Comparative analysis of two methods in fine-grained activity recognition for ambient assisted living
Notice bibliographique
Résumé
The swift progression of artificial intelligence, along with the rising demand for in-home assistance for individuals facing a loss of autonomy, has driven a significant increase in research within the domain of ambient assisted living (AAL). A key challenge challenge in developing assistive technologies in an AAL context concerns the automatic recognition of the ongoing user’s activity. Most existing approaches of Human Activity Recognition use a level of abstraction (low granularity) that is insufficient for developing efficient assistive technologies. The majority of them focus primarily on identifying broad categories of activities, such as eating or sleeping. While this identification is sufficient for monitoring general behavior, it does not enable providing practically meaningful real-time, actionable assistance. In this paper, we propose a comparative study of two novel algorithmic approaches for hand gesture recognition, intended to serve as core components of a fine-grained activity recognition model. To this end, we have defined 13 atomic hand gestures commonly used in cooking activities. The first model we introduce utilizes inertial data, collected from a standard wristband equipped with a triaxial accelerometer and gyroscope, and applies machine learning techniques for analysis. The second model is based on a less conventional approach, employing photoplethysmography sensors, which are rarely used for activity recognition. We detail the design and implementation of both approaches and the conducted experiments. Finally, we present a comparative analysis of the obtained results showing the potential of such approaches for the AAL.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».