使用可穿戴设备进行无阶级的重复动作计数.

科学领域:

• 人与计算机的交互
• 可穿戴技术可穿戴技术
• 机器学习 机器学习

背景情况:

• 对各种应用来说,重复的人类行动计数至关重要.
• 现有的方法通常需要大量的标记数据,或者仅限于特定的行动类.
• 使用时间序列传感器数据进行无类计数仍然是一个重大挑战.

研究的目的:

• 引入无关阶级的重复行动计数 (CaRaCount),一种新的短暂学习方法.
• 通过可穿戴设备的时间序列数据来计算任何重复的人类行为.
• 评估CaRaCount在各种现实场景中的性能和可用性.

主要方法:

• 开发了CaRaCount,这是一种数次拍摄的,无关阶级的行动计数方法.
• 采用智能手表数据收集了大规模的时间序列数据集,用于重复的人类行为.
• 验证的CaRaCount在新收集的数据集和三个现有的数据集 (Crossfit,Recofit,MM-Fit) 上.

主要成果:

• 在多个数据集中计数重复的操作时,CaRaCount实现了较低的错误率.
• 该方法与现有的基线和最先进的技术相比,表现优越.
• 一项用户体验研究证实了实时CaRaCount实现的可用性.

结论:

• 卡拉计数 (CaRaCount) 是一种有效和高效的方法,用于现实世界的重复行动计数.
• "CaRaCount"的少数人,无阶级的性质显著地推动了这一领域的发展.
• 该方法显示出在受控实验室环境之外部署的巨大潜力.