論文の概要: Meal-taking activity monitoring in the elderly based on sensor data: Comparison of unsupervised classification methods

• arxiv url: http://arxiv.org/abs/2409.02971v1
• Date: Wed, 4 Sep 2024 09:01:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-07 01:16:35.442779
• Title: Meal-taking activity monitoring in the elderly based on sensor data: Comparison of unsupervised classification methods
• Title（参考訳）: センサデータに基づく高齢者の食事行動モニタリング:教師なし分類法の比較
• Authors: Abderrahim Derouiche, Damien Brulin, Eric Campo, Antoine Piau,
• Abstract要約: 本研究の目的は、K-Means、GMM、DBSCAN技術を組み合わせて食事摂取活動の識別を強化することである。 The Davies-Bouldin Index (DBI) for the optimal meal taking activity clustering, the results shows that K-Means is the best solution。
• 参考スコア（独自算出の注目度）: 2.6999000177990924
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In an era marked by a demographic change towards an older population, there is an urgent need to improve nutritional monitoring in view of the increase in frailty. This research aims to enhance the identification of meal-taking activities by combining K-Means, GMM, and DBSCAN techniques. Using the Davies-Bouldin Index (DBI) for the optimal meal taking activity clustering, the results show that K-Means seems to be the best solution, thanks to its unrivalled efficiency in data demarcation, compared with the capabilities of GMM and DBSCAN. Although capable of identifying complex patterns and outliers, the latter methods are limited by their operational complexities and dependence on precise parameter configurations. In this paper, we have processed data from 4 houses equipped with sensors. The findings indicate that applying the K-Means method results in high performance, evidenced by a particularly low Davies-Bouldin Index (DBI), illustrating optimal cluster separation and cohesion. Calculating the average duration of each activity using the GMM algorithm allows distinguishing various categories of meal-taking activities. Alternatively, this can correspond to different times of the day fitting to each meal-taking activity. Using K-Means, GMM, and DBSCAN clustering algorithms, the study demonstrates an effective strategy for thoroughly understanding the data. This approach facilitates the comparison and selection of the most suitable method for optimal meal-taking activity clustering.
• Abstract（参考訳）: 高齢化に向けた人口動態の変化を特徴とする時代には, 虚弱化を鑑み, 栄養モニタリングの改善が急務である。 本研究の目的は、K-Means、GMM、DBSCAN技術を組み合わせて食事摂取活動の識別を強化することである。 The Davies-Bouldin Index (DBI) for the optimal meal taking activity clustering, the results showed that K-Means is best Solution, because the unrivalled efficiency in data demarcation, compared the capabilities of GMM and DBSCAN。 複雑なパターンとアウトリーチを識別できるが、後者の手法は操作上の複雑さと正確なパラメータ設定への依存によって制限される。 本稿では,センサを備えた4軒の住宅のデータを処理した。 その結果, K-Means法の適用により, 特にDBI(Davies-Bouldin Index)の低値が証明され, 最適なクラスター分離と凝集を図った。 GMMアルゴリズムを用いて各活動の平均時間を計算することにより、食事摂取活動の様々なカテゴリを識別することができる。 あるいは、各食事摂取活動に適合する日時が異なる場合もある。 K-Means、GMM、DBSCANクラスタリングアルゴリズムを用いて、データを完全に理解するための効果的な戦略を示す。 このアプローチは、最適な食事摂取活動クラスタリングのための最も適した方法の比較と選択を容易にする。

関連論文リスト

• Outlier Detection with Cluster Catch Digraphs [1.6440434996206625]
  本稿では,クラスタ・キャッシュ・ダイグラフ(CCD)に基づく異常検出アルゴリズムを新たに導入する。 そこで我々は,Uniformity-based CCD with Mutual Catch Graph (U-MCCD), The Uniformity- and Neighbor-based CCD with Mutual Catch Graph (UN-MCCD), and their shape-adaptive variants (SU-MCCD and SUN-MCCD)を提案する。 以上の結果から,これらのアルゴリズムは,外乱検出の精度と適応性を大幅に向上させることが示唆された。
  論文  参考訳（メタデータ） (2024-09-17T23:08:53Z)
• A Scalable k-Medoids Clustering via Whale Optimization Algorithm [0.0]
  We introduced WOA-kMedoids, a novel unsupervised clustering method which with the Whale Optimization Algorithm (WOA)。 セントロイド選択を最適化することにより、WOA-kMedoidsは観測数に関してk-メドロイドアルゴリズムの計算複雑性を2次からほぼ直線に減らす。 UCRアーカイブから25種類の時系列データセットを用いたWOA-kMedoidsの性能評価を行った。
  論文  参考訳（メタデータ） (2024-08-30T03:43:37Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Hybrid Representation-Enhanced Sampling for Bayesian Active Learning in Musculoskeletal Segmentation of Lower Extremities [0.9287179270753105]
  本研究では,密度と多様性の両基準を統合したハイブリッドな表現強化サンプリング戦略を提案する。 MRIとCT画像の2つの下肢(LE)データセットで実験を行った。
  論文  参考訳（メタデータ） (2023-07-26T06:52:29Z)
• Rethinking k-means from manifold learning perspective [122.38667613245151]
  平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。 具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。 異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
  論文  参考訳（メタデータ） (2023-05-12T03:01:41Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• A Novel Cluster Detection of COVID-19 Patients and Medical Disease Conditions Using Improved Evolutionary Clustering Algorithm Star [0.9990687944474739]
  我々は、現在の進化的クラスタリングアルゴリズムスター(ECA*)を3つの方法で改善する。 最先端アルゴリズムに対するiECA*の性能評価実験を行った。
  論文  参考訳（メタデータ） (2021-09-20T12:47:09Z)
• A New Validity Index for Fuzzy-Possibilistic C-Means Clustering [6.174448419090291]
  Fuzzy-Possibilistic (FP)指数は、形状や密度の異なるクラスターの存在下でうまく機能する。 FPCMはファジィの度合いと典型性の度合いを事前選択する必要がある。
  論文  参考訳（メタデータ） (2020-05-19T01:48:13Z)
• New advances in enumerative biclustering algorithms with online partitioning [80.22629846165306]
  さらに、数値データセットの列に定数値を持つ最大二クラスタの効率的で完全で正しい非冗長列挙を実現できる二クラスタリングアルゴリズムであるRIn-Close_CVCを拡張した。 改良されたアルゴリズムはRIn-Close_CVC3と呼ばれ、RIn-Close_CVCの魅力的な特性を保ちます。
  論文  参考訳（メタデータ） (2020-03-07T14:54:26Z)
• Supervised Hyperalignment for multi-subject fMRI data alignment [81.8694682249097]
  本稿では,MVP解析における機能的アライメントを改善するために,SHA(Supervised Hyperalignment)手法を提案する。 マルチオブジェクトデータセットの実験では、SHA法は最大19%の性能がマルチクラス問題に対して達成されている。
  論文  参考訳（メタデータ） (2020-01-09T09:17:49Z)

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。