Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Predator-Prey Interactions02:39

Predator-Prey Interactions

17.2K
Predators consume prey for energy. Predators that acquire prey and prey that avoid predation both increase their chances of survival and reproduction (i.e., fitness). Routine predator-prey interactions elicit mutual adaptations that improve predator offenses, such as claws, teeth, and speed, as well as prey defenses, including crypsis, aposematism, and mimicry. Thus, predator-prey interactions resemble an evolutionary arms race.
17.2K
Defenses Against Pathogens and Herbivores02:26

Defenses Against Pathogens and Herbivores

21.7K
Plants present a rich source of nutrients for many organisms, making it a target for herbivores and infectious agents. Plants, though lacking a proper immune system, have developed an array of constitutive and inducible defenses to fend off these attacks.
21.7K
Collisions in Multiple Dimensions: Introduction01:05

Collisions in Multiple Dimensions: Introduction

6.3K
It is far more common for collisions to occur in two dimensions; that is, the initial velocity vectors are neither parallel nor antiparallel to each other. Let's see what complications arise from this. The first idea is that momentum is a vector. Like all vectors, it can be expressed as a sum of perpendicular components (usually, though not always, an x-component and a y-component, and a z-component if necessary). Thus, when the statement of conservation of momentum is written for a...
6.3K
Collisions in Multiple Dimensions: Problem Solving01:06

Collisions in Multiple Dimensions: Problem Solving

4.5K
In multiple dimensions, the conservation of momentum applies in each direction independently. Hence, to solve collisions in multiple dimensions, we should write down the momentum conservation in each direction separately. To help understand collisions in multiple dimensions, consider an example.
A small car of mass 1,200 kg traveling east at 60 km/h collides at an intersection with a truck of mass 3,000 kg traveling due north at 40 km/h. The two vehicles are locked together. What is the...
4.5K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Stability and Compressibility of Tear Film Lipid Layer: Impact of Benzalkonium Chloride Presence.

bioRxiv : the preprint server for biology·2026
Same author

High-Accuracy Indoor Multiple-Extended-Target Tracking Algorithm Based on 60 GHz Millimeter-Wave Radar.

Sensors (Basel, Switzerland)·2026
Same author

See the small lesions: Frequency-guided spatial debiasing GAN for multimodal medical image fusion.

iScience·2026
Same author

High-throughput synthesis of zinc-functionalized bio-ceramics propels the rational design of bone implants.

Bioactive materials·2026
Same author

Aquaculture Reclamation-Induced Thermo-Carbon Pump: Enhancing Dark Carbon Fixation and Thermal Responsiveness in an Estuarine Wetland.

Environmental science & technology·2026
Same author

Kinetic characteristics of Wushu Changbing PiJi: decoupling sex-specific adaptive strategies via functional principal component analysis.

Frontiers in sports and active living·2026

Video Experimental Relacionado

Updated: May 6, 2026

A Step-by-Step Implementation of DeepBehavior, Deep Learning Toolbox for Automated Behavior Analysis
05:41

A Step-by-Step Implementation of DeepBehavior, Deep Learning Toolbox for Automated Behavior Analysis

Published on: February 6, 2020

9.5K

Reconocimiento de comportamiento humano transversal basado en radar utilizando aumento de datos informados por la

Pengfei Zheng, Anxue Zhang, Jianzhong Chen

    IEEE journal of biomedical and health informatics
    |August 27, 2025
    PubMed
    Resumen

    El aumento de datos basado en la física (PIDA) mejora el reconocimiento del comportamiento humano basado en el radar, especialmente para caídas en poblaciones que envejecen. Este método mejora la generalización del dominio simulando condiciones de radar realistas y variaciones de movimiento.

    Más Videos Relacionados

    Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
    06:37

    Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

    Published on: December 15, 2023

    4.1K

    Videos de Experimentos Relacionados

    Last Updated: May 6, 2026

    A Step-by-Step Implementation of DeepBehavior, Deep Learning Toolbox for Automated Behavior Analysis
    05:41

    A Step-by-Step Implementation of DeepBehavior, Deep Learning Toolbox for Automated Behavior Analysis

    Published on: February 6, 2020

    9.5K
    Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
    06:37

    Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

    Published on: December 15, 2023

    4.1K

    Área de la Ciencia:

    • Procesamiento de señales de radar
    • Aprendizaje automático para el análisis del comportamiento humano
    • Técnicas de aumento de datos

    Sus antecedentes:

    • La caída es un problema crítico de seguridad, especialmente para la población que envejece.
    • El reconocimiento del comportamiento humano basado en radar, especialmente para caídas, se estudia ampliamente.
    • Los métodos actuales sufren de una mala generalización debido a los datos etiquetados limitados.

    Objetivo del estudio:

    • Proponer una nueva estrategia de aumento de datos basados en la física (PIDA).
    • Mejorar la generalización del dominio (DG) para el reconocimiento del comportamiento humano utilizando firmas micro-Doppler (m-DS) del radar FMCW.
    • Mejorar la precisión y la robustez de los sistemas de detección de caídas.

    Principales métodos:

    • Desarrolló PIDA, incluido el aumento de datos de distancia (DDA) y el aumento de datos de patrones de comportamiento (BPDA).
    • DDA simula la atenuación electromagnética a través de rangos; BPDA diversifica los estilos de movimiento mientras preserva la cinemática.
    • PIDA integrado con una red neuronal adversaria de dominio de múltiples fuentes (MSDAN) para el aprendizaje de transferencia y la extracción de características invariantes.

    Principales resultados:

    • PIDA mejoró significativamente la precisión de la DG promedio en comparación con la línea de base, el aumento de datos ópticos tradicionales (TODA) y el aumento de datos generativos (GDA).
    • En los conjuntos de datos propios, PIDA mejoró la precisión en un 1,52%, 2,48% y 4,88% respecto al valor basal, TODA y GDA, respectivamente.
    • En los conjuntos de datos públicos, el PIDA logró mejoras del 3,67%, 6,29% y 9,78% con respecto a la línea de base, TODA y GDA, respectivamente, con una pequeña brecha en la DG.

    Conclusiones:

    • PIDA aborda efectivamente el problema de la escasez de datos en el reconocimiento del comportamiento humano basado en el radar.
    • El método propuesto demuestra capacidades superiores de generalización de dominio para la detección de caídas.
    • PIDA ofrece un enfoque prometedor para sistemas de reconocimiento de comportamiento humano robustos y precisos relacionados con las caídas.