Objective: A patient's activity patterns can be informative about her/his health status. Traditionally, this type of information has been gathered using patient self-report. However, these subjective self-report data can suffer from bias, and the surveys can become burdensome to patients over long time periods. Smartphones offer a unique opportunity to address these challenges. The smartphone has built-in sensors that can be programmed to collect data objectively, unobtrusively, and continuously. Due to their widespread adoption, smartphones are also accessible to most of the population. A main challenge in smartphone-based activity recognition is in extracting information optimally from multiple sensors to identify different activities. Materials and Methods: We analyze data collected by two sensors in the phone, the accelerometer and gyroscope, which measure the phone's acceleration and angular velocity, respectively. We propose an extension to the "movelet method" that jointly incorporates both data types. We apply this proposed method to a dataset we collected and compare the joint-sensor results to those from using each sensor separately. Results: The findings show that the joint-sensor method reduces errors of the gyroscope-only method in distinguishing between standing and sitting. Also, the joint-sensor method reduces errors of the accelerometer-only method in classifying vigorous activities, such as walking, ascending stairs, and descending stairs. Conclusion: Across activities, for the given method, combining data from the two sensors performs as well as or better than using data from a single sensor. The method is transparent, personalized to the individual user, and requires less training data than competitor methods.


翻译:目标: 患者活动模式可以了解其健康状况。 传统上, 智能手机活动识别的主要挑战是如何从多个传感器中以最佳方式提取信息, 以辨别不同的活动。 材料和方法: 我们分析手机中两个传感器收集的数据, 即加速计和陀螺仪, 分别测量手机的加速度和角速。 我们建议扩展“ 移动方法 ”, 将两种数据类型合并。 我们将这一拟议方法用于我们所收集的数据集, 并将联合传感器的结果与分别使用两个传感器的结果进行比较。 结果: 发现, 联合传感器的递增和递增方法, 将数据递增方法作为比较方法, 将单个传感器的递增方法, 将单个传感器的递增方法, 将单个传感器的递增方法 降低数据的递增率, 将单个传感器的递增方法 降低 。

0
下载
关闭预览

相关内容

数据科学导论,54页ppt,Introduction to Data Science
专知会员服务
41+阅读 · 2020年7月27日
商业数据分析,39页ppt
专知会员服务
159+阅读 · 2020年6月2日
【微众银行】联邦学习白皮书_v2.0,48页pdf,
专知会员服务
165+阅读 · 2020年4月26日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
已删除
将门创投
6+阅读 · 2019年7月11日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
计算机 | CCF推荐期刊专刊信息5条
Call4Papers
3+阅读 · 2019年4月10日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Arxiv
0+阅读 · 2021年10月25日
Arxiv
0+阅读 · 2021年10月20日
VIP会员
相关资讯
已删除
将门创投
6+阅读 · 2019年7月11日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
计算机 | CCF推荐期刊专刊信息5条
Call4Papers
3+阅读 · 2019年4月10日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员