相关实验视频
Updated: Jan 20, 2026

Experimental Methods to Study Human Postural Control
Published on: September 11, 2019
一个多代理的LLM网络,建议和纠正人类活动和姿势注释
Ha Le1, Akshat Choube1, Vedant Das Swain2
1Northeastern University, Boston, MA, USA.
像GLOSS这样的大型语言模型 (LLM) 可以通过帮助人们更准确地回忆和注释他们的活动来改善人类活动识别 (HAR). 这种方法有助于为健康监测和行为意识系统创建更好的数据集.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 准确的人类活动识别 (HAR) 对健康监测和行为意识系统至关重要.
- 在自由生活环境中收集HAR的大型标记数据集是具有挑战性的,因为依赖于容易出错的自我报告.
- 语境辅助回忆有助于记忆,但需要繁的数据三角化.
研究的目的:
- 调整GLOSS多代理LLM系统以协助人类活动回忆和注释.
- 评估LLM产生的活动建议在改善HAR研究数据质量的有效性.
主要方法:
- 调整了GLOSS,一个多代理的LLM系统,用于三角化自我报告和被动传感数据.
- 使用GLOSS建议最可能的活动,协助参与者回忆和注释.
- 评估了GLOSS建议与人类回忆之间的一致性.
主要成果:
- GLOSS提供了活动建议,与人类回忆达成63-75%的一致性.
- 该系统有效地识别和纠正了常见的人类注释错误.
- 在HAR中展示了基于LLM的,人为循环的方法的潜力.
结论:
- 用LLM驱动的人在循环系统可以提高活动注释的质量和可扩展性.
- 在现实研究中,GLOSS显示了改善HAR数据集创建的前景.
- 这种方法为克服传统自我报告方法的局限性提供了一个实际的解决方案.
相关概念视频
08:12Experimental Methods to Study Human Postural Control
06:53SpOT the Correct Tissue Every Time in Multi-tissue Blocks
07:52Evaluating Postural Control and Lower-extremity Muscle Activation in Individuals with Chronic Ankle Instability
07:36Isolation of Human Lymphatic Endothelial Cells by Multi-parameter Fluorescence-activated Cell Sorting
12:18An Instrumented Pull Test to Characterize Postural Responses
10:23Three-Dimensional Cephalometric Landmark Annotation Demonstration on Human Cone Beam Computed Tomography Scans

