Human Activity Classification in Underwater using Sonar and Deep Learning
Notice bibliographique
Résumé
In this paper, we study the classification of human activity on the surface of a body of water using sonar. In particular, we investigate the classification of three different swimming styles; freestyle, butterfly, and backstroke. Experiments are conducted in a swimming pool to capture acoustic micro-Doppler signatures produced by the different swimming styles. Two acoustic hydrophones are used underwater; one to transmit a single tone signal in the direction of a swimmer and the other to receive the reflected waveform from the swimmer's body. We apply joint time-frequency analysis on the received acoustic signal to extract the micro-Doppler signatures present in the spectrogram. Each of these swimming style activities presents their own unique micro-Doppler signatures. To classify the acoustic micro-Doppler signatures, we explore a deep convolution neural network (DCNN) algorithm. Spectrogram can be considered as an image in which case applying DCNN can serve well for feature recognition purposes. We show that using the spectrogram images the DCNN algorithm can classify different swimming styles performed on the surface of the water with fairly high accuracy. Using the collected data set, we performed experiments where we used 80% of the data for training and the remaining 20% for validation purposes. The DCNN algorithm averaged 93.7% accuracy during training while it had a 90.8% average validation accuracy.
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 ».