MétaCan
Menu
Retour à la cohorte
Enregistrement W4376470781 · doi:10.23977/jaip.2023.060209

Neural network and system for attitude and behavior detection based on pressure data

2023· article· en· W4376470781 sur OpenAlex

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.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueJournal of Artificial Intelligence Practice · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueAI and Big Data Applications
Établissements canadiensnon disponible
Organismes subventionnairesSichuan Province Science and Technology Support ProgramDepartment of Science and Technology of Sichuan Province
Mots-clésWearable computerComputer scienceProcess (computing)Convolutional neural networkArtificial intelligenceTrajectoryArtificial neural networkReal-time computingPoint (geometry)Wearable technologyComputer visionChange detectionEmbedded system

Résumé

récupéré en direct d'OpenAlex

In the process of monitoring the behavior of the elderly, wearable devices and visual devices are easily limited by the site and environment, resulting in poor monitoring results. This paper proposes a posture behavior detection method and system based on pressure data. The convolutional neural network algorithm is used to identify the pressure data to detect the posture, calculate the posture holding time and posture change frequency, judge the posture change action process according to the trajectory of the pressure center point, and finally record and analyze the user's behavior. The correct rate of pose classification of the model used in this paper has reached 98.69%, and the correct rate of pose retention time has reached 98.06%. Finally completed the research and development of the relevant monitoring system, which can be used in the field of medical treatment and daily care.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,966
Score d'incertitude au seuil0,283

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,139
Tête enseignante GPT0,381
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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