Interpretable Multisensor-Based Hand Gesture Detection for Fine-Grained Activity Recognition
Notice bibliographique
Résumé
To explore the feasibility of enhancing independence among the aging population through wearable sensing technologies, this preliminary study presents and evaluates a novel system for fine-grained human activity recognition in smart home environments. Conducted at the Université du Québec à Chicoutimi with volunteer students and personnel aged between 20 and 45 years, the study investigated the use of photoplethysmography (PPG) and accelerometer sensors to identify six cooking gestures. The proposed model employed Spatial Dilated Convolution (SDC) encoders to capture local temporal patterns, achieving up to 95% accuracy in gesture detection. By comparing the attention weights of a Multivariate Multi-Head Attention (MMA) mechanism with the gate strengths of a Focal Modulation (FM) mechanism, we further assessed their interpretability in identifying hand-specific contributions without explicit annotations, obtaining an 83% accuracy in dominant hand identification. Validation through a Leave-One-Group-Out evaluation across participants resulted in mean accuracy scores of 82% for gesture detection and 75% for dominant hand identification. These findings demonstrate the potential of repurposing PPG sensors to detect subtle, movement-induced signals as a proof of concept for a non-invasive and privacy-conscious monitoring approach. While preliminary, this work lays the groundwork for future studies targeting real-time, personalized assistance systems to promote elderly well-being in smart home contexts.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».