Subject Identification Using Behavioral Cues and Machine Learning
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
In recent years, significant advances in biometrics have essentially been driven by machine learning (ML) and deep learning (DL) progress. Numerous human identification applications are currently available using physical traits such as fingerprints, face, and voice. With the development of Internet of Things (IoT) sensors and the availability of a variety of ML algorithms, there has been increased research interest in subject identification (SI) based on behavioral cues. For example, several research works have been published on SI based on gait analysis. Sensors like accelerometers (ACC), gyroscopes, (GYR), and magnetometers (MAG) were used to collect data during limited activities such as walking. We believe that using data for one activity is not sufficient to adequately capture behavioral cues for the purpose of SI. Considering other cues such as gestures or head shaking and using a variety of sensors located on different parts of the human body are essential to developing a scenario that includes expressive human activities. We designed a specific scenario that included several activities, such as walking, giving a talk, chatting while sitting, and climbing stairs, using five inertial measurement units (IMU) located on various parts of the human body. Several ML algorithms, namely Linear Discriminant Analysis (LDA), K-Nearest Neighbours (KNN), Random Forest (RF), and XGBoost (XGB) were used. Our results show that SI yields beyond 99% accuracy for most activities. Furthermore, we succeeded in implementing a real-time IoT system for SI based on our best offline results. We achieved 98.04% accuracy within 0.06 ms of processing time (PT).
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 | 0,001 | 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