使用智能手机的加速度计数据进行人员识别
使用智能手机的惯性传感器,以无约束状态采集步态数据,通过深度学习技术学习建模,提出了一种有效的步态识别方法,使得人员身份鉴别和认证性能高于 93.5% 和 93.7%。
Nov, 2018
本研究使用手机加速度计数据对 8 种复杂活动进行基于深度学习的二分类,取得了 AUROC 得分高达 0.76 的良好结果,表明在后疫情时代使用手机加速度计数据对复杂活动进行识别的可行性。
Jan, 2023
我们创建了一个安卓应用程序,能够实时识别人体活动并计算所燃烧的卡路里,使用了标记的三轴加速度读数和机器学习算法,以及一部分特征来提供最大准确度和最小模型构建时间。
Apr, 2024
介绍了一种称为 Motion ID 的用户认证新方法,该方法利用惯性测量单元 (IMUs) 提供的运动感应来验证个人身份。通过数据预处理和机器学习,该方法展示了高精度的用户认证,可与现有方法结合使用,也有望作为一种独立的解决方案。
Jan, 2023
该研究总结了现代智能手机上常见的传感器,并提出了一个利用这些传感器模拟人与智能手机之间交互的维度分类法。其应用包括神经运动技能、认知功能和行为或例行程序,尤其关注用户认证方面的应用。通过使用人类移动交互的新型多模式数据库(HuMIdb 数据库),以深度学习中的连体神经网络为基础,该研究还检验了一个基于简单线性触摸手势的生物识别认证系统,达到了 87% 的准确率。
Jun, 2020
通过手机传感器收集的活动数据可可靠地预测人的个性。使用从加速度计记录和运动模式计算出的指标,我们能够在两类问题上预测用户的个性,F1 得分最高可达 0.78。这些新颖的个性指标为社会科学的未来研究开辟了新的途径。我们的结果揭示了不同的行为模式,这些模式对五个大的人格特征有不同的预测作用。它们为无问卷调查地研究与个性相关的问题提供了成本效益高、前所未有规模的可能性。总体而言,本文展示了通过智能手机传感和机器学习技术获取丰富的行为数据如何促进个性研究,并能够为从业者和研究人员提供有关个性不同行为模式的信息。这些发现对于利用移动传感器数据进行个性评估的组织具有实际意义,并将指导未来更精确和高效的预测模型的改进。
Jan, 2024
通过分析手机传感器获得硬件指纹,尤其是通过加速度计校准误差,可在移动设备连接到网站时实现去匿名化,同时作为较为安全的身份认证手段,并且此种方法能够提供足够的信息熵,以低概率避免与其他设备的冲突。
Aug, 2014
基于 Residual 网络和 Residual MobileNet 集成的分层多结构方法(FusionActNet)能够有效地对不同的人类活动进行分类识别,并在 UCI HAR 和 Motion-Sense 数据集上取得了 96.71% 和 95.35% 的准确率。
Oct, 2023
本研究使用多个应用组件来研究坠落检测系统的开发挑战和选择,并提供未来研究材料。该系统使用加速度计和 ECG 传感器进行测试,并通过 ResNet152 模型在标准化和洗牌数据集上取得了最佳表现,实现了 92.8% 的 AUC,87.28% 的灵敏度和 98.33% 的特异度。
Jun, 2022