューマンアクティビティ認識(HAR)手法を提案する。我々は,監視ソフトウェアを含むHARシステムと加速度計とジャイロスコープデータを収集するモバイルアプリケーションを開発する。この研究で6つの漸進的学習アルゴリズムが採用され、オフラインのHARシステムの開発によく使用されるバッチ学習アルゴリズムと比較される。
論文参考訳（メタデータ） (2021-09-20T11:33:09Z)
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)
Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文参考訳（メタデータ） (2021-01-26T16:01:02Z)
Motion Pyramid Networks for Accurate and Efficient Cardiac Motion Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文参考訳（メタデータ） (2020-06-28T21:03:19Z)

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。