論文の概要: WatchHAR: Real-time On-device Human Activity Recognition System for Smartwatches

• arxiv url: http://arxiv.org/abs/2509.04736v1
• Date: Fri, 05 Sep 2025 01:30:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.443545
• Title: WatchHAR: Real-time On-device Human Activity Recognition System for Smartwatches
• Title（参考訳）: WatchHAR:スマートウォッチ向けリアルタイムオンデバイスヒューマンアクティビティ認識システム
• Authors: Taeyoung Yeon, Vasco Xu, Henry Hoffmann, Karan Ahuja,
• Abstract要約: WatchHARは、オーディオと慣性に基づくヒューマンアクティビティ認識システムで、スマートウォッチで完全に動作する。 本稿では,センサデータの事前処理と推論をエンドツーエンドのトレーニング可能なモジュールに統合する,新しいアーキテクチャを提案する。 WatchHARは、スマートウォッチ上で直接動作しながら、イベント検出とアクティビティ分類のための最先端モデルを上回っている。
• 参考スコア（独自算出の注目度）: 10.311784802548349
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite advances in practical and multimodal fine-grained Human Activity Recognition (HAR), a system that runs entirely on smartwatches in unconstrained environments remains elusive. We present WatchHAR, an audio and inertial-based HAR system that operates fully on smartwatches, addressing privacy and latency issues associated with external data processing. By optimizing each component of the pipeline, WatchHAR achieves compounding performance gains. We introduce a novel architecture that unifies sensor data preprocessing and inference into an end-to-end trainable module, achieving 5x faster processing while maintaining over 90% accuracy across more than 25 activity classes. WatchHAR outperforms state-of-the-art models for event detection and activity classification while running directly on the smartwatch, achieving 9.3 ms processing time for activity event detection and 11.8 ms for multimodal activity classification. This research advances on-device activity recognition, realizing smartwatches' potential as standalone, privacy-aware, and minimally-invasive continuous activity tracking devices.
• Abstract（参考訳）: 実用的でマルチモーダルな粒度のヒューマンアクティビティ認識(HAR)の進歩にもかかわらず、制約のない環境でスマートウォッチで完全に動作するシステムはいまだ解明されていない。 WatchHARは、スマートウォッチ上で完全に動作し、外部データ処理に関連するプライバシーとレイテンシの問題に対処するオーディオおよび慣性ベースのHARシステムである。 パイプラインの各コンポーネントを最適化することで、WatchHARは複雑なパフォーマンス向上を達成する。 センサデータの事前処理と推論をエンドツーエンドのトレーニング可能なモジュールに統合し,25以上のアクティビティクラスに対して90%以上の精度を維持しながら5倍高速な処理を実現する,新しいアーキテクチャを提案する。 WatchHARは、スマートウォッチ上で直接動作しながら、イベント検出とアクティビティ分類の最先端モデルより優れており、アクティビティイベント検出の処理時間は9.3ms、マルチモーダルアクティビティ分類の処理時間は11.8msである。 この研究は、デバイス上でのアクティビティ認識を推進し、スマートウォッチがスタンドアロン、プライバシーに配慮し、最小限の侵襲的な継続的アクティビティ追跡デバイスとしての可能性を実現する。

関連論文リスト

• CADDI: An in-Class Activity Detection Dataset using IMU data from low-cost sensors [3.3860149185538613]
  安価なIMUセンサを用いたクラス内アクティビティ検出のための新しいデータセットを提案する。 データセットは、典型的な教室のシナリオで12人の参加者が実行した、瞬間的および連続的な19の多様なアクティビティで構成されている。 加速度計、ジャイロスコープ、回転ベクトルデータ、および同期ステレオ画像を含み、センサーと視覚データを用いたマルチモーダルアルゴリズムを開発するための包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2025-03-04T18:29:57Z)
• 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)
• A Wireless-Vision Dataset for Privacy Preserving Human Activity Recognition [53.41825941088989]
  アクティビティ認識の堅牢性を改善するため,WiNN(WiFi-based and video-based neural network)が提案されている。 以上の結果から,WiViデータセットは一次需要を満足し,パイプライン内の3つのブランチはすべて,80%以上のアクティビティ認識精度を維持していることがわかった。
  論文  参考訳（メタデータ） (2022-05-24T10:49:11Z)
• 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)
• Human Activity Recognition on wrist-worn accelerometers using self-supervised neural networks [0.0]
  日常生活活動の指標 (ADL) は, 健康の指標として重要であるが, 生体内測定は困難である。 本稿では,加速度センサデータの頑健な表現をデバイスや対象に対して一般化するための自己教師付き学習パラダイムを提案する。 また,連続した実生活データに対して,有意な活動のセグメントを同定し,HARの精度を高めるセグメンテーションアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-22T23:35:20Z)
• Human Activity Recognition using Attribute-Based Neural Networks and Context Information [61.67246055629366]
  手作業におけるウェアラブルセンサデータから人間の活動認識(HAR)を考察する。 我々は、コンテキスト情報をディープニューラルネットワークベースのHARシステムに体系的に組み込む方法を示す。 提案したアーキテクチャは,最先端手法と比較してHAR性能が向上することを示す。
  論文  参考訳（メタデータ） (2021-10-28T06:08:25Z)
• 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)
• Human Activity Recognition using Deep Learning Models on Smartphones and Smartwatches Sensor Data [0.0]
  We use the popular WISDM dataset for activity recognition。 スマートフォンやスマートウォッチは、着ている場所によって、同じ方法でデータをキャプチャしません。
  論文  参考訳（メタデータ） (2021-02-28T06:49:52Z)
• ZSTAD: Zero-Shot Temporal Activity Detection [107.63759089583382]
  本研究では,ゼロショット時間的活動検出(ZSTAD)と呼ばれる新たなタスク設定を提案する。 このソリューションのアーキテクチャとして,R-C3Dに基づくエンドツーエンドのディープネットワークを設計する。 THUMOS14とCharadesデータセットの両方の実験は、目に見えない活動を検出するという点で有望なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2020-03-12T02:40:36Z)

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。