Denoising UWB Radar Data for Human Activity Recognition Using Convolutional Autoencoders
Notice bibliographique
Résumé
Human Activity Recognition (HAR) is one of the most popular research topics thanks to its usefulness in providing targeted, meaningful assistance to older adults. Because of the aging of the population in first-world countries, it becomes increasingly important to find innovative solutions that reduce risks associated with aging-in-place policies. HAR proposes solutions that are based on Ambient Intelligence (AmI) to alleviate those risks. In this work, we exploited three UWB radars to recognize 14 activities performed by 19 participants in a prototype smart-home apartment. The main contribution of this paper is UWB radar data cleaning on a practical dataset. The UWB radar data has been filtered using an unsupervised deep convolutional autoencoder (CNN-AE) that learns background noise from the data. This filtering method is compared to the unfiltered data using a Convolutional Neural Network (CNN) classifier in a Leave-One-Subject-Out (LOSO) classification. Performances attest that the CNN-AE unsupervised filtering is efficient for HAR. In addition, we tested the generalization potential of this architecture when the dataset is comprised of a lower number of participants (1, 5, 10, and all 19 participants). Generalization in HAR is difficult as the results show the importance of data quantity and number of subjects. We obtained 69.9% top-1 accuracy when using our filtering architecture compared to 48.4% without it. To conclude, we show that an unsupervised CNN-AE can efficiently filter and generalize UWB radar data in a HAR setting while providing easier learning constraints and implementation on a practical 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».