論文の概要: Colepp: uma ferramenta multiplataforma para coleta de dados de dispositivos vestiveis

• arxiv url: http://arxiv.org/abs/2510.15565v1
• Date: Fri, 17 Oct 2025 11:50:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.606652
• Title: Colepp: uma ferramenta multiplataforma para coleta de dados de dispositivos vestiveis
• Title（参考訳）: Colepp: uma ferramenta multiplataforma para coleta de dados de dispositivos vestiveis
• Authors: Vinicius Moraes de Jesus, Andre Georghton Cardoso Pacheco,
• Abstract要約: Coleppはオープンソースのツールで、複数のウェアラブルデバイスからデータを収集して同期する。 このシステムは、スマートフォンを中央ハブとして統合し、Polar H10チェストストラップとWear OSスマートウォッチからデータを受け取り、同期データセットをCSV形式でエクスポートする。 ユースケースは、一貫性のある同期信号を生成するツールの有効性を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The widespread adoption of wearable devices such as smartwatches and fitness trackers has fueled the demand for reliable physiological and movement data collection tools. However, challenges such as limited access to large, high-quality public datasets and a lack of control over data collection conditions hinder the development of robust algorithms. This work presents Colepp, an open-source, cross-platform tool designed to collect and synchronize data from multiple wearable devices, including heart rate (via ECG and PPG) and motion signals (accelerometer and gyroscope). The system integrates a smartphone as a central hub, receiving data from a Polar H10 chest strap and a Wear OS smartwatch, and exporting synchronized datasets in CSV format. Through a custom synchronization protocol and user-friendly interface, Colepp facilitates the generation of customizable, real-world datasets suitable for applications such as human activity recognition and heart rate estimation. A use case shows the effectiveness of the tool in producing consistent and synchronized signals.
• Abstract（参考訳）: スマートウォッチやフィットネストラッカーなどのウェアラブルデバイスの普及により、信頼性の高い生理・運動データ収集ツールへの需要が高まっている。 しかし、大規模で高品質な公開データセットへのアクセス制限や、データ収集条件の制御の欠如といった課題は、堅牢なアルゴリズムの開発を妨げる。 これはオープンソースのクロスプラットフォームツールで、心拍数(ECG、PSG経由)やモーション信号(加速度計、ジャイロスコープ)など、複数のウェアラブルデバイスからデータを収集、同期する。 このシステムは、スマートフォンを中央ハブとして統合し、Polar H10チェストストラップとWear OSスマートウォッチからデータを受け取り、同期データセットをCSV形式でエクスポートする。 カスタム同期プロトコルとユーザフレンドリなインターフェースによって、Coleppは、人間のアクティビティ認識や心拍推定といったアプリケーションに適した、カスタマイズ可能な実世界のデータセットの生成を容易にする。 ユースケースは、一貫性のある同期信号を生成するツールの有効性を示している。

関連論文リスト

• Scalable Wi-Fi RSS-Based Indoor Localization via Automatic Vision-Assisted Calibration [8.414466174813937]
  Wi-Fiベースの位置決めは、モール、空港、キャンパスなどの屋内環境における位置情報ベースのサービスの、スケーラブルでプライバシー保護のソリューションを約束する。 RSSベースの方法は、すべてのWi-Fi対応デバイスでRSSデータが利用できるため、広くデプロイできるが、RSSはマルチパス、チャンネルのバリエーション、受信特性に非常に敏感である。 短時間のカメラアシストキャリブレーションフェーズを用いて,高分解能同期RSSロケーションデータ収集を自動化するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-26T19:28:46Z)
• FPI-Det: a face--phone Interaction Dataset for phone-use detection and understanding [20.181223336698675]
  モバイルデバイスは、安全監視、職場生産性評価、注意管理におけるビジョンシステムに新たな課題を生み出している。 FPI-Detは、職場、教育、交通、公共のシナリオにまたがって、顔と電話の同期アノテーション付き22,879枚の画像を含む。
  論文  参考訳（メタデータ） (2025-09-11T02:50:03Z)
• Robust Collaborative Perception without External Localization and Clock Devices [52.32342059286222]
  複数のエージェントをまたいだ一貫した空間的時間的調整は、協調的な知覚の基礎である。 従来の手法は、ローカライゼーションとクロック信号を提供するために外部デバイスに依存している。 本稿では,様々なエージェントの知覚データに内在する幾何学的パターンを認識して整列する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-05T15:20:36Z)
• Efficient Asynchronous Federated Learning with Sparsification and Quantization [55.6801207905772]
  フェデレートラーニング(FL)は、生データを転送することなく、機械学習モデルを協調的にトレーニングするために、ますます注目を集めている。 FLは一般的に、モデルトレーニングの全プロセス中にパラメータサーバーと多数のエッジデバイスを利用する。 TEASQ-Fedは、エッジデバイスを利用して、タスクに積極的に適用することで、トレーニングプロセスに非同期に参加する。
  論文  参考訳（メタデータ） (2023-12-23T07:47:07Z)
• WEARDA: Recording Wearable Sensor Data for Human Activity Monitoring [3.5297361401370044]
  We present WEARDA, the open Source WEARable Sensor Data Acquisition software package。 WEARDAは、スマートウォッチによる人間の活動データ取得を容易にする。 4つのセンサーからの生データを同時に記録する機能を提供する。
  論文  参考訳（メタデータ） (2023-02-28T20:07:46Z)
• DUET: A Tuning-Free Device-Cloud Collaborative Parameters Generation Framework for Efficient Device Model Generalization [66.27399823422665]
  デバイスモデル一般化(Device Model Generalization, DMG)は、デバイス上での機械学習アプリケーションにおいて、実用的ながら実証されていない研究トピックである。 本稿では,Device-cloUdコラボレーティブパラメトリクスフレームワークDUETを提案する。
  論文  参考訳（メタデータ） (2022-09-12T13:26:26Z)
• 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)
• Mobile Sensing for Multipurpose Applications in Transportation [0.0]
  国務省は、交通問題をタイムリーに分析・解決するために一貫したデータを集めるのに苦労している。 スマートフォンに内蔵されたセンサーの最近の進歩は、より手頃なデータ収集方法をもたらした。 開発されたアプリは、ミズーリ州コロンビアとミズーリ州カンザスシティを結ぶi70Wハイウェイのデータを収集して評価された。
  論文  参考訳（メタデータ） (2021-06-20T17:56:12Z)
• SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
  センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。 動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。 評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7～13%向上し,環境のダイナミクスが最大30%向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-04T23:06:56Z)

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。