Fine-Grained Human Activity Recognition - A new paradigm
Riconoscimento delle attività umane a grana fine - Un nuovo paradigma
Pandurangan Shalini, Papandrea Michela, Gelsomini Mirko
Venue:
Proceedings of the 7th International Workshop on Sensor-based Activity Recognition and Artificial Intelligence
Year:
2022
Type:
Conference Paper
URL:
Abstract (EN)
Nowadays, fine-grained Human Activity Recognition (HAR) has become extremely interesting among researchers due to its applications in fields such as healthcare, security, sports, and smart environments. In this paper, we provide a brief overview of the State of the Art approaches in fine-grained human activity recognition. We also discuss the characteristics, complexities, and scarcity of inertial datasets related to fine-grained and coarse-grained activities. To mitigate this scarcity, we collect our inertial dataset, consisting of 17 participants performing 4 fine-grained tasks while interacting with an Inertial Measurement Unit (IMU) sensor embedded in a solid object. Next, we test the most commonly used machine learning classifiers (e.g., kNN, XGboost) on the collected dataset and present the results. Finally, we demonstrate the necessity of a new approach to deal with the recognition of fine-grained activities, and we state our future research directions in this context.
Abstract (IT)
Oggi, il riconoscimento delle attività umane a grana fine (HAR) è diventato estremamente interessante tra i ricercatori a causa delle sue applicazioni in campi come la sanità, la sicurezza, lo sport e gli ambienti intelligenti. In questo documento, forniamo una panoramica delle approcci allo stato dell'arte nel riconoscimento delle attività umane a grana fine. Discutiamo anche le caratteristiche, le complessità e la scarsità di dataset inerziali relativi alle attività a grana fine e a grana grossa. Per mitigare questa scarsità, abbiamo raccolto il nostro dataset inerziale, costituito da 17 partecipanti che eseguono 4 compiti a grana fine interagendo con un'unità di misura inerziale (IMU) integrata in un oggetto solido. Successivamente, abbiamo testato i classificatori di apprendimento automatico più comunemente utilizzati (ad esempio, kNN, XGBoost) sul dataset raccolto e presentiamo i risultati.