Device-Free Human Activity Recognition: A Systematic Literature Review
Notice bibliographique
Résumé
Human activity recognition (HAR) has become a topic of interest in recent years. While device-based, object-tagged, and camera-based approaches to HAR have many advantages, device-free HAR offers new contributions to the field. Unlike device-based or object-tagged methods, it does not require users to carry sensory devices, and unlike camera-based methods, it respects privacy. Despite the significant number of original research studies and surveys on device-free HAR published in recent years, many scientific questions remain open. In this study, a systematic literature review on device-free HAR was conducted by exploring ACM, IEEExplore, ScienceDirect, Scopus, and WebOfScience. This mixed-method study assesses the quality of the reviewed papers and analyzes suggested HAR methods in both a scientometric and technical manner. The scientometric analysis investigates the trends of scientific publications in this field from the beginning of 2017 to the end of 2023 and reviews the types and distribution of publications among countries, universities, and media. The technical analysis categorizes methods based on device-free sensing modalities, the type, and granularity of recognized activities of proposed methods. It also discusses the common challenges and limitations of current device-free HAR approaches. Additionally, existing methods are compared based on their support for non-line-of-sight, multisubject, user-independent, and environment-independent recognition of human activities. This work provides foundational knowledge on each step of device-free HAR: data acquisition, preprocessing, classification, and evaluation, and identifies gaps and open questions in existing research.
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 | 0,003 | 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 | 0,002 | 0,003 |
| Science ouverte | 0,001 | 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 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 ».