Improving Human Activity Recognition using ML and Wearable Sensors
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
The Internet of Things (IoT) generates massive amounts of data everywhere through sensors of every kind which are disseminated in a variety of objects. This data contains incredibly valuable information useful for multiple applications. Knowing the context in which it was generated is extremely important and constitutes one of the first steps in extracting the knowledge it contains. Thereby, Context-Aware Learning (CAL) has become an important area of research as machine learning (ML) is a fast and ever-evolving technology. Wearable devices, ranging from accelerometers (ACC), frequently used, to magnetic field sensors, are used to monitor and recognize human activities (HA). Beyond ML Algorithms (MLA), accurate Human Activities Recognition (HAR) or context identification, depends not only on the kinds of sensors used but also on their location. In this paper, we study the impact of three types of sensors: ACC, gyroscope (GYR), and magnetometer (MAG); and their locations on the performance of MLA for HAR. Our results show that magnetic field sensors, less frequently used in the literature, placed at a specific location, provide the best performance in terms of HAR. Using a publicly available dataset, PAMAP2, we implement and evaluate the performance of HAR using five MLA: Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis (QLA), K-Nearest Neighbors (KNN), Decision Tree (DT), and Random Forest (RF). Our results show that the success rate of these algorithms is 98.3%, 90.4%, 97.6%, 99.9%, and 100% respectively, which exceeds the results obtained in a previous work based on the same dataset.
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 | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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