Dynimp: Dynamic Imputation for Wearable Sensing Data through Sensory and Temporal Relatedness

In wearable sensing applications, data is inevitable to be irregularly sampled or partially missing, which pose challenges for any downstream application. An unique aspect of wearable data is that it is time-series data and each channel can be correlated to another one, such as x, y, z axis of accel...

Celý popis

Podrobná bibliografie

Vydáno v:	Proceedings of the ... IEEE International Conference on Acoustics, Speech and Signal Processing (1998) s. 3988 - 3992
Hlavní autoři:	Huo, Zepeng, Ji, Taowei, Liang, Yifei, Huang, Shuai, Wang, Zhangyang, Qian, Xiaoning, Mortazavi, Bobak
Médium:	Konferenční příspěvek
Jazyk:	angličtina
Vydáno:	IEEE 23.05.2022
Témata:	Conferences Data models Deep learning Imputation Neural Networks Noise reduction Predictive models Sensor phenomena and characterization Signal processing Wearable Sensing
ISSN:	2379-190X
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!