文献

J-GLOBAL ID：202102215803948353   整理番号：21A2570055

w-HAR:低電力ウェアラブルデバイスを用いた活動認識データセットとフレームワーク【JST・京大機械翻訳】

w-HAR: An Activity Recognition Dataset and Framework Using Low-Power Wearable Devices

著者 (4件)： Bhat Ganapati (School of Electrical Engineering and Computer Science, Washington State University, Pullman, WA 99164, USA) ,  Tran Nicholas (School of Electrical, Computer, and Energy Engineering, Arizona State University, Tempe, AZ 85281, USA) ,  Shill Holly (Lonnie and Muhammad Ali Movement Disorder Center, Phoenix, AZ 85013, USA) ,  Ogras Umit Y. (Department of Electrical and Computer Engineering, University of Wisconsin-Madison, Madison, WI 53706, USA)
資料名： Sensors (Web)  (Sensors (Web))
巻： 20  号： 18  ページ： 5356  発行年： 2020年 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： ヒト活動認識(HAR)は,患者のリハビリテーションと運動障害における広範な応用のため,人気で成長している。HAR手法は,通常,考慮中の活動に対するセンサデータを収集し,次にデータセットを用いてアルゴリズムを開発する。このように,HARのためのアルゴリズムの成功は,データセットのアベイラビリティと品質に依存する。HARに関する既存の研究の大部分は,ウェアラブルデバイスまたはスマートフォン上の慣性センサからのデータを使用して,HARアルゴリズムを設計する。しかし,慣性センサは,データをセグメント化し,活動を分類するのを困難にする高い雑音を示す。さらに,既存のアプローチでは,通常,それらのデータを公開できず,HAR手法の比較を得ることを困難または不可能にする。これらの問題に取り組むために,著者らは22人のユーザから7つの活動のラベル付きデータを含むウェアラブルHAR(w-HAR)を提示する。著者らのデータセットのユニークな側面は,慣性およびウェアラブルストレッチセンサからのデータの統合であり,従って,2種類の活動情報を提供する。ウェアラブルストレッチセンサデータは,可変長セグメントデータを作成し,各セグメントが単一活性を含むことを確実にする。また,HARフレームワークを提供し,w-HARを用いて活動を分類する。この目的のために,まず,活性分類のためのニューラルネットワークアーキテクチャを選択するために,設計空間探索を行った。次に,2つのオンライン学習アルゴリズムを用いて,そのデータが設計時間に含まれていないユーザに分類器を適応させた。w-HARデータセットに関する実験は,著者らのフレームワークが95%の精度を達成して,オンライン学習アルゴリズムが精度を40%まで改善することを示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  雑音 ,  セグメンテーション ,  ヒト ,  アベイラビリティ ,  運動障害 ,  センサ ,  学習アルゴリズム ,  スマートフォン
準シソーラス用語： オンライン学習 ,  *ウェアラブルデバイス ,  慣性センサ ,  ウェアラブル ,  オンライン ,  センサデータ , 【Automatic Indexing@JST】

著者キーワード (3件)： 人間の活動認識 ,  オンライン学習 ,  ウェアラブルデバイス

分類 (3件)： 生体計測  (EL03020C) ,  パターン認識  (JE07000S) ,  計測機器一般  (AD02000X)

引用文献 (42件)：

• Dinesh, K.; Xiong, M.; Adams, J.; Dorsey, R.; Sharma, G. Signal analysis for detecting motor symptoms in Parkinson’s and Huntington’s disease using multiple body-affixed sensors: A pilot study. In Proceedings of the 2016 IEEE Western New York Image and Signal Processing Workshop, Rochester, NY, USA, 18 November 2016; pp. 1-5.
• Mosenia, A.; Sur-Kolay, S.; Raghunathan, A.; Jha, N.K. Wearable medical sensor-based system design: A survey. IEEE Trans. Multi-Scale Comput. Syst. 2017, 3, 124-138.
• Lee, S.I.; Ozsecen, M.Y.; Della Toffola, L.; Daneault, J.F.; Puiatti, A.; Patel, S.; Bonato, P. Activity detection in uncontrolled free-living conditions using a single accelerometer. In Proceedings of the 2015 IEEE 12th International Conference on Wearable and Implantable Body Sensor Networks (BSN), Cambridge, MA, USA, 9-12 June 2015; pp. 1-6.
• Tao, W.; Liu, T.; Zheng, R.; Feng, H. Gait analysis using wearable sensors. Sensors 2012, 12, 2255-2283.
• Nam, H.; Kim, J.H.; Kim, J.I. Smart belt: A wearable device for managing abdominal obesity. In Proceedings of the 2016 International Conference on Big Data and Smart Computing (BigComp), Hong Kong, China, 18-20 January 2016; pp. 430-434.

タイトルに関連する用語 (6件)： Har ,  低電力 ,  ウェアラブルデバイス ,  活動認識 ,  データセット ,  フレームワーク