ترجمه فارسی مقاله جابجایی چپ-راست و جفت‌سازی اندام فوقانی-تحتانی برای تشخیص قوی فعالیت ورزشی چندپوشیدنی

چکیده

This work presents the solution of the Signal Sleuths team for the 2024 HASCA WEAR challenge. The challenge focuses on detecting 18 workout activities (and the null class) using accelerometer data from 4 wearables – one worn on each limb. Data analysis revealed inconsistencies in wearable orientation within and across participants, leading to exploring novel multi-wearable data augmentation techniques. We investigate three models using a fixed feature set: (i) “raw”: using all data as is, (ii) “left-right swapping”: augmenting data by swapping left and right limb pairs, and (iii) “upper-lower limb paring”: stacking data by using upper-lower limb pair combinations (2 wearables). Our experiments utilize traditional machine learning with multi-window feature extraction and temporal smoothing. Using 3-fold cross-validation, the raw model achieves a macro F1-score of 90.01%, whereas left-right swapping and upper-lower limb paring improve the scores to 91.30% and 91.87% respectively.

چکیده به فارسی (ترجمه ماشینی)

این کار راه حل تیم سیگنال Sleuths را برای چالش Wear Hasca 2024 ارائه می دهد.این چالش بر تشخیص 18 فعالیت تمرینی (و کلاس تهی) با استفاده از داده های شتاب سنج از 4 پوشیدنی متمرکز شده است – یکی پوشیده از هر اندام.تجزیه و تحلیل داده ها ناسازگاری در جهت گیری پوشیدنی در داخل و در سراسر شرکت کنندگان را نشان داد ، و منجر به بررسی تکنیک های جدید تقویت داده های چند پوشاک شد.ما سه مدل را با استفاده از یک مجموعه ویژگی ثابت بررسی می کنیم: (i) “خام”: با استفاده از تمام داده ها همانطور که هست ، (ب) “مبادله چپ راست”: افزایش داده ها با تعویض جفت های اندام چپ و راست ، و (iii) “بالاParing اندام تحتانی “: داده های جمع آوری داده ها با استفاده از ترکیبات جفت اندام فوقانی (2 پوشیدنی).آزمایشات ما از یادگیری ماشین سنتی با استخراج ویژگی های چند پنجره و هموار سازی زمانی استفاده می کند.با استفاده از اعتبار سنجی متقابل 3 برابر ، مدل خام به یک نمره کلان F1 90.01 ٪ دست می یابد ، در حالی که مبادله چپ به راست و پارکینگ اندام بالا به ترتیب نمرات را به ترتیب 91.30 ٪ و 87.87 ٪ بهبود می بخشد.