Generating Synthetic Augmentation Data from a Practical UWB Radar Dataset Using VQ-VAE
Notice bibliographique
Résumé
Human Activity Recognition (HAR) is a field that has attracted significant attention due to its wide range of applications, from healthcare monitoring to smart home systems. 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. However, development of robust HAR systems is faced with two main challenges: the lack of generalization capacities of current methods and the lack of sufficient practical labeled data. Traditional data augmentation techniques do improve classification accuracy, but they often don’t fully solve the complexity and variability of human activities. This article introduces an innovative approach to creating synthetic data for HAR using Vector-Quantized Variational Auto Encoders (VQ-VAEs), aiming to address the challenges of data scarcity and improve the ability of HAR systems to generalise. Our approach includes the use of three UWB radars to recognize 14 activities performed by 19 participants in a prototype smart-home apartment as the practical dataset. Data from those three UWB radars are then filtered using a Variational Auto Encoder (VAE) and used as ground for data augmentation. Following best practices in data separation, the Leave-One-Subject-Out (LOSO) evaluation method validates the data augmentation using the MobileNetV2 classifier architecture. Results show that the quality of generated data is similar to the original dataset, potentially enhancing the performance of UWB radar based HAR systems.
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 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».