論文の概要: OMuSense-23: A Multimodal Dataset for Contactless Breathing Pattern Recognition and Biometric Analysis

• arxiv url: http://arxiv.org/abs/2407.06137v1
• Date: Wed, 22 May 2024 14:47:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 14:19:18.431878
• Title: OMuSense-23: A Multimodal Dataset for Contactless Breathing Pattern Recognition and Biometric Analysis
• Title（参考訳）: OMuSense-23:コンタクトレスブレスパターン認識と生体計測のためのマルチモーダルデータセット
• Authors: Manuel Lage Cañellas, Le Nguyen, Anirban Mukherjee, Constantino Álvarez Casado, Xiaoting Wu, Praneeth Susarla, Sasan Sharifipour, Dinesh B. Jayagopi, Miguel Bordallo López,
• Abstract要約: 我々は,mmWaveレーダとRGB-Dカメラから得られた生体信号を含むOulu Multi Sensingデータセットを紹介する。 このデータセットは、50人の個人から3つの異なるポーズ(立位、座位、横)のデータを特徴付けている。 その結果, バイオシグナーから抽出した特徴を用いて, ポーズ識別精度87%, 呼吸パターン活性認識83%を得た。
• 参考スコア（独自算出の注目度）: 3.7013279051980605
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the domain of non-contact biometrics and human activity recognition, the lack of a versatile, multimodal dataset poses a significant bottleneck. To address this, we introduce the Oulu Multi Sensing (OMuSense-23) dataset that includes biosignals obtained from a mmWave radar, and an RGB-D camera. The dataset features data from 50 individuals in three distinct poses -- standing, sitting, and lying down -- each featuring four specific breathing pattern activities: regular breathing, reading, guided breathing, and apnea, encompassing both typical situations (e.g., sitting with normal breathing) and critical conditions (e.g., lying down without breathing). In our work, we present a detailed overview of the OMuSense-23 dataset, detailing the data acquisition protocol, describing the process for each participant. In addition, we provide, a baseline evaluation of several data analysis tasks related to biometrics, breathing pattern recognition and pose identification. Our results achieve a pose identification accuracy of 87\% and breathing pattern activity recognition of 83\% using features extracted from biosignals. The OMuSense-23 dataset is publicly available as resource for other researchers and practitioners in the field.
• Abstract（参考訳）: 非接触バイオメトリックスと人間の活動認識の分野では、多目的なマルチモーダルデータセットの欠如が重大なボトルネックとなっている。 そこで我々は,mmWaveレーダとRGB-Dカメラから得られた生体信号を含むOulu Multi Sensing (OMuSense-23)データセットを提案する。 このデータセットは、50人の個人から3つの異なるポーズ(立位、座位、横たわる)のデータを分析しており、それぞれが通常呼吸、読書、ガイド呼吸、無呼吸の4つの特定の呼吸パターンを特徴としており、典型的な状況(例:通常呼吸で座る)と臨界状態(例:呼吸なしで横たわる)の両方を含んでいる。 本研究では,OMuSense-23データセットの詳細な概要,データ取得プロトコルの詳細,参加者毎のプロセスについて述べる。 さらに,バイオメトリックス,呼吸パターン認識,ポーズ識別に関連するいくつかのデータ解析タスクのベースライン評価を行う。 その結果, バイオシグナーから抽出した特徴を用いて, 87 %のポーズ識別精度, 83 %の呼吸パターン活性認識精度が得られた。 OMuSense-23データセットは、この分野の他の研究者や実践者のリソースとして公開されている。

関連論文リスト

• SHIELD : An Evaluation Benchmark for Face Spoofing and Forgery Detection with Multimodal Large Language Models [63.946809247201905]
  フェーススプーフィングと偽造検出におけるMLLMの能力を評価するための新しいベンチマーク、ShielDを導入する。 我々は、これらの2つの顔セキュリティタスクにおいて、マルチモーダル顔データを評価するために、真/偽/複数選択の質問を設計する。 その結果,MLLMは顔セキュリティ領域において大きな可能性を秘めていることがわかった。
  論文  参考訳（メタデータ） (2024-02-06T17:31:36Z)
• Multi-objective Feature Selection in Remote Health Monitoring Applications [2.219956413333153]
  いくつかのシナリオでは、RF信号分析フレームワークは、あるタスクのパフォーマンスを他のタスクよりも優先することができる。 我々は,呼吸パターン認識の精度を高める識別的特徴を選択するために,生物学的原理に着想を得た多目的最適化アプローチを採用した。 本稿では,ユーザの識別精度を最大化し,呼吸活動認識のためのシステムの能力を最小限に抑えるために,逆向きな結果を示す。
  論文  参考訳（メタデータ） (2024-01-10T20:27:43Z)
• Whole-body Detection, Recognition and Identification at Altitude and Range [57.445372305202405]
  多様なデータセットに基づいて評価したエンドツーエンドシステムを提案する。 我々のアプローチでは、一般的な画像データセットで検出器を事前トレーニングし、BRIARの複雑なビデオや画像でそれを微調整する。 屋内・屋外・航空シナリオにおける様々な範囲や角度の異なる条件下で徹底的な評価を行う。
  論文  参考訳（メタデータ） (2023-11-09T20:20:23Z)
• Weakly Supervised Multi-Task Representation Learning for Human Activity Analysis Using Wearables [2.398608007786179]
  本稿では,データを複数の表現空間にマッピングする方法を学習する,弱教師付きマルチ出力シムネットワークを提案する。 データサンプルの表現は、そのアスペクトで同じ意味を持つデータが互いに密接な位置にあるような空間に配置される。
  論文  参考訳（メタデータ） (2023-08-06T08:20:07Z)
• Wild Face Anti-Spoofing Challenge 2023: Benchmark and Results [73.98594459933008]
  顔認証システム(FAS)は、顔認識システムの完全性を保護するための重要なメカニズムである。 この制限は、公開可能なFASデータセットの不足と多様性の欠如に起因する可能性がある。 制約のない環境で収集された大規模で多様なFASデータセットであるWild Face Anti-Spoofingデータセットを紹介した。
  論文  参考訳（メタデータ） (2023-04-12T10:29:42Z)
• Multi-Channel Time-Series Person and Soft-Biometric Identification [65.83256210066787]
  本研究は, 深層建築を用いて異なる活動を行う人間の記録から, 個人とソフトバイオメトリックスを同定する。 マルチチャネル時系列ヒューマンアクティビティ認識(HAR)の4つのデータセットに対する手法の評価を行った。 ソフトバイオメトリクスに基づく属性表現は、有望な結果を示し、より大きなデータセットの必要性を強調している。
  論文  参考訳（メタデータ） (2023-04-04T07:24:51Z)
• Differentiable Frequency-based Disentanglement for Aerial Video Action Recognition [56.91538445510214]
  ビデオにおける人間の行動認識のための学習アルゴリズムを提案する。 我々のアプローチは、主に斜めに配置されたダイナミックカメラから取得されるUAVビデオのために設計されている。 我々はUAV HumanデータセットとNEC Droneデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-09-15T22:16:52Z)
• Persistent Animal Identification Leveraging Non-Visual Markers [71.14999745312626]
  乱雑なホームケージ環境下で各マウスにユニークな識別子を時間をかけて発見し提供することを目的としている。 これは、(i)各マウスの視覚的特徴の区別の欠如、(ii)一定の閉塞を伴うシーンの密閉性のため、非常に難しい問題である。 本手法は, この動物識別問題に対して77%の精度を達成し, 動物が隠れているときの急激な検出を拒否することができる。
  論文  参考訳（メタデータ） (2021-12-13T17:11:32Z)
• Personalized breath based biometric authentication with wearable multimodality [2.335150656883681]
  鼻音の特徴を持つ呼吸は、個人識別と検証において潜在的なバイオメトリックスとして示されている。 胸部のモーションセンサーが捉えた他のモダリティから得られる情報に加えて、オーディオ機能によってパフォーマンスがさらに向上することを示します。
  論文  参考訳（メタデータ） (2021-10-29T17:41:43Z)
• A Multi-viewpoint Outdoor Dataset for Human Action Recognition [3.522154868524807]
  我々は,YouTubeと当社のドローンから収集した多視点屋外行動認識データセットを提案する。 データセットは、20の動的なヒューマンアクションクラス、2324のビデオクリップ、503086フレームで構成されている。 全体のベースライン動作認識精度は74.0%である。
  論文  参考訳（メタデータ） (2021-10-07T14:50:43Z)

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。