SenseFace: A sensor network overlay for social networks
Notice bibliographique
Résumé
Sensor devices can capture and process physical phenomena and transmit sensory data to remote locations without any human intervention. One noticeable multidisciplinary advancement in recent sensor technology has resulted in wearable sensor devices that can monitor different daily activities of a human body by forming a body sensor network (BSN). Based on the event, the captured physical data might be very important and must reach interested entities or individuals, if deemed necessary. This requires a framework to deliver the captured sensory data to one's community of interest (COI), which can also be regarded as one's social network. The social network encompasses one's family members, friends, colleagues at work or business, government, and all those that a person communicates with for either a short or long period of time. In this paper, we propose a framework that creates an overlay network to create a secure communication passage for dynamic sensory data communication among users belonging to the same COI. We consider a real life scenario of a 4-tier network consisting of a BSN, cellular network, Intenet and overlay network to deliver sensory data from the BSN to the overlay network. We then introduce our initial open source service oriented prototype of the framework, called SenseFace. SenseFace is suitable for capturing the sensory data from a user's BSN, processing and storing the sensory data in his/her personal gateway, which is a mobile device, sending the data to a remote Internet gateway and finally disseminating the sensory data intelligently to a list of his/her social networks. Finally, we share the experiences we have gathered after the initial phase of the implementation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».