The Effect of Activity Granularity on A Kitchen Activity Recognition System
Notice bibliographique
Résumé
Kitchen activity recognition enables tailored advertising based on users' cooking habits and preferences, enhancing marketing relevance. Like any other human activity, the granularity of the kitchen activity that a sensor aims to recognize may affect the sensor's performance. This study aims to investigate the effect of activity granularity on the performance of a Wi-Fi-based human activity recognition (HAR) method in a kitchen context. For this purpose, first, we utilized an authentic kitchen with an ESP32 microcontroller as a WiFi transceiver and an iPhone 12 mini as a WiFi receiver. Then, we asked one user to perform three coarse-grained kitchen activities: filling an electric kettle with water and turning it on, stir-frying cubed potatoes, and taking several cans from the fridge and putting them on a cabinet. We gathered the Channel State Information (CSI) and Received Signal Strength Indicator (RSSI) data from WiFi packets. Then, we designed and implemented a device-free HAR system by a combination of CSI and RSSI at the feature level and utilizing a 5-fold cross-validation to assess the performance of a voting-based hybrid classification method including support vector machine (SVM), linear discriminant analysis (LDA), and Gaussian Naïve Bayes (GNB). The proposed system achieved an average accuracy of 92.27% in the recognition of coarse-grained activities. We then repeated the same experiment for gathering the same data for three fine-grained activities: chopping, slicing, and French-fries cutting. The same HAR system achieved an average accuracy of 51.53%. The results indicate that a device-free HAR method that achieves a high recognition accuracy for coarse-grained activities cannot achieve a similarly high accuracy for fine-grained activities.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».