Recognizing and quantifying human movement patterns through haptic-based applications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Biometrics has been introduced recently to identify people by their behavior and physiological features. It offers a wide application scope to detect fraud attempts in organizations, corporations, educational institutions, electronic resources and even crime scenes. The field of biometrics can be divided into two main classes according to features that humans are born with, such as fingerprints or facial features, or behavioral characteristics of humans, like a handwritten signature or voice (J. Ortega-Garcia et al., 2004). The work presented in this paper pursues the latter class, specifically how a person reacts to using daily devices or tools. The fact that we can exploit people's habits in handling devices to identity individuals was the hypothesis that motivated this work. Among the many examples of the potential use of this class of biometrics is the particular force applied to the keys in a keyboard. There is also the time interval between each keypad when dialing a telephone number. Another example that can be extracted from the latter would be the map described by the fingers in navigating through solving maze operation. Extracting these features by using a haptic-based application and defining the subsequent individual pattern is the objective of this research. A framework that identifies behavioral patterns through physical parameters such as direction, force, pressure and velocity has been built. The set up for the experimental work consisted of a multisensory tool, using the Reachin system (Reachin Technologies, User's Programmers Guide and API).
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.
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 découle