論文の概要: Deep CHORES: Estimating Hallmark Measures of Physical Activity Using Deep Learning

• arxiv url: http://arxiv.org/abs/2007.13114v1
• Date: Sun, 26 Jul 2020 12:15:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 19:43:37.149664
• Title: Deep CHORES: Estimating Hallmark Measures of Physical Activity Using Deep Learning
• Title（参考訳）: Deep CHORES:Deep Learning を用いた身体活動の指標推定
• Authors: Mamoun T. Mardini, Subhash Nerella Amal A. Wanigatunga, Santiago Saldana, Ramon Casanova, Todd M. Manini
• Abstract要約: 手首の加速度計の人気が高まる中、PA型を認識し、寿命にわたってエネルギー消費(EE)を推定するための厳密な評価が必要である。 時系列データから空間的・時間的表現を抽出する深層学習ネットワークを構築し,PA型認識とEE推定に利用した。
• 参考スコア（独自算出の注目度）: 0.20999222360659603
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wrist accelerometers for assessing hallmark measures of physical activity (PA) are rapidly growing with the advent of smartwatch technology. Given the growing popularity of wrist-worn accelerometers, there needs to be a rigorous evaluation for recognizing (PA) type and estimating energy expenditure (EE) across the lifespan. Participants (66% women, aged 20-89 yrs) performed a battery of 33 daily activities in a standardized laboratory setting while a tri-axial accelerometer collected data from the right wrist. A portable metabolic unit was worn to measure metabolic intensity. We built deep learning networks to extract spatial and temporal representations from the time-series data, and used them to recognize PA type and estimate EE. The deep learning models resulted in high performance; the F1 score was: 0.82, 0.81, and 95 for recognizing sedentary, locomotor, and lifestyle activities, respectively. The root mean square error was 1.1 (+/-0.13) for the estimation of EE.
• Abstract（参考訳）: スマートウォッチの登場に伴い、手首加速度計による身体活動指標(pa)の評価が急速に進んでいる。 手首の加速度計の人気が高まる中、PA型を認識し、寿命にわたってエネルギー消費(EE)を推定するための厳密な評価が必要である。 被験者(66%, 女性20～89歳)は, 3軸加速度計が右手首からデータを収集するのに対し, 標準実験室で33日間の電池を投与した。 代謝強度を測定するために携帯型代謝ユニットを装着した。 時系列データから空間的・時間的表現を抽出する深層学習ネットワークを構築し,PA型認識とEE推定に利用した。 深層学習モデルでは,sedentary,locomotor,lifestyleアクティビティを認識するためのf1スコアは0.82,0.81,95であった。 根平均二乗誤差は脳波推定の1.1 (+/-0.13) であった。

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)
• Calorie Burn Estimation in Community Parks Through DLICP: A Mathematical Modelling Approach [0.0]
  本研究は,ディープラーニング技術,特に顔認識技術を組み合わせた革新的なアプローチであるDLICP(Deep Learning Integrated Community Parks)を紹介する。 DLICPは、顔認識ソフトウェアを備えたカメラを使用して、公園のユーザーを正確に識別し追跡する。 本研究は、インテリジェントなスマートパークシステムの開発に大きく貢献し、消費カロリーのリアルタイム更新とパーソナライズされたフィットネストラッキングを可能にした。
  論文  参考訳（メタデータ） (2024-07-06T07:45:05Z)
• Human Activity Recognition using Smartphones [0.0]
  私たちは、日々の人間の活動を認識し、消費カロリーをリアルタイムで計算するAndroidアプリケーションを作成しました。 これは、メタボリック等価性に基づく式を用いて、リアルタイムな活動認識とカロリー燃焼の計算に使用される。
  論文  参考訳（メタデータ） (2024-04-03T17:05:41Z)
• Step length measurement in the wild using FMCW radar [81.9433966586583]
  住宅用レーダを用いたステップ長測定システムを提案する。 健常成人35名を対象に, 臨床環境の評価を行い, その妥当性を確認した。
  論文  参考訳（メタデータ） (2024-01-03T18:23:30Z)
• Assessing Upper Limb Motor Function in the Immediate Post-Stroke Perioud Using Accelerometry [0.6390468088226495]
  本研究の目的は、脳卒中患者の上肢運動機能の急激な変化を監視し、迅速に検出するために、加速度計による測定も利用できるかどうかを判断することである。 6つの二分分類モデルが, 頭蓋上肢加速度計の特徴値の変動時間に基づいて作成した。 分類モデルでは、AUC(Area Under the Curve)スコアは15分間のデータウィンドウで0.72から0.82から120分間のデータウィンドウで0.77から0.94まで変化した。
  論文  参考訳（メタデータ） (2023-11-01T18:43:20Z)
• 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)
• Characterizing TMS-EEG perturbation indexes using signal energy: initial study on Alzheimer's Disease classification [48.42347515853289]
  経頭蓋磁気刺激(TMS)と脳波記録(TMS-EEG)を組み合わせることで、脳、特にアルツハイマー病(AD)の研究に大きな可能性を示す。 本研究では,脳機能の変化を反映した電位指標として,脳波信号のTMS誘発摂動の持続時間を自動的に決定する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-29T19:27:06Z)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)
• Motion Pyramid Networks for Accurate and Efficient Cardiac Motion Estimation [51.72616167073565]
  本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。 我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。 そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
  論文  参考訳（メタデータ） (2020-06-28T21:03:19Z)
• RNNs on Monitoring Physical Activity Energy Expenditure in Older People [0.0]
  逐次的データモデリング能力で知られるRecurrent Neural Network (RNN) を提案する。 本稿では,GRUをベースとしたRNNの標準施設を超越する取り組みについて述べる。 得られたアーキテクチャは、トレーニング入力を10倍減らしながら、ほぼ10%の性能向上を実現している。
  論文  参考訳（メタデータ） (2020-06-01T18:02:53Z)
• Pedestrian orientation dynamics from high-fidelity measurements [65.06084067891364]
  本研究では,歩行者の運動の一般的な物理的特性に基づいて学習するディープ・ニューラル・アーキテクチャに基づく新しい計測手法を提案する。 提案手法は, 誤差を7.5度まで低減し, 向きを推定できることを示す。 このツールは、方向が鍵となる人間の群集力学の研究において、新たな可能性を開く。
  論文  参考訳（メタデータ） (2020-01-14T07:08:31Z)

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。