論文の概要: Raising the Bar(ometer): Identifying a User's Stair and Lift Usage Through Wearable Sensor Data Analysis
- arxiv url: http://arxiv.org/abs/2410.02790v1
- Date: Wed, 18 Sep 2024 06:26:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-03 05:44:23.639853
- Title: Raising the Bar(ometer): Identifying a User's Stair and Lift Usage Through Wearable Sensor Data Analysis
- Title（参考訳）: バーのライジング : ウェアラブルセンサデータ分析によるユーザのステアとリフット使用の同定
- Authors: Hrishikesh Balkrishna Karande, Ravikiran Arasur Thippeswamy Shivalingappa, Abdelhafid Nassim Yaici, Iman Haghbin, Niravkumar Bavadiya, Robin Burchard, Kristof Van Laerhoven,
- Abstract要約: 本研究では,階段と昇降機を用いた新しい探索データセットについて述べる。
階段を登ったり降りたり、さまざまなシナリオでリフトを行ったりしながら、20人の参加者からデータを収集した。
本手法は,87.61%,マルチクラス重み付きF1スコア87.56%の精度で,階段および昇降操作の分類精度が高い。
- 参考スコア（独自算出の注目度）: 4.453838343573515
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Many users are confronted multiple times daily with the choice of whether to take the stairs or the elevator. Whereas taking the stairs could be beneficial for cardiovascular health and wellness, taking the elevator might be more convenient but it also consumes energy. By precisely tracking and boosting users' stairs and elevator usage through their wearable, users might gain health insights and motivation, encouraging a healthy lifestyle and lowering the risk of sedentary-related health problems. This research describes a new exploratory dataset, to examine the patterns and behaviors related to using stairs and lifts. We collected data from 20 participants while climbing and descending stairs and taking a lift in a variety of scenarios. The aim is to provide insights and demonstrate the practicality of using wearable sensor data for such a scenario. Our collected dataset was used to train and test a Random Forest machine learning model, and the results show that our method is highly accurate at classifying stair and lift operations with an accuracy of 87.61% and a multi-class weighted F1-score of 87.56% over 8-second time windows. Furthermore, we investigate the effect of various types of sensors and data attributes on the model's performance. Our findings show that combining inertial and pressure sensors yields a viable solution for real-time activity detection.
- Abstract（参考訳）: 多くのユーザーは、階段を降りるかエレベーターを降りるかを選択して、毎日何回も対面している。
階段を降りることは心臓血管の健康と健康にとって有益であるが、エレベーターを降りるのの方が便利だが、エネルギーも消費する。
ウェアラブルを通じて利用者の階段やエレベーターの使用を正確に追跡し、促進することにより、ユーザーは健康的な洞察とモチベーションを得、健康なライフスタイルを奨励し、摂食関連健康問題のリスクを下げることができる。
本研究では,階段と昇降機を用いた新しい探索データセットについて述べる。
階段を登ったり降りたり、さまざまなシナリオでリフトを行ったりしながら、20人の参加者からデータを収集した。
目的は、そのようなシナリオにウェアラブルセンサーデータを使用することの実用性を示し、洞察を提供することである。
収集したデータセットをランダムフォレスト機械学習モデルのトレーニングとテストに使用し,8秒間におけるステップおよびリフト操作の精度87.61%,マルチクラスの重み付きF1スコア87.56%の精度で評価した。
さらに,各種センサとデータ属性がモデルの性能に及ぼす影響について検討した。
以上の結果から,慣性センサと圧力センサを組み合わせることで,リアルタイムな活動検出が実現可能であることが示唆された。
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) - Surgical tool classification and localization: results and methods from
the MICCAI 2022 SurgToolLoc challenge [69.91670788430162]
SurgLoc 2022 チャレンジの結果を示す。
目標は、ツール検出のためにトレーニングされた機械学習モデルにおいて、ツールの存在データを弱いラベルとして活用することだった。
これらの結果を機械学習と手術データ科学の幅広い文脈で論じることで結論付ける。
論文 参考訳（メタデータ） (2023-05-11T21:44:39Z) - Lowering Detection in Sport Climbing Based on Orientation of the Sensor Enhanced Quickdraw [3.9504711818127425]
壁に取り付けられた登山器具に取り付けられた加速度センサを用いてデータを収集するプロトタイプが開発された。
対応するセンサはエネルギー効率が良いように構成されているため、費用と代替の時間消費の観点から実用的になる。
本稿では、ハードウェア仕様、超低電力モードでセンサが測定したデータ、異なる経路におけるセンサの向きパターンを検出し、低電力モードを特定するための教師ありアプローチを開発する。
論文 参考訳（メタデータ） (2023-01-17T15:06:33Z) - Climbing Routes Clustering Using Energy-Efficient Accelerometers
Attached to the Quickdraws [7.47577255773279]
壁に取り付けられた登山器具に取り付けられた加速度センサを用いてデータを収集するプロトタイプが開発された。
対応するセンサはエネルギー効率が良いように構成されているため、費用と代替の時間消費の観点から実用的になる。
本稿では、ハードウェア仕様、超低電力モードでセンサが測定したデータの研究、異なるルートを登る際のデータのパターンの検出、ルートクラスタリングのための教師なしアプローチの開発について述べる。
論文 参考訳（メタデータ） (2022-11-04T19:08:01Z) - Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。
HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。
我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
論文 参考訳（メタデータ） (2022-03-14T17:05:59Z) - Learning Perceptual Locomotion on Uneven Terrains using Sparse Visual
Observations [75.60524561611008]
この研究は、人中心の環境において、よく見られるバンプ、ランプ、階段の広い範囲にわたる知覚的移動を達成するために、スパースな視覚的観察の使用を活用することを目的としている。
まず、関心の均一な面を表すことのできる最小限の視覚入力を定式化し、このような外受容的・固有受容的データを統合した学習フレームワークを提案する。
本研究では, 平地を全方向歩行し, 障害物のある地形を前方移動させるタスクにおいて, 学習方針を検証し, 高い成功率を示す。
論文 参考訳（メタデータ） (2021-09-28T20:25:10Z) - ROIAL: Region of Interest Active Learning for Characterizing Exoskeleton
Gait Preference Landscapes [64.87637128500889]
興味あるアクティブラーニング(ROIAL)フレームワークの領域は、関心のある領域を通じて、各ユーザの基盤となるユーティリティ関数を積極的に学習する。
ROIALは、絶対的な数値スコアよりも信頼性の高いフィードバックメカニズムである順序と選好のフィードバックから学習する。
以上の結果から,限られた人為的試行から歩行実用景観を回復できる可能性が示唆された。
論文 参考訳（メタデータ） (2020-11-09T22:45:58Z) - Anxiety Detection Leveraging Mobile Passive Sensing [53.11661460916551]
不安障害は、子供と成人の両方に影響を及ぼす最も一般的な精神医学的問題である。
スマートフォンから受動的かつ控えめなデータ収集を活用することは、古典的な方法の代替となるかもしれない。
eWellnessは、個人デバイスのセンサとユーザログデータの完全な適合性を、連続的かつ受動的に追跡するために設計された、実験的なモバイルアプリケーションである。
論文 参考訳（メタデータ） (2020-08-09T20:22:52Z) - Abnormal activity capture from passenger flow of elevator based on
unsupervised learning and fine-grained multi-label recognition [18.166284261575473]
本稿では,多層住宅におけるエレベータの利用者フローを通じて,住民の異常活動の把握を目的とした作業フローを提案する。
エレベーターには、カメラとセンサー(ホールセンサー、光電センサー、ジャイロ、加速度計、気圧計、温度計)が取り付けられ、画像とデータを収集する。
エレベータの乗客フローを一般化するために, インスタンスセグメンテーション, マルチラベル認識, 埋め込み, クラスタリングなどのコンピュータビジョンアルゴリズムを適用した。
論文 参考訳（メタデータ） (2020-06-29T08:50:20Z) - augKlimb: Interactive Data-Led Augmentation of Bouldering Training [0.0]
クライミングは人気のあるスポーツであり、特に屋内では、登山者が人工ホールドを使って人工ルートで訓練することができる。
近年,登山にコンピュータ・インタラクションを加える様々な側面が研究されている。
レクリエーションの中間登山者を支援するための軽量ツールの研究のための広大なスペースがある。
論文 参考訳（メタデータ） (2020-01-22T10:26:59Z)
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。