On Recognizing Abnormal Human Behaviours by Data Stream Mining with Misclassified Recalls
Notice bibliographique
Résumé
Human activity recognition (HAR) has been a popular research topic, because of its importance in security and healthcare contributing to aging societies. One of the emerging applications of HAR is to monitor needy people such as elders, patients of disabled, or undergoing physical rehabilitation, using sensing technology. In this paper, an improved version of Very Fast Decision Tree (VFDT) is proposed which makes use of misclassified results for post-learning. Specifically, a new technique namely Misclassified Recall (MR) which is a post-processing step for relearning a new concept, is formulated. In HAR, most misclassified instances are those belonging to ambiguous movements. For examples, squatting involves actions in between standing and sitting, falling straight down is a sequence of standing, possibly body tiling or curling, bending legs, squatting and crashing down on the floor; and there may be totally new (unseen) actions beyond the training instances when it comes to classifying "abnormal" human behaviours. Think about the extreme postures of how a person collapses and free falling from height. Experiments using wearable sensing data for multi-class HAR is used, to test the efficacy of the new methodology VFDT+MR, in comparison to a classical data stream mining algorithm VFDT alone.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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 ».