Posture Detection Using Sounds and Temperature: LMS-Based Approach to Enable Sensory Substitution
Notice bibliographique
Résumé
Sensors are used to determine a variety of health and security parameters. Pressure mats and camera analysis are frequently used to determine a person's chair posture. Measurement of parameters can be derived from a variety of different sensor types, which may already be present in an environment. This paper presents the use of the concept of “sensory substitution,” where a sensor designed to measure Quantity X is used to measure Quantity Y. The concept is used to enable alternative sensing techniques for medical and security applications, such as determining chair occupancy, postural shift times, and even current postural state, without using cameras or pressure sensors. Specifically, the postural state of a subject is determined in a laboratory study using various arrays of both temperature sensors and acoustic sensors. This method can be used standalone, can augment other sensors, or can validate data from pressure or visual-based systems. These alternative sensors could also be used for other aspects of smart infrastructure. The system was tested with different types and styles of furniture, including chairs, armrests, cushions, and beds. A least mean square algorithm was deployed to remove noises enabling acoustic posture detection. Using a thresholding algorithm, postural changes are then identified using audio. In a controlled environment, over 90% of postural change events were detected. Thus, the paper shows two alternative instrumentation and measurement methods to determine occupancy, postural change timings, and even posture states of a person in a chair.
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 | 0,000 |
| 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 ».