論文の概要: Integrating Temporal Context into Streaming Data for Human Activity Recognition in Smart Home

• arxiv url: http://arxiv.org/abs/2601.11611v1
• Date: Fri, 09 Jan 2026 09:47:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-25 16:54:51.789423
• Title: Integrating Temporal Context into Streaming Data for Human Activity Recognition in Smart Home
• Title（参考訳）: スマートホームにおける人間行動認識のためのストリーミングデータへの時間文脈の統合
• Authors: Marina Vicini, Martin Rudorfer, Zhuangzhuang Dai, Luis J. Manso,
• Abstract要約: 受動的センサーからのヒューマンアクティビティ認識(HAR)は、主に従来の機械学習に依存している。 私たちは、朝、午後、夜のアクティビティをクラスタリングすることで、この問題に取り組みます。 日・日・週の時刻を周期的時間的特徴として組み込むことにより特徴ベクトルを拡張することを提案する。
• 参考スコア（独自算出の注目度）: 3.1032184155196982
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the global population ageing, it is crucial to enable individuals to live independently and safely in their homes. Using ubiquitous sensors such as Passive InfraRed sensors (PIR) and door sensors is drawing increasing interest for monitoring daily activities and facilitating preventative healthcare interventions for the elderly. Human Activity Recognition (HAR) from passive sensors mostly relies on traditional machine learning and includes data segmentation, feature extraction, and classification. While techniques like Sensor Weighting Mutual Information (SWMI) capture spatial context in a feature vector, effectively leveraging temporal information remains a challenge. We tackle this by clustering activities into morning, afternoon, and night, and encoding them into the feature weighting method calculating distinct mutual information matrices. We further propose to extend the feature vector by incorporating time of day and day of week as cyclical temporal features, as well as adding a feature to track the user's location. The experiments show improved accuracy and F1-score over existing state-of-the-art methods in three out of four real-world datasets, with highest gains in a low-data regime. These results highlight the potential of our approach for developing effective smart home solutions to support ageing in place.
• Abstract（参考訳）: 世界人口の高齢化に伴い、個人が独立して安全に自宅に住めるようにすることが不可欠である。 Passive InfraRed Sensor(PIR)やドアセンサーなどのユビキタスセンサーを使用することで、日々の活動を監視し、高齢者の予防医療介入を促進することへの関心が高まっている。 受動的センサーからのヒューマンアクティビティ認識(HAR)は、主に従来の機械学習に依存しており、データセグメンテーション、特徴抽出、分類を含んでいる。 SWMI(Sensor Weighting Mutual Information)のような技術は特徴ベクトル内の空間的コンテキストをキャプチャするが、時間的情報の有効活用は依然として課題である。 我々は、朝、午後、夜の活動をクラスタリングし、異なる相互情報行列を決定する特徴重み付け手法にエンコードすることで、この問題に取り組む。 さらに,日・日・日を周期的時間的特徴として取り入れることで,特徴ベクトルを拡張し,ユーザの位置情報を追跡する機能を追加することを提案する。 実験では、4つの実世界のデータセットのうち3つにおいて、既存の最先端の手法よりも精度とF1スコアが向上し、低データレシエーションでは高い利得が得られた。 これらの結果から,高齢化を支援する効果的なスマートホームソリューション開発へのアプローチの可能性が浮かび上がっている。

関連論文リスト

• MARAuder's Map: Motion-Aware Real-time Activity Recognition with Layout-Based Trajectories [3.788163163289351]
  本稿では,未分割のセンサストリームからリアルタイムなアクティビティ認識のための新しいフレームワークを提案する。 提案手法は,センサアクティベーションを物理フロアプラン上に提案し,軌跡認識画像のようなシーケンスを生成する。 時間的意識を高めるために,文脈的手がかりをエンコードする学習可能な時間埋め込みモジュールを導入する。
  論文  参考訳（メタデータ） (2025-11-08T00:07:43Z)
• DISCOVER: Data-driven Identification of Sub-activities via Clustering and Visualization for Enhanced Activity Recognition in Smart Homes [46.86909768552777]
  本研究では,未ラベルセンサデータから詳細な人間のサブアクティビティを検出する手法であるdiscoVERについて,事前のセグメンテーションに頼ることなく紹介する。 広範に使用されているHARデータセットに対する再注釈演習を通じて,その効果を実証する。
  論文  参考訳（メタデータ） (2025-02-11T20:02:24Z)
• 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)
• Know Thy Neighbors: A Graph Based Approach for Effective Sensor-Based Human Activity Recognition in Smart Homes [0.0]
  スマートホームにおけるヒューマンアクティビティ認識(HAR)のためのグラフ誘導ニューラルネットワーク手法を提案する。 スマートホームにおけるセンサネットワークを表す,より表現力のあるグラフ構造を学習することで,これを実現する。 本手法は,アテンション機構の適用により,個別の入力センサ計測を特徴空間にマッピングする。
  論文  参考訳（メタデータ） (2023-11-16T02:43:13Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• Self-Supervised Transformers for Activity Classification using Ambient Sensors [3.1829446824051195]
  本稿では,環境センサを用いた環境下での居住者の活動の分類手法を提案する。 また,自己教師付き方式でトランスフォーマーを事前訓練する手法を,ハイブリッドオートエンコーダ分類モデルとして提案する。
  論文  参考訳（メタデータ） (2020-11-22T20:46:25Z)
• Deep ConvLSTM with self-attention for human activity decoding using wearables [0.0]
  本稿では,複数のセンサ時系列データの特徴を捉えつつ,重要な時間点を選択するディープニューラルネットワークアーキテクチャを提案する。 提案手法の有効性を,異なるデータサンプリング戦略にまたがって示すとともに,自己認識機構が大幅に改善したことを示す。 提案手法は、複数の身体センサからの人間の活動のより優れた復号化を、長期間にわたって行うことができる。
  論文  参考訳（メタデータ） (2020-05-02T04:30:31Z)
• Human Activity Recognition from Wearable Sensor Data Using Self-Attention [2.9023633922848586]
  本稿では,身体のセンサデータから行動認識のための自己認識型ニューラルネットワークモデルを提案する。 一般に公開されている4つのHARデータセット、PAMAP2、Opportunity、Skoda、USC-HADについて実験を行った。 ベンチマークテスト対象とLeave-out-subject評価の両方において,最近の最先端モデルよりも高い性能向上を実現している。
  論文  参考訳（メタデータ） (2020-03-17T14:16:57Z)

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。