Using Wearable Sensors for Sex Classification and Age Estimation from Walking Patterns
Notice bibliographique
Résumé
Gait refers to the walking pattern of an individual and it varies from person to person. Consequently, it can be considered to be a biometric feature, similar to the face, iris, or fingerprints, and can easily be used for human identification purposes. Person identification using gait analysis has direct applications in user authentication, visual surveillance and monitoring, and access control-to name a few. Naturally, gait analysis has attracted many researchers both from academia and industry over the past few decades. Within a small population, the accuracy of person identification could be very high; however, with the growing number of people in a given gait database, identifying a person only from gait becomes a daunting task. Hence, the focus of researchers in this field has exhibited a paradigm shift to a broader problem of sex and age prediction using different biometric parameters-with gait analysis obviously being one of them. Recent works on sex and age prediction using gait pattern obtained from the inertial sensors lacks an analysis of the features being used. In this paper, we propose a number of features inherent to gait data and analyze key features from the time-series data of accelerometer and gyroscopes for the automatic recognition of sex and the prediction of age. We have trained various traditional machine learning models and achieved the highest accuracy of 94% in sex prediction and an R2 score of 0.83 in age estimation.
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 | 0,000 | 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 | 0,000 | 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 ».