Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Aprovechamiento de señales heterogéneas y de múltiples fuentes para la detección de fatiga

Created by
  • Haebom

Autor

Luobin Cui, Yanlai Wu, Tang Ying, Weikai Li

Describir

En este artículo, definimos el problema de la detección de fatiga en entornos reales y proponemos un marco heterogéneo de detección de fatiga multifuente que utiliza diversos sensores. A diferencia de los métodos existentes, que se basan en sensores costosos y entornos controlados, nuestro estudio busca facilitar la monitorización práctica de la fatiga incluso en entornos con sensores limitados. Mediante experimentos con configuraciones de sensores desplegados en campo y conjuntos de datos públicos, demostramos la viabilidad, la robustez y la mejora del rendimiento de generalización del marco propuesto. Este es un paso importante hacia las aplicaciones prácticas de la detección de fatiga en entornos reales, como la aviación, la minería y el transporte de larga distancia.

Takeaways, Limitations

Takeaways:
Presentamos un marco práctico para la detección efectiva de la fatiga incluso en entornos de sensores restringidos en entornos reales.
Presentamos un método para utilizar eficazmente la información de diversas fuentes de sensores.
La practicidad y el rendimiento del enfoque se verifican mediante experimentos que utilizan datos de campo reales.
Mejore el rendimiento de generalización aprovechando datos de varios dominios
Limitations:
El rendimiento del marco propuesto puede depender en gran medida de los sensores utilizados y de la calidad de los datos.
Se necesitan evaluaciones adicionales del desempeño de generalización para diferentes tipos de fatiga (mental, física, etc.).
Se necesitan verificaciones y complementos adicionales para la aplicación real en el campo.
👍