Jul, 2023

ContextLabeler 数据集：野外手机使用中收集的物理和虚拟传感器数据

PDF
TL;DR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。
data collectionsmartphone sensorsdatasetcontext-aware solutionsmobile environment
发现论文，激发创造
  • 融合物理和虚拟传感器数据的用户情境轻量级建模

    本文介绍了一个框架，可收集来自个人移动设备的数据集，包含异构传感器数据，使用六种降维技术，可以在保持准确率损失小于 3% 的情况下，实现 10 倍加速和超过 90% 的特征减少，从而提高上下文分类能力。

    Jun, 2023

  • MyDigitalFootprint: 广泛上下文数据集，适用于边缘计算应用

    本文介绍了 MyDigitalFootprint 数据集，它包含了智能手机传感器数据、物理接近信息和在线社交网络互动的大规模数据，支持多模态上下文识别和社交关系建模，并通过三个基于机器学习任务的上下文感知应用程序展示了其有效性。

    Jun, 2023

  • 利用手机传感器对人机交互进行建模：用户身份认证的研究数据集和概述

    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

  • 保护感官数据免受敏感推断影响

    本研究提出了移动设备的特征学习体系结构，以适当转换原始感测器数据提供灵活的、可协商的隐私保护传输，并将模型从当前的二进制设置向每个应用程序授予权限的范围内推进，以实现提供的服务。该框架已在 MotionSense 数据集上验证，在保持转换数据对活动识别的有用性的同时，仅有约 3 个百分点的平均损失，同时将性别分类的可能性从使用原始感测器数据时的 90％以上降至使用转换数据时的 50％左右。

    Feb, 2018

  • TILES-2018，一份医院工作人员生理和行为数据的纵向数据集

    研究使用可穿戴和环境传感器分析医院工作人员的工作表现，人际交往和幸福感，收集 212 名参与者的生理和行为数据，并通过测量个性特征，行为状态，工作表现和幸福感等问题，构建数据集，支持多模态行为建模、生物特征认证和隐私保护机器学习等应用

    Mar, 2020

  • UniMiB SHAR: 一种新的智能手机加速度数据人体活动识别数据集

    该研究介绍了一个新的数据集，用于人类活动识别和跌倒检测，利用加速度传感器数据，分成 17 个活动类型和 8 个跌倒类型，可用于训练和评估分类器。评估表明，跌倒类型的识别比活动类型更困难，并且基于单一受试者的评估比基于多位受试者的评估表现更好。

    Nov, 2016

  • GLOBEM 数据集：用于纵向人类行为建模泛化的多年数据集

    本文介绍了一份多年的被动监测数据集，用于支持进行跨数据集评估行为建模算法的泛化性能，并提供 18 种算法在抑郁症检测任务上的基准结果。结果表明，先前的抑郁症检测算法和领域泛化技术都有潜力但需要进一步研究才能实现充分的跨数据集泛化能力。

    Nov, 2022

  • 分析不同被动采集数据对于预测压力和抑郁的贡献

    通过分析根据被动捕捉的数据预测日常自我报告的压力和 PHQ-9 抑郁评分，我们发现 WiFi 特征（编码移动模式）和电话日志特征（编码与睡眠模式相关的信息）对于压力和抑郁预测提供了显著信息。

    Oct, 2023

  • 面向个性化压力监测的主动强化学习在日常环境中的应用

    本文提出了一种上下文感知的主动学习策略，并开发了一个多层传感器边缘云平台，以捕获生理信号并即时处理，以及收集标签并重新训练检测模型。结果表明，所提出的上下文感知主动学习技术相对于基于随机策略和传统主动学习策略，在使用者查询方面分别减少 88％和 32％，同时达到理想的检测性能。

    Apr, 2023

  • 基于智能手机嵌入式传感器数据的用户社交环境和熟悉场所的设备端建模

    该论文提出了一种基于移动设备的无监督轻量级方法来直接模拟用户的社交上下文和位置，该方法利用了自我网络模型，对智能手机嵌入式传感器数据提取高级别的语义上下文特征，在社交上下文方面，该方法利用了在用户和设备之间的物理和网络社交互动的数据，对于位置，它优先建模了特定位置的熟悉度程度，相对于只使用与物理上下文相关的特征，该方法在 AUROC、Precision 和 Recall 方面的表现都有所提高。

    Jun, 2023