MyMove:智能手表语音标签功能助力老年人进行场景中活动分类
提出了一种新的应用来实时监测老年人自己的居家缺乏运动的情况,旨在支持老年人的生活和独立性。基于 RGB-D 相机和紧凑型计算机处理器的轻量级相机监控系统在社区家庭中进行了开发和试验,以观察老年人的日常行为。匿名和不显眼地检测到了日常情境中的身体静止事件。这些事件可以从更高的层面解释,例如意识丧失或生理恶化。评估了静止监测系统的准确性,并提供了与老年人日常行为相关的静止事件统计数据。结果表明,我们的方法在各种环境下,包括低照明、电视抖动和不同的摄像机视角中准确地进行了静止检测。
Nov, 2023
通过比较用户驱动的现场注释和回忆方法使用的四种不同常见注释方法的实证研究,结合展示活动日记和可视化工具,降低了缺失注释和提高了注释一致性,从而提高了深度学习模型的 F1 值约 8%。
May, 2023
本文通过文献综述,使用六种公开数据集,采用标准化评估标准对最先进的人类活动识别技术进行比较,提出了一种改进的混合手工特征和神经网络架构的方法,优于先前的技术,并证明标准化评估是必要的。
Jan, 2021
本研究使用自我监督学习技术在 UK-Biobank 活动追踪器数据集上训练活动识别模型,结果表明该模型在七个基准数据集上的 F1 分数相对提高 2.5%~100%,可推广至不同外部数据集、设备和环境。开源的模型将有助于研究人员建立高性能、自定义和可推广的活动分类器。
Jun, 2022
该论文介绍了一种无监督方法,通过基于人类活动的特性将人类活动投射到一个嵌入空间中,在该空间中相似的活动会紧密地聚集在一起,从而帮助聚类算法实现对人类活动的识别和分类,相较于直接应用于原始数据集的非监督技术,我们的方法在识别和分类潜在人类活动方面取得了更好的性能。
Jul, 2023
使用基于智能手表的应用程序收集声学特征作为检测日常功能缺陷的客观标记是可行的,通过声学特征可以高达 77.8% 的准确率检测出存在日常功能缺陷的个体。
Sep, 2023
我们通过对多个传感器位置的全面评估,确定了建立位置不变模型的关键身体部位,并开发了可部署的设备内动作模型,实现了 91.41%的帧级 F1 得分。我们还研究了不同位置数据的合成,以减轻数据收集任务的负担,从而推进低门槛、位置不变的活动识别系统的研究。
Feb, 2024
使用 NEX 项目开发的物联网系统和数据分析,可以支持老年人在家独立生活的无干扰健康和健康监测。使用自动检测日常生活活动(ADL)的可视化方法,可以实现 ADL 的自动检测以及可以无需重新训练系统来纳入新参与者的功能。
Jul, 2023
描述了一个数据收集活动和由智能手机传感器得出的数据集,该数据集作为包含 45K 多个数据样本的 CSV 文件集合发布,每个样本由 1332 个与物理和虚拟传感器相关的特征组成,包括动作传感器、运行应用、附近设备和天气条件。此外,每个数据样本都与描述用户活动和传感实验中的情境(例如工作、就餐和运动活动)的基本真实标签相关联。为了避免引入数据收集过程中的任何偏差,我们在野外进行了传感实验,即使用志愿者的设备,并且没有限制用户行为。因此,收集的数据集对于定义和评估移动环境中根据用户情境变化调整行为的各种新颖背景感知解决方案(算法和协议)是一个有用的真实数据来源。
Jul, 2023