論文の概要: Estimation of Ground Contacts from Human Gait by a Wearable Inertial
Measurement Unit using machine learning
- arxiv url: http://arxiv.org/abs/2007.02433v2
- Date: Wed, 8 Jul 2020 18:05:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 07:53:20.823634
- Title: Estimation of Ground Contacts from Human Gait by a Wearable Inertial
Measurement Unit using machine learning
- Title（参考訳）: 機械学習を用いたウェアラブル慣性測定装置による歩行からの接地距離の推定
- Authors: Muhammad Junaid Umer and Qaiser Riaz
- Abstract要約: 本稿では,健常者歩行における左右足の推定と分類について,胸部および腰部のIMUセンサデータに基づく検討を行った。
胸部・下肢に2台のスマートフォン,右足首に1台のスマートウォッチを用いて,48名の被験者のIMUデータを収集した。
分類タスクでは、SVMとRFの2つの機械学習分類器を10倍のクロス検証法で訓練した。
- 参考スコア（独自算出の注目度）: 0.76146285961466
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robotics system for rehabilitation of movement disorders and motion
assistance are gaining increased intention. In this scenario estimation of
ground contact is an active area of research in robotics and healthcare. This
article addresses the estimation and classification of right and left foot
during the healthy human gait based on the IMU sensor data of chest and lower
back. For this purpose we have collected an IMU data of 48 subjects by using
two smartphones at chest and lower back of the human body and one smart watch
at right ankle of the body. To show the robustness of our approach data was
collected at six different surfaces (road tiles carpet grass concrete and
soil). The recorded data of lower back and chest sensor was segmented into
single steps on the basis of right ankle sensor data, then we computed a total
of 408 features from time frequency and wavelet domain of each segmented step.
For classification task we have trained two machine learning classifiers SVM
and RF with 10 fold cross validation method. We performed classification
experiments at individual surfaces, hard surfaces, soft surfaces and all
surfaces, highest accuracy was achieved at individual surfaces with accuracy
index of 98.88%. Furthermore, classification rate at hard soft and all surface
are 95.60%, 94.38% and 95.05% respectively. The results shows that estimation
of ground contact form normal human walk at different surfaces can be performed
with high accuracy using 6D data of angular velocities and accelerations from
chest and lower back location of the body.
- Abstract（参考訳）: 運動障害のリハビリテーションのためのロボティクスシステムと運動支援の意図が高まっている。
このシナリオでは、地上接触の推定はロボット工学と医療の研究の活発な分野である。
本稿では,健常者歩行における左右足の推定と分類について,胸部および腰部のIMUセンサデータに基づく検討を行った。
この目的のために, 胸部, 下肢に2台のスマートフォン, 右足首に1台のスマートウォッチを用いて, 被験者48名のIMUデータを収集した。
アプローチデータの堅牢性を示すため、6つの異なる表面(道路タイルカーペットコンクリートと土)で収集した。
右足首センサデータに基づいて腰部および胸部センサの記録データを単段に分割し,各分割したステップの時間周波数とウェーブレット領域から計408個の特徴を算出した。
分類タスクでは、SVMとRFの2つの機械学習分類器を10倍のクロス検証法で訓練した。
個々の表面,硬質表面,軟質表面および全表面の分類実験を行い,98.88%の精度で各表面の精度が最も高かった。
さらに、硬質軟質および全表面の分類率はそれぞれ95.60%、94.38%、95.05%である。
その結果, 物体の背後と胸部からの角速度と加速度の6次元データを用いて, 異なる面における正常な歩行による接地推定を高精度に行うことができた。
関連論文リスト
- Scaling Wearable Foundation Models [54.93979158708164]
センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。
最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。
この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
論文 参考訳（メタデータ） (2024-10-17T15:08:21Z) - Comparison of gait phase detection using traditional machine learning
and deep learning techniques [3.11526333124308]
本研究では,人間歩行のための低レベルEMGデータに基づく機械学習(ML)モデルを提案する。
その結果,従来のMLモデルでは75%,ディープラーニング(DL)モデルでは79%の精度が得られた。
論文 参考訳（メタデータ） (2024-03-07T10:05:09Z) - Whole-body Detection, Recognition and Identification at Altitude and
Range [57.445372305202405]
多様なデータセットに基づいて評価したエンドツーエンドシステムを提案する。
我々のアプローチでは、一般的な画像データセットで検出器を事前トレーニングし、BRIARの複雑なビデオや画像でそれを微調整する。
屋内・屋外・航空シナリオにおける様々な範囲や角度の異なる条件下で徹底的な評価を行う。
論文 参考訳（メタデータ） (2023-11-09T20:20:23Z) - Hand Gesture Classification on Praxis Dataset: Trading Accuracy for
Expense [0.6390468088226495]
ボディージョイント座標で表される「骨格」データに、Praxデータセットから焦点を当てる。
PRAXISデータセットには、アルツハイマー病などの皮質病患者の記録が含まれている。
リカレントニューラルネットワーク(RNN)のような深層学習アーキテクチャとウィンドウニング手法を組み合わせることで,全体的な精度は70.8%に達した。
論文 参考訳（メタデータ） (2023-11-01T18:18:09Z) - Augmenting Vision-Based Human Pose Estimation with Rotation Matrix [0.20482269513546458]
本研究では,ポーズ推定と新たなデータ拡張手法,すなわち回転行列を併用したモデルを提案する。
ポーズ推定データに基づく行動認識の分類精度を高めることを目的としている。
論文 参考訳（メタデータ） (2023-10-09T18:19:51Z) - Gait Event Detection and Travel Distance Using Waist-Worn Accelerometers
across a Range of Speeds: Automated Approach [4.826264675070211]
本稿ではウェアラブル加速度計の新しい校正法を提案する。
ステップを検出し、ストライドの長さを推定し、走行距離を決定することを目的としている。
このアプローチには、臨床観察、機械学習に基づくステップ検出、回帰に基づくストライド長予測の組み合わせが含まれる。
論文 参考訳（メタデータ） (2023-07-10T19:25:45Z) - Tactile Grasp Refinement using Deep Reinforcement Learning and Analytic
Grasp Stability Metrics [70.65363356763598]
解析的把握安定性指標が強化学習アルゴリズムの強力な最適化目標であることを示す。
幾何的および力量に依存しないグリップ安定性の指標を組み合わせることで、カブイドの平均成功率は95.4%となることを示す。
第2の実験では,触覚情報を持たないベースラインよりも,接触フィードバックで訓練したグリップリファインメントアルゴリズムが最大6.6%向上することを示した。
論文 参考訳（メタデータ） (2021-09-23T09:20:19Z) - Classification of head impacts based on the spectral density of
measurable kinematics [4.784679555552413]
外傷性脳損傷は頭部の損傷によって引き起こされる。
脳損傷リスク推定モデルは、患者が実施する可能性のあるさまざまな影響に対して精度が低い。
データは,頭部モデルシミュレーションによる3262頭部衝撃,アメリカンフットボールおよび混合格闘技のオンフィールドデータから分析した。
論文 参考訳（メタデータ） (2021-04-19T06:58:43Z) - Chest x-ray automated triage: a semiologic approach designed for
clinical implementation, exploiting different types of labels through a
combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。
公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。
4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文 参考訳（メタデータ） (2020-12-23T14:38:35Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳（メタデータ） (2020-07-16T09:39:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。