Improved Activity Recognition Through Fusion of Earable Pairs
Notice bibliographique
Résumé
Activity recognition using head-mounted sensors within devices like earbuds and hearing aids is an appealing option because of their wide adoption and social acceptance. Since these devices are typically used in pairs, combining the data for activity recognition could possibly increase accuracy. Inertial measurement units (IMUs) combine an accelerometer and gyroscope allowing for the recording of motion in devices. In this paper, we positioned an IMU near each ear by mounting them on eye-glass frames to record data and validate the question: Does using data from a pair of IMUs improve human activity recognition (HAR) compared to a single IMU? After recording data on 3 subjects, we applied 5 approaches for Resnet classification to the data using a train on 2, leave 1 subject out. Two methods used data from a single ear (Model 1-left or Model 2-right) while three used fusion methods combining the two ears. Fusion of the results of left and right ear prediction based on model confidence measures (Model 3) was compared to using a single method model that was trained on the combined the left and right data (Model 4) and a method that averaged the left and right data before training and testing (Model 5). We found a consistent benefit from using the fusion methods (Methods 3,4,5). The model accuracy increased by 2-4%, with the biggest improvement associated with Method 3. We then used the model’s activation layers to show that the fusion methods can improve accuracy by distinguishing between samples which the individual models are uncertain about.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».