Smartphone Transportation Mode Recognition Using a Hierarchical Machine Learning Classifier and Pooled Features From Time and Frequency Domains
本文提出了一种新的两层分层分类器,提高了传统的交通模式分类算法的准确性。本文还通过提取新的频域特征来提高分类精度。许多研究人员从全球定位系统数据中获得了这些特征;然而,本文排除了这些数据,因为系统的使用可能会耗尽智能手机的电池,并且在某些区域可能会丢失信号。我们提出的两层框架与以前的分类尝试有三个不同之处:1)使用贝叶斯规则组合两层的输出以选择具有最大后验概率的运输模式:2)所提出的框架将新提取的特征与传统使用的时域特征相结合以创建特征池;以及3)基于所分类的模式在每一层中使用所提取特征的不同子集。使用了几种机器学习技术,包括k-最近邻、分类和回归树、支持向量机、随机森林以及随机森林和支持向量机的异构框架。实验结果表明,该框架的分类精度优于传统方法。将时域特征变换到频域还在新的空间中添加了新的特征,并且提供了对信息丢失的更多控制。因此,将时域和频域特征组合在一个大的池中,然后选择最佳子集,比单独使用任一域的精度更高。建议的两层分类器获得了97.02%的最大分类准确率。
2020-06-12 cs.CY cs.LG physics.soc-ph
Interpretable Deep Learning for the Remote Characterisation of Ambulation in Multiple Sclerosis using Smartphones
University of Oxford(牛津大学);Roche Innovation Center(罗氏创新中心);KU Leuven(鲁汶大学)
智能手机等数字技术在医疗保健应用中的出现表明,有可能开发出丰富、连续和客观的多发性硬化症(MS)残疾指标,这些指标可以远程和门诊外管理。在这项工作中,与标准的支持向量机(SVM)基于特征的方法相比,应用于智能手机惯性传感器数据的深度卷积神经网络(DCNN)可以更好地区分健康与MS参与者的行为。为了克服远程生成的健康数据的典型局限性,如受试者数量少、数据稀疏和异构等,提出了一种基于类似大型开源数据集的迁移学习(TL)模型。我们的TL框架利用了从类似的基于智能手机的传感器数据中收集的人类活动识别(HAR)任务的动态信息。“黑匣子”深度网络缺乏透明度仍然是深度学习在临床应用中被更广泛接受的最大障碍之一。因此,接下来的工作旨在使用分层相关传播(LRP)可视化相关热图归因的DCNN决策。通过LRP框架,可以开始建立和理解从基于智能手机的惯性传感器数据中捕获的模式,这些模式反映了健康人与MS患者(PwMS)的关系。解释表明,基于节奏的措施,步态速度和走动相关的信号扰动是区别MS残疾与健康参与者的独特特征。从高频率的门诊评估中产生的稳健和可解释的结果可以大大增强PwMS目前的门诊评估,为更好的疾病管理技术提供信息,并能够开发更好的治疗干预措施。
2021-06-22 cs.LG eess.SP
A Machine Learning Approach for Smartphone-based Sensing of Roads and Driving Style
Universidad Autónoma de Chihuahua(奇瓦瓦自治大学);Facultad de Ingeniería(工程学院);Secretaría de Investigación y Posgrado(研究与研究生部)
道路运输对一个国家的经济、人民的健康和生活方式有着深远的影响。随着城市和人口的增长,对移动性和安全性的需求越来越大,这带来了新的问题,并放大了过去的问题。需要新的工具来应对挑战,保持道路状况良好,使用者安全,并尽量减少对环境的影响。本论文关注道路质量评估和侵略性驾驶,道路交通中的两个重要问题,在智能交通系统的背景下,通过使用机器学习技术来分析加速度时间序列获得基于智能手机的机会感测自动检测,分类和表征感兴趣的事件。道路质量评价的两个方面:检测和表征的道路异常。对于第一,在文献中被引用最多的作品进行比较,并提出了能够相等或更好的性能的建议,消除了对阈值的依赖,降低了以前的建议的计算成本和维数。第二,提出了坑槽深度和减速器工作状态估计的新方法。介绍了坑深排名的新问题,使用学习排名的方法来排序加速度信号的坑,他们反映的深度。侵略性驾驶机动的分类是用自动特征提取完成的,在信号中找到特征性形状的连续性作为比在时间窗口上计算的常规描述符更有效的判别。最后,所有前面提到的任务相结合,以产生一个强大的道路运输评估平台。
2019-08-15 cs.LG eess.SP stat.ML
A Novel AI-enabled Framework to Diagnose Coronavirus COVID 19 using Smartphone Embedded Sensors: Design Study
Koya University(科亚大学);Salahaddin University-Erbil(萨拉赫丁大学埃尔比勒分校);University of Wolverhampton(伍尔弗汉普顿大学);Ulster University(阿尔斯特大学);Howard University(霍华德大学);Manchester Metropolitan University(曼彻斯特城市大学)
冠状病毒是一个著名的病毒家族,可引起人类和动物的疾病。新型冠状病毒COVID-19首次在中国武汉发现。然而,根据世界卫生组织(WHO)的说法,最近该病毒在世界大部分地区广泛传播,并造成大流行。此外,现今,世界各国均致力控制COVID-19。检测冠状病毒的机制有很多,包括胸部CT扫描图像和血液检查结果的临床分析。确诊的COVID-19患者表现为发热、疲倦和干咳。具体地,可以使用几种技术来检测病毒的初始结果,例如医学检测试剂盒。然而,这样的设备产生了巨大的成本,需要时间来安装和使用。因此,在本文中,提出了一个新的框架,使用内置的智能手机传感器来检测COVID-19。该提案提供了一种低成本的解决方案,因为大多数放射科医生已经持有智能手机用于不同的日常用途。不仅如此,普通人也可以在智能手机上使用该框架进行病毒检测。如今,智能手机功能强大,具有现有的计算丰富的处理器,存储空间和大量的传感器,包括相机,麦克风,温度传感器,惯性传感器,接近度,颜色传感器,湿度传感器和无线芯片组/传感器。设计的人工智能(AI)框架读取智能手机传感器信号测量值,以预测肺炎的严重程度以及预测疾病的结果。
2020-05-30 cs.HC cs.LG q-bio.PE
Enabling Smartphone-based Estimation of Heart Rate
University of Virginia(弗吉尼亚大学)
通过可穿戴传感器进行的持续、无处不在的监控有可能收集有关用户环境的有用信息。心率是一种重要的生理测量,用于各种各样的应用,如健身跟踪和健康监测。然而,监测心率的可穿戴传感器(诸如智能手表和心电图(ECG)贴片)由于技术问题(例如,不良无线信道、电池耗尽等)或用户相关的原因(例如,运动伪影、用户依从性等)。使用其他可用传感器数据的能力(例如,智能手机数据)来估计丢失的心率读数对于应对任何这样的间隙是有用的,从而提高数据质量和连续性。在本文中,我们测试了使用智能手机传感器数据估计原始心率的可行性。使用12名参与者在一周的研究期内生成的数据,我们能够使用回归,SVM和随机森林算法构建个性化和广义模型。所有这三种算法都优于基线移动平均插值方法的个性化和广义设置。此外,我们的研究结果表明,个性化模型优于广义模型,这说明了在估计心率时考虑个人生理,行为和生活方式的重要性。这些有希望的结果为将智能手机传感器数据与可穿戴传感器数据相结合进行连续心率监测的可行性提供了初步证据。
2019-12-18 cs.HC cs.LG eess.SP
DySTAN: Joint Modeling of Sedentary Activity and Social Context from Smartphone Sensors
IISER Bhopal(比哈尔理工学院);AIIMS Bhopal(比哈尔医学研究所)
DySTAN通过联合建模静坐活动与社交情境,利用多任务学习框架提升移动情境识别的准确性和鲁棒性。
2025-11-18 cs.AI cs.HC cs.LG
Predicting Floor-Level for 911 Calls with Neural Networks and Smartphone Sensor Data
Columbia University(哥伦比亚大学)
在高楼林立的城市,紧急救援人员需要准确的楼层位置来快速找到911呼叫者。我们介绍了一个系统来估计受害者的地板水平,通过他们的移动终端的传感器数据在两个步骤的过程。首先,我们训练一个神经网络,通过GPS信号变化来确定智能手机何时进入或离开建筑物。其次,我们使用配备气压计的智能手机来测量从建筑物入口到受害者室内位置的气压变化。与以前不切实际的方法不同,我们的系统是第一个不需要使用信标,建筑基础设施的先验知识或用户行为知识的系统。我们通过在纽约市五座不同的高层建筑中进行的63次实验证明了现实世界的可行性,我们的系统以100%的准确率预测了正确的楼层。
2018-09-15 cs.CY cs.LG
From User-independent to Personal Human Activity Recognition Models Exploiting the Sensors of a Smartphone
University of Oulu(奥卢大学)
在这项研究中,提出了一种新的方法来获得用户相关的人类活动识别模型,通过利用智能手机的传感器不引人注目。识别由两个模型组成:基于传感器融合的用户无关的数据标记模型和基于单传感器的用户相关的最终识别模型。所提出的方法的功能进行测试与人类活动数据集,包括从加速度计和磁力计的数据,并与两个分类器。与传统的用户无关模型的检测精度的比较表明,所提出的方法是有潜力的,在十个情况下,它是优于传统的方法,但更多的实验,使用不同的传感器组合,以显示该方法的全部潜力。
2019-05-29 cs.HC cs.LG
ContextLabeler Dataset: physical and virtual sensors data collected from smartphone usage in-the-wild
National Research Council of Italy(意大利国家研究委员会);Institute of Informatics and Telematics, National Research Council of Italy(意大利国家研究委员会信息学与远程通信研究所)
本文发布ContextLabeler数据集,通过志愿者智能手机在自然环境中采集两周超过45,000个样本、1332维物理与虚拟传感器特征及活动标签,为移动情境感知算法与协议研究提供真实数据支持。
2023-07-07 cs.HC cs.LG eess.SP
Leveraging Smartphone Sensors for Detecting Abnormal Gait for Smart Wearable Mobile Technologies
Daffodil International University(达法迪尔国际大学);University of Calgary(卡尔加里大学)
步行是人类最常见的陆地运动方式之一。步行是人类进行大多数日常活动所必需的。当一个人走路时,有一种模式,它被称为步态。步态分析用于体育和医疗保健。我们可以用不同的方式分析这种步态,比如使用监控摄像头或实验室环境中的深度图像摄像头捕捉的视频。它也可以被可穿戴传感器识别。例如,在一个实施例中,加速度计、力传感器、陀螺仪、柔性测角仪、磁阻传感器、电磁跟踪系统、力传感器和肌电图(EMG)。通过这些传感器进行分析需要实验室条件,或者用户必须佩戴这些传感器。为了检测人类步态动作的异常,我们需要单独地结合传感器。我们可以通过检测到异常的人体步态来了解一个人的健康状况。了解正常步态与异常步态可以通过智能穿戴技术来了解受试者的健康状况。因此,在本文中,我们提出了一种通过智能手机传感器来分析异常人体步态的方法。虽然智能手机和智能手表等智能设备现在被大多数人使用。所以,我们可以通过这些智能穿戴设备的传感器来追踪他们的步态。
2022-08-03 cs.CV cs.HC cs.LG
Sensor-based Continuous Authentication of Smartphones' Users Using Behavioral Biometrics: A Contemporary Survey
University of Central Florida(中佛罗里达大学);Ewha Womans University(梨花女子大学)
移动设备和技术已经变得越来越流行,提供了与台式计算机相当的存储和计算能力,允许用户存储敏感和私人信息并与之交互。由于移动设备容易受到未经授权的访问或盗窃,因此这种个人信息的安全性和保护变得越来越重要。用户身份验证是一项至关重要的任务,它在进入点授予合法用户访问权,并在整个使用会话中持续进行。这一任务通过当今智能手机的嵌入式传感器得以实现,这些传感器通过捕获行为生物特征和特征来实现连续和隐式用户身份验证。在本文中,我们调查了140多个最近的基于行为生物特征的方法,用于连续用户身份验证,包括基于运动的方法(28项研究),基于步态的方法(19项研究),基于动态的方法(20项研究),基于触摸手势的方法(29项研究),基于语音的方法(16项研究),和基于多模态的方法(34项研究)。该调查概述了使用智能手机嵌入式传感器捕获的行为生物识别技术进行持续用户身份验证的当前最先进方法,包括采用、可用性和性能方面的见解和开放性挑战。
2020-05-10 cs.CR cs.HC cs.LG
Deep Smartphone Sensors-WiFi Fusion for Indoor Positioning and Tracking
Naver Labs Europe;Universitat Jaume I de Castello(海梅一世大学)
我们解决了室内定位问题,其目标是使用惯性传感器(如加速度计、陀螺仪和磁力计)以及其他环境和网络传感器(如气压计和WiFi)从智能手机收集的数据中预测用户的轨迹。我们的系统实现了一个基于深度学习的行人航位推算(deep PDR)模型,该模型提供了对用户相对位置的高速率估计。使用卡尔曼滤波器,我们使用WiFi校正PDR的漂移,WiFi在每次接收到WiFi扫描时提供用户的绝对位置的预测。最后,我们调整卡尔曼滤波器的结果与地图的自由投影方法,考虑到环境的物理约束(走廊,门等)。并将预测投射到可能的步行路径上。我们在IPIN'19室内本地化挑战数据集上测试了我们的管道,并证明它使用挑战评估协议将获胜者的结果提高了20%。
2020-11-21 cs.LG cs.NI cs.RO
Seq2Seq RNN based Gait Anomaly Detection from Smartphone Acquired Multimodal Motion Data
Technische Universität Dresden(德累斯顿工业大学);King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学);University of Padova(帕多瓦大学);M31
智能手机和可穿戴设备是快速发展的技术,结合无线传感器硬件的进步,正在实现无处不在的传感应用。可穿戴设备适用于室内和室外场景,可以放置在人体的许多部位,并可以集成大量能够收集生理和行为生物特征信息的传感器。在这里,我们关注的是步态分析系统,它从用户的运动中提取有意义的信息,以识别他们行走方式的异常和变化。所提出的解决方案是针对特定主题的,因为所设计的特征提取和分类工具是针对观察对象进行训练的。安装在特制胸部支撑件上的智能手机用于从其内置传感器和后置摄像头收集惯性数据和视频信号。采集的视频和惯性数据进行预处理,组合,然后分类的递归神经网络(RNN)基于序列到序列(Seq2Seq)模型,这是用作特征提取器,和以下卷积神经网络(CNN)分类器。这种架构提供了出色的结果,能够在100%的情况下正确评估异常,对于所考虑的测试,超越了支持向量机分类器的性能。
2019-11-19 cs.HC cs.LG eess.SP
Physical Activity Recognition by Utilising Smartphone Sensor Signals
Centre for Security, Communications and Network Research, Plymouth University(普利茅斯大学安全、通信与网络研究中心);Computer Sciences and Information Technology College, Majmaah University(迈季迈阿大学计算机科学与信息技术学院);College of Education for Pure Science, University of Baghdad(巴格达大学纯科学教育学院);Security Research Institute, Edith Cowan University(伊迪斯科文大学安全研究所);School of Computing, University of Portsmouth(朴茨茅斯大学计算学院)
人体运动行为识别在医学诊断、军事传感、运动分析、人机安全交互等领域有着广泛的应用前景。随着智能手机和可穿戴技术的最新进展,这种设备具有能够感测甚至微小的身体运动的嵌入式运动传感器已经变得很普遍。这项研究收集了60名参与者在两个不同的日子里的人类活动数据,总共有六项活动由现代智能手机中的陀螺仪和加速计传感器记录。本文探讨了在何种程度上可以通过使用机器学习算法,如多数算法投票的方法来确定不同的活动。还提供了更多的分析,揭示了基于时域和频域的特征最能识别个体的运动活动类型。总的来说,所提出的方法在识别四种不同的活动时达到了98%的分类准确率:步行,上楼,下楼,以及当受试者平静并进行典型的基于桌面的活动时坐着。
2022-01-20 cs.CR cs.HC cs.LG
Vulnerable Road User Detection Using Smartphone Sensors and Recurrence Quantification Analysis
Booz Allen Hamilton(博思艾伦汉密尔顿公司);Virginia Tech(弗吉尼亚理工大学)
随着自动驾驶汽车(AV)行业的快速发展,使用智能手机检测弱势道路用户(VRU)对于协同智能交通系统(C-ITS)的安全应用至关重要。本研究探讨了使用低功耗智能手机传感器和递归量化分析(RQA)功能来完成这项任务。这些特征是在从九个通道中提取的阈值相似性矩阵上计算的:加速度计,陀螺仪和每个方向(x,y和z)的旋转矢量。考虑到GPS的高功耗,GPS数据被排除在外。在传统时域特征的基础上加入RQA特征,研究了二值、四类和五类随机森林分类器的分类精度。实验结果表明,一个有前途的性能时,只使用RQA功能,结果准确率为98。34%和98。79%通过添加时域特征。结果优于以前报道的准确性,表明RQA功能具有较高的分类能力,VRU检测。
2020-06-12 cs.CY cs.LG cs.SY
Smartphone-based Hard-braking Event Detection at Scale for Road Safety Services
Google Research(谷歌研究院);Virginia Tech(弗吉尼亚理工大学)
道路交通事故是全世界残疾调整生命年损失的第六大原因。交通安全研究的一个主要挑战是事故的稀疏性,这使得很难对事故原因进行细致的了解,并及时预测未来的事故风险。急刹车事件由于其相对较高的流行率和嵌入式车辆传感器检测的容易性而被广泛用作安全替代物。作为使用固定在车辆中的传感器的替代方案,本文提出了一种可扩展的方法,用于使用从智能手机传感器收集的运动学数据来检测硬制动事件。我们训练了一个基于transformer的机器学习模型,用于使用来自智能手机和车辆传感器的并发传感器读数进行紧急制动事件检测,这些传感器来自驾驶员,他们在谷歌地图中导航时将手机连接到车辆。该检测模型显示出优越的性能与$0.83$精确召回曲线下的面积(PR-AUC),这是$3.8\times$优于基于GPS速度的启发式模型,和$166.6\times$优于基于加速度计的启发式模型。检测到的硬制动事件与来自公开数据集的碰撞密切相关,支持其作为安全替代品的使用。此外,我们进行模型公平性和选择偏差评估,以确保安全收益被平等分享。所开发的方法可以受益于许多安全应用,如确定安全热点在道路网络的水平,评估新的用户界面的安全性,以及使用路由,以提高交通安全。
2022-02-04 cs.LG
Deep Learning-Based Gait Recognition Using Smartphones in the Wild
Wuhan University(武汉大学);Shenzhen University(深圳大学)
与其他生物特征识别技术相比,步态具有隐蔽性强、不易被察觉等优点。惯性传感器,如加速度计和陀螺仪,通常用于捕获步态动力学。这些惯性传感器通常被集成到智能手机中,并被普通人广泛使用,这使得步态数据方便和廉价的收集。在本文中,我们研究了步态识别使用智能手机在野外。与通常需要人沿着指定道路和/或以正常行走速度行走的传统方法相比,所提出的方法在不受约束的条件下收集惯性步态数据,而不知道用户何时、何地以及如何行走。为了获得良好的身份识别和认证性能,提出了基于步行数据的深度学习技术来学习和建模步态生物特征。具体而言,提出了一种用于鲁棒步态特征表示的混合深度神经网络,其中空间和时间域中的特征由卷积神经网络和递归神经网络连续提取。在实验中,使用智能手机收集的两个数据集,共118名受试者用于评估。实验结果表明,该方法在身份识别和身份认证方面分别达到了93.5%和93.7%以上的准确率。
2020-04-29 cs.LG eess.SP stat.ML
Handwritten Digit Leakage from Smartphone Motion Sensors Across Unseen Users and Phone Models
本研究探讨智能手机运动传感器泄露手写数字的风险,提出紧凑传感器补丁变换器,在跨未见用户和手机型号时达到约58%的准确率,证明数字可预测性,但采集顺序捷径限制了隐私暴露结论。
2026-09-29 cs.HC cs.LG
Human Activity Recognition from Smartphone Sensor Data for Clinical Trials
F. Hoffmann-La Roche Ltd(罗氏制药);Roche Polska Sp. z o.o.(罗氏波兰有限公司)
针对临床试验场景,提出一种轻量级ResNet HAR模型,在步态/非步态及日常活动识别上达到高准确率,且对多种佩戴位置鲁棒,优于现有方法。
2025-08-07 cs.LG
COMPASS: Unsupervised and Online Clustering of Complex Human Activities from Smartphone Sensors
Institute for Informatics and Telematics of the National Research Council of Italy(意大利国家研究委员会信息学与远程通信研究所)
本文提出COMPASS,一种无需预定义类别、可在线处理智能手机高维传感数据流的无监督聚类算法,在18个合成和2个真实数据集上以更高聚类纯度和显著更快的执行时间超越现有方法。
2023-06-27 cs.LG
Ensemble Convolutional Neural Networks for Mode Inference in Smartphone Travel Survey
Concordia University(康考迪亚大学);Ryerson University(瑞尔森大学)
我们开发了集成卷积神经网络(CNN)来对收集的出行数据的交通模式进行分类,这些数据是加拿大蒙特利尔大规模智能手机出行调查的一部分。我们提出的集成库由一系列具有不同超参数值和CNN架构的CNN模型组成。在我们的最终模型中,我们使用“平均投票”、“多数投票”和“最优权重”方法组合了CNN模型的输出。此外,我们利用集成库部署一个随机森林模型作为元学习者。以随机森林为元学习器的集成方法的准确率为91.8%,超过了其他三种集成组合方法,以及文献中报道的其他可比模型。“多数投票”和“最优权重”组合方法的预测准确率约为89%,而“平均投票”的准确率仅为85%。
2019-04-18 cs.LG stat.ML
Classification of human activity recognition using smartphones
智能手机已经成为通信手段中最受欢迎和最广泛使用的设备。如今,通过嵌入式传感器可以在移动设备上识别人类活动,可以利用嵌入式传感器通过预测用户活动来管理移动设备上的用户行为。为了达到这一目的,本研究对存储活动特征、分类以及将它们映射到学习算法进行了研究。在这项研究中,我们通过深度信念网络对测试和训练数据进行分类,训练数据的正确诊断率为98.25%,测试数据的正确诊断率为93.01%。因此,在这项研究中,我们证明了深度信念网络是一种适用于这一特定目的的方法。
2020-01-06 cs.CY cs.LG eess.SP
A systematic review of smartphone-based human activity recognition for health research
Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院);Harvard Medical School(哈佛医学院);Harvard Pilgrim Health Care Institute(哈佛 pilgrim 健康护理研究所)
背景资料:智能手机现在几乎无处不在;其众多的内置传感器可以持续测量日常生活活动,使其特别适合健康研究。研究人员提出了各种人类活动识别(HAR)系统,旨在将智能手机的测量结果转换为各种类型的身体活动。在这篇综述中,我们总结了现有的方法,以智能手机为基础的HAR。研究方法:我们系统地检索了Scopus、PubMed和Web of Science,以查找截至2020年12月发表的关于使用智能手机进行HAR的同行评议文章。我们提取了有关智能手机身体位置、传感器和身体活动类型的信息,以及用于活动识别的数据转换技术和分类方案。结果如下:我们确定了108篇文章,并描述了用于数据采集、数据预处理、特征提取和活动分类的各种方法,确定了最常见的实践及其替代方案。结论:智能手机非常适合健康科学领域的HAR研究。对于人群水平的影响,未来的研究应侧重于提高收集的数据的质量,解决缺失的数据,纳入更多样化的参与者和活动,放宽对电话放置的要求,提供更完整的研究参与者文档,并共享实施方法和算法的源代码。
2021-03-26 cs.HC cs.LG q-bio.QM
A Machine Learning Smartphone-based Sensing for Driver Behavior Classification
Higher School of Communications of Tunis, University of Carthage(迦太基大学突尼斯高等通信学院);CEMSE Division, King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学(KAUST)计算工程与科学学院(CEMSE Division))
驾驶员行为分析是保险行业和车队管理的主要问题之一,因此能够使用低成本的移动应用程序对驾驶员行为进行分类仍然是自动驾驶的焦点。然而,使用移动传感器可能面临安全、隐私和信任问题的挑战。为了克服这些挑战,我们建议使用智能手机中的Carla模拟器(加速度计,陀螺仪,GPS)收集数据传感器,以便使用速度,加速度,方向,3轴旋转角度(偏航,俯仰,滚动)对驾驶员行为进行分类,同时考虑到当前道路的速度限制和天气条件,以更好地识别危险行为。其次,在将来自多个传感器的轴间数据融合到单个文件中之后,我们探索用于时间序列分类的不同机器学习算法,以评估哪种算法的性能最高。
2022-02-01 cs.AI cs.LG cs.SY
A Deep Learning Model for Traffic Flow State Classification Based on Smart Phone Sensor Data
Southwest Jiaotong University(西南交通大学);University of Waterloo(滑铁卢大学);Southwestern University of Finance and Economics(西南财经大学)
提出了一种基于深度信度网络的交通流状态分类模型。该模型能够处理智能手机传感器生成的大量、高密度和噪声污染的数据集。分析了智能手机软件记录的车辆加速度、角加速度和GPS速度数据的统计特征,并将其作为交通流状态分类的输入。从五天的实验数据被用来训练和测试所提出的模型。共生成747,856组数据,用于交通流状态分类和输入变量的敏感性分析。实验结果表明,本文提出的深度信念网络模型在分类性能和计算效率上均优于传统的机器学习方法。
2017-09-26 cs.LG
On the effectiveness of smartphone IMU sensors and Deep Learning in the detection of cardiorespiratory conditions
University of Pisa(比萨大学);Fondazione Toscana Gabriele Monasterio(托斯卡纳加布里埃莱·莫纳斯特里奥基金会)
本研究提出一种基于智能手机IMU传感器和深度学习的心肺疾病早期筛查方法,通过端到端Bi-LSTM模型分析多部位呼吸运动学数据,实现了高准确率与良好泛化能力,为公共卫生提供便捷的居家筛查方案。
2024-08-27 cs.LG
An LSTM Recurrent Network for Step Counting
带有加速计和陀螺仪等传感器的智能手机可以用作计步器和导航仪。在本文中,我们提出使用LSTM递归网络来计算盲人和视力正常的用户所走的步数,基于带注释的智能手机传感器数据集WeAllWork。模型分别为有视力的人,盲人与长手杖或导盲犬进行Leave-One-Out训练模式。它实现了5%的多计数和少计数率。
2018-02-10 cs.HC cs.LG
A Distributed Acoustic Sensor System for Intelligent Transportation using Deep Learning
Queen Mary University of London(伦敦玛丽女王大学);Fotech Group(Fotech集团)
智能交通系统(ITS)是可持续和绿色城市生活发展的关键。ITS是数据驱动的,由从气动管道到智能摄像头的大量传感器实现。这项工作探讨了一种新的数据源的基础上,基于光纤的分布式声学传感器(DAS)的交通分析。检测车辆类型和估计车辆的占用率是ITS中的主要关注点。第一个是出于跟踪、控制和预测交通流的需要。第二个目标是管制高占用率的车道,以减少排放和拥堵。这些任务通常由个人检查车辆或通过使用新兴的计算机视觉技术来执行。前者不可扩展,效率也不高,而后者则会侵犯乘客的隐私。为此,我们提出了一种深度学习技术来分析DAS信号,以通过连续感测来解决这一挑战,而不会暴露个人信息。我们提出了一种用于处理DAS信号的深度学习方法,并基于在受控条件下收集的DAS数据实现了92%的车辆分类准确率和92-97%的占用检测。
2022-09-13 cs.LG cs.SD eess.AS
Recognizing Detailed Human Context In-the-Wild from Smartphones and Smartwatches
University of California, San Diego(加州大学圣地亚哥分校)
自动识别一个人的行为背景的能力可以有助于健康监测,老龄化护理和许多其他领域。在野外验证上下文识别对于促进在现实环境中工作的实际应用至关重要。我们从60名受试者中收集了超过30万分钟的传感器数据和上下文标签。与以前的研究不同,我们的研究对象使用自己的个人电话,以任何方便的方式,并在自然环境中从事日常工作。无脚本的行为和不受约束的电话使用导致了更难识别的情况。我们演示了如何融合的多模态传感器是重要的解决这种情况下。我们提出了一个基线系统,并鼓励研究人员使用我们的公共数据集来比较方法并改进野外的上下文识别。
2017-09-30 cs.AI cs.CY cs.HC