Deep Transfer Learning for Detection of Upper and Lower Body Movements: Transformer With Convolutional Neural Network
Notice bibliographique
Résumé
When humans repeat the same motion, the tendons, muscles, and nerves can be damaged, causing repetitive stress injuries (RSIs). If the repetitive motions that lead to RSI are recognized early, actions can be taken to prevent these injuries. As human activity recognition (HAR) aims to identify activities employing wearable or environment sensors, HAR is the first step toward identifying repetitive motions. Deep learning models, such as convolutional neural networks (CNNs), have seen great success in recognizing activities for participants whose data are used in the model training; however, their accuracy drops for new participants as people move in different ways. Moreover, most studies focus on lower body movement, while upper body movements are the main cause of RSI. On the other hand, in recent years, transformers have been dominating natural language processing (NLP) and have the potential to improve modeling in other domains involving sequential data such as HAR. Consequently, this article combines a transformer and CNN (Trans-CNN) for the recognition of upper and lower body movements. Transfer learning was employed to personalize the generic model for the target participant. The experiments demonstrate that the generic Trans-CNN outperforms the standalone Trans-CNN. The accuracy of the generic Trans-CNN for both upper and lower body movements improved from 69.6% to 92.4% when personalization was introduced. All models, irrespective of the algorithm, have more difficulty recognizing the upper body than lower body movements. Nevertheless, the proposed personalized approach for the detection of upper and lower body movements represents significant progress toward RSI prevention.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».