文献

J-GLOBAL ID：201702291125829110   整理番号：17A0212883

移動またはウェアラブルデバイスのためのノードセンサデータ解析へのより深い学習アプローチ【Powered by NICT】

A Deep Learning Approach to on-Node Sensor Data Analytics for Mobile or Wearable Devices

著者 (4件)： Ravi Daniele (Hamlyn Centre, Imperial College London, London, U.K.) ,  Wong Charence (Hamlyn Centre, Imperial College London, London, U.K.) ,  Lo Benny (Hamlyn Centre, Imperial College London, London, U.K.) ,  Yang Guang-Zhong (Hamlyn Centre, Imperial College London, London, U.K.)
資料名： IEEE Journal of Biomedical and Health Informatics  (IEEE Journal of Biomedical and Health Informatics)
巻： 21  号： 1  ページ： 56-64  発行年： 2017年 
JST資料番号： W1135A  ISSN： 2168-2194  CODEN： IJBHA9  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 近年ウェアラブルデバイスの普及は様々な生理的,機能的データのスポーツ,健康,およびヘルスケアへの応用で連続的に捕捉できることを意味している。深層学習は,大規模データ分析のための有望な技術であるこの豊富な情報の分類と解析の効率的な方法を必要とする。深層学習は,高性能計算プラットフォームを利用する実装に成功しているが,低電力ウェアラブルデバイスへの使用は,資源制約により制限される。本論文では,深い学習方法論,正確で実時間活性分類を可能にするために浅い特徴集合からの補足情報と共に慣性センサデータから学習した特徴を提案した。ノード計算が要求されるこの組み合わせ法の設計は典型的な深い学習フレームワークにおける現在の限界のいくつかを克服することを目的とした。リアルタイムにノード計算のための提案した方法を最適化するために,データは,深い学習フレームワークに受け渡される前にスペクトル領域前処理を用いた。提案した深い学習アプローチの分類精度は実験室および実世界データセットの両者を用いて最先端の方法に対して評価した。我々の結果は,異なる人間活動データセットの上で,提案アプローチの有効性を示し,他の方法,著者等の組合せパイプライン内の二方法を含むより優れていた。も提案した方法の計算時間は,スマートフォンやウェアラブルセンサプラットフォーム上でリアルタイムにノード処理の制約と一致することを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： スポーツ ,  スマートフォン ,  最適化 ,  *データ解析 ,  健康管理 ,  前処理 ,  *学習 ,  CPU時間
準シソーラス用語： 人間活動 ,  分類精度 ,  慣性センサ ,  実時間 ,  高性能コンピューティング ,  深層学習 ,  *ウェアラブルデバイス , 【Automatic Indexing@JST】

分類 (1件)： 生体計測  (EL03020C)

タイトルに関連する用語 (5件)： ウェアラブルデバイス ,  ノード ,  センサデータ ,  解析 ,  学習