Des lunettes intelligentes suivent les activités quotidiennes grâce au son
De nouvelles lunettes intelligentes surveillent les activités grâce à des sons inaudibles, ce qui facilite le suivi de la santé.
― 7 min lire
Table des matières
Les gens font plein d'Activités tous les jours comme manger, boire, ou se brosser les dents. Ces actions font généralement des bruits quand on bouge notre corps. Il y a une nouvelle façon de suivre ces activités grâce à des lunettes spéciales qui peuvent écouter des sons qu'on ne peut pas entendre. Cette méthode aide à comprendre ce qu'une personne fait sans qu'elle ait besoin de porter des appareils supplémentaires ou de faire des tâches d'une manière spéciale.
Comment ça marche
Ces lunettes intelligentes ont de petits hauts-parleurs et des microphones attachés. Les haut-parleurs envoient des sons aigus qu'on n'entend pas, et les microphones écoutent ces sons quand ils rebondissent sur nos corps et l'environnement autour de nous. Chaque mouvement d'une personne crée des motifs de son différents. En analysant ces sons, les lunettes peuvent deviner ce que fait une personne.
Les chercheurs ont créé un système qui peut Reconnaître plein d'activités quotidiennes avec cette méthode. Ils voulaient s'assurer que ça marcherait bien dans la vraie vie, où les gens suivent leur Routine quotidienne. Ils ont développé un programme informatique spécial qui aide le système à apprendre au fur et à mesure, le rendant plus intelligent avec le temps.
Pourquoi c'est important
Beaucoup de dispositifs portables aujourd'hui, comme les montres connectées, sont bons pour suivre les activités, mais ils ont souvent besoin de beaucoup d'énergie et peuvent être inconfortables. Ces lunettes offrent une façon moins intrusive et économe en énergie de surveiller les activités quotidiennes. Comme elles s'ajustent comme des lunettes normales, on peut les porter toute la journée sans trop de problèmes.
Comprendre comment les gens se comportent dans leur vie quotidienne peut aider les chercheurs et les médecins à suivre la santé et le bien-être. Par exemple, ils peuvent surveiller les habitudes alimentaires de quelqu'un au fil du temps sans que la personne ait besoin de tenir un enregistrement détaillé elle-même.
Essais et tests
Pour tester comment ces lunettes fonctionnent, les chercheurs ont fait porter les lunettes à 19 personnes chez elles. Ils ont choisi d'observer différentes activités que les gens font naturellement, comme se laver les mains ou parler au téléphone. Les lunettes ont reconnu avec précision une gamme d'activités à un rythme d'une action par seconde, ce qui signifie qu'elles ont pu suivre des mouvements rapides.
Les participants n'avaient rien de spécial à faire ; ils suivaient simplement leur routine normale. Cette approche donne une meilleure idée de comment la Technologie pourrait fonctionner dans la vie quotidienne. Les chercheurs ont découvert que les lunettes pouvaient détecter 27 activités différentes avec un haut niveau de précision.
La technologie derrière les lunettes
Les lunettes intelligentes utilisent une technologie appelée détection acoustique active. Ça veut dire qu'elles créent leurs propres sons et écoutent comment ces sons changent quand ils rebondissent. Les échos qui reviennent aux microphones fournissent des informations sur ce qui se passe autour de la personne.
Par exemple, si quelqu'un mange, le son change selon comment il prend la nourriture et où elle va. Ce changement de son donne des indices sur si la personne est en train de manger, de boire, ou de faire une autre action. En comparant les motifs de sons, le système peut faire des suppositions sur quelle activité se passe à un moment donné.
Défis et solutions
Un des principaux défis avec la reconnaissance d'activités, c'est que les gens bougent de plein de manières différentes. Chaque action peut sembler très similaire à une autre, comme quand quelqu'un boit d'une tasse comparé à manger dans une assiette. Les chercheurs se sont concentrés sur la conception du système pour reconnaître ces subtiles différences de sons.
Un autre défi, c'est que les sons quotidiens de l'environnement peuvent interférer avec la mesure. Les chercheurs ont choisi des fréquences qui évitent beaucoup de bruits quotidiens, s'assurant que le système peut se concentrer sur les activités humaines qu'il doit suivre. Ce design aide à réduire la confusion causée par d'autres bruits forts autour de l'utilisateur.
Résultats et conclusions
Après avoir mené leurs études, les chercheurs ont accumulé beaucoup de données sur la précision avec laquelle les lunettes pouvaient identifier différentes activités. Ils ont constaté que les lunettes fonctionnaient bien même dans des environnements non contrôlés, comme les maisons des gens.
Le taux de réussite moyen pour reconnaître les activités était impressionnant, suggérant que ce système pourrait être utile pour surveiller le comportement quotidien dans des environnements naturels. Ce constat est important car il montre que la technologie portable peut fonctionner efficacement sans avoir besoin d'ajustements pour différents utilisateurs ou environnements.
Applications potentielles
La capacité de ces lunettes à surveiller les activités ouvre la porte à plein d'applications pratiques. Par exemple, elles peuvent être utilisées pour aider les gens à suivre leurs habitudes alimentaires, ce qui peut être important pour ceux qui gèrent leur poids ou des problèmes de santé. Les dentistes pourraient trouver ça intéressant de voir comment les patients maintiennent leur hygiène dentaire en suivant leurs habitudes de brossage de dents.
De plus, les chercheurs pourraient utiliser cette technologie pour collecter des données sur divers comportements en temps réel. Par exemple, savoir combien de fois quelqu'un se lève pour marcher pendant la journée peut être utile pour des études sur l'activité physique.
Développements futurs
Bien que la technologie actuelle soit prometteuse, il y a encore des domaines à améliorer. Les chercheurs envisagent d'élargir la gamme d'activités que les lunettes peuvent reconnaître. Ils explorent aussi des moyens d'inclure d'autres formes de contexte, comme l'emplacement ou le type d'environnement, ce qui pourrait aider le système à devenir encore plus précis.
Comprendre comment ces mouvements sont liés à la santé et au bien-être pourrait aussi être amélioré par la collecte de plus de données au fil du temps. Cette collecte de données continue pourrait aider à identifier des motifs et des tendances dans le comportement, fournissant des aperçus précieux sur les habitudes des utilisateurs.
Conclusion
Utiliser des lunettes intelligentes pour suivre les activités quotidiennes grâce à des sons inaudibles est une approche révolutionnaire. Cette technologie a le potentiel de changer la façon dont on surveille la santé et le comportement de manière plus naturelle et moins intrusive. En se concentrant sur ce que les gens font dans leur vie quotidienne, ce système pourrait fournir des retours importants pour la santé et le bien-être personnel, le tout sans le tracas d'appareils portables compliqués.
Au fur et à mesure que les chercheurs continuent d'améliorer la technologie et d'explorer ses applications potentielles, on pourrait voir ces lunettes intelligentes devenir un outil courant pour surveiller les activités quotidiennes dans divers domaines, de la santé à la condition physique personnelle. L'avenir s'annonce radieux pour cette approche innovante de la compréhension du comportement humain à travers le son.
Titre: ActSonic: Recognizing Everyday Activities from Inaudible Acoustic Wave Around the Body
Résumé: We present ActSonic, an intelligent, low-power active acoustic sensing system integrated into eyeglasses that can recognize 27 different everyday activities (e.g., eating, drinking, toothbrushing) from inaudible acoustic waves around the body. It requires only a pair of miniature speakers and microphones mounted on each hinge of the eyeglasses to emit ultrasonic waves, creating an acoustic aura around the body. The acoustic signals are reflected based on the position and motion of various body parts, captured by the microphones, and analyzed by a customized self-supervised deep learning framework to infer the performed activities on a remote device such as a mobile phone or cloud server. ActSonic was evaluated in user studies with 19 participants across 19 households to track its efficacy in everyday activity recognition. Without requiring any training data from new users (leave-one-participant-out evaluation), ActSonic detected 27 activities, achieving an average F1-score of 86.6% in fully unconstrained scenarios and 93.4% in prompted settings at participants' homes.
Auteurs: Saif Mahmud, Vineet Parikh, Qikang Liang, Ke Li, Ruidong Zhang, Ashwin Ajit, Vipin Gunda, Devansh Agarwal, François Guimbretière, Cheng Zhang
Dernière mise à jour: 2024-11-25 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2404.13924
Source PDF: https://arxiv.org/pdf/2404.13924
Licence: https://creativecommons.org/licenses/by-nc-sa/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.
Liens de référence
- https://dl.acm.org/ccs.cfm
- https://www.acm.org/publications/proceedings-template
- https://capitalizemytitle.com/
- https://www.acm.org/publications/class-2012
- https://dl.acm.org/ccs/ccs.cfm
- https://ctan.org/pkg/booktabs
- https://goo.gl/VLCRBB
- https://www.acm.org/publications/taps/describing-figures/
- https://github.com/saif-mahmud/ActSonic