A Real-Time IoT System and ML algorithms: A Comparative Study
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
Wearable sensors are frequently used for monitoring physical activities and medical conditions. A variety of sensors are used, such as the accelerometer (ACC), gyroscope (GYR), and magnetometer (MAG), which are often embedded in Inertial Measurement Units (IMU). Data collected from these sensors can be used to identify context or physical activities through context-aware learning methods that apply a variety of learning algorithms. Implementing a real-time system (RTS) that serves a specific application like fall detection or heart condition, for example, is challenging as response time must be within a certain interval. This response time depends on the speed of data collection and transmission as well as the prediction time. Even though a lot of research was done in this area, to the best of our knowledge there is no comparative study based on the criteria we are using here. In this paper, we propose an Edge-based RTS for health-related applications and conduct a comparative study of several Machine Learning Algorithms (MLA) according to four criteria: source of data, sampling period, prediction time (PT), and success rates (SR). Even though MLA demonstrate different behavior toward these criteria, our simulation results showed that it is possible to implement a RTS that can identify or predict accurately physical activities within acceptable time constraints which are application dependant. Simulations were performed on wearable sensors’ data that we collected from 24 participants practicing five different physical activities. Our simulation results showed that the Decision Tree algorithm, with SR of 97.93% and PT of 0.17 seconds, outperformed all other algorithms.
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 | 0,000 |
| Science ouverte | 0,004 | 0,002 |
| 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