文献

J-GLOBAL ID：201902210145240005   整理番号：19A1961955

複数慣性測定ユニットを用いた全身運動クラスの個人化オンライン学習【JST・京大機械翻訳】

Personalized Online Learning of Whole-Body Motion Classes using Multiple Inertial Measurement Units

著者 (5件)： Losing Viktor (Bielefeld University, Bielefeld, 33615, Germany) ,  Yoshikawa Taizo (HONDA R&D Co., Ltd. R&D Center X, 8-1 Honcho, Wako-shi, Saitama, 351-0188, Japan) ,  Hasenjaeger Martina (HONDA Research Institute Europe, Carl-Legien-Str. 30, Offenbach am Main, 63073, Germany) ,  Hammer Barbara (Bielefeld University, Bielefeld, 33615, Germany) ,  Wersing Heiko (HONDA Research Institute Europe, Carl-Legien-Str. 30, Offenbach am Main, 63073, Germany)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： ICRA  ページ： 9530-9536  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： オンライン行動分類は研究の重要な分野であり,ユーザの運動を能動的に支援するウェアラブルデバイスの制御の特に興味ある応用シナリオを可能にする。実世界システムの機械学習応用の大部分は,個人化なしに事前訓練された平均ユーザモデルに基づいている。我々の長期目標は,そのユーザの個人的行動パターンに適応するシステムを,フライとリアルタイムに提供することである。理想的には,システムとユーザとの間の連続的な協調を開始することが望まれる。このようなタスクは静的モデルでは実行可能ではない。本論文では,オンライン行動分類のタスクにおける個人化オンライン学習の可能性と利点を調べた。複数の慣性測定ユニットを組み込み,運動の細粒識別を可能にするXSens bodystを装着する異なる被験者の運動シーケンスを記録した。これに基づいて,最初に特徴選択を行い,高い分類性能を達成するためにはわずかなセンサしか必要としないことを示した。次に,オンラインで訓練された個人化モデルに対するオフライン平均ユーザモデルの認識能力を比較した。著者らの実験は,個人化されたモデルが平均ユーザシステムを上回るためにほんのわずかのデータしか必要とせず,特に生のセンサ入力のみに依存する限られた計算ハードウェアによるアプリケーションに対して価値があると結論した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *計測器 ,  応用プログラム ,  機械学習 ,  モデル ,  センサ ,  ハードウェア
準シソーラス用語： オフライン ,  被験者 ,  実時間 ,  行動パターン ,  ユーザモデル ,  ウェアラブルデバイス ,  *オンライン ,  *オンライン学習 ,  *個性化 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 慣性 ,  測定ユニット ,  全身運動 ,  クラス ,  個人化 ,  オンライン学習