Denoising UWB Radar Data for Human Activity Recognition Using Convolutional Autoencoders
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
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.
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 | 0,001 |
| 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 découle