論文の概要: The Computerized Classification of Micro-Motions in the Hand using Waveforms from Mobile Phone

• arxiv url: http://arxiv.org/abs/2110.06723v1
• Date: Wed, 13 Oct 2021 13:51:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-14 14:07:03.108147
• Title: The Computerized Classification of Micro-Motions in the Hand using Waveforms from Mobile Phone
• Title（参考訳）: 携帯電話の波形を用いた手のマイクロモーションのコンピュータによる分類
• Authors: Ranjani Ramesh
• Abstract要約: The Computerized Classification of Micro-Motions in the hand is a novel method that using waveforms from mobile phone video。 プリプロセッシングは、ユーレリアビデオマグニフィケーション、スケルトナイゼーション、ヒートマッピングを用いて達成される。 最後に、これらの波形は、手または指の動き、静脈の動き、背景の動き、呼吸による身体の他の動きの4つのカテゴリに分類される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Our hands reveal important information such as the pulsing of our veins which help us determine the blood pressure, tremors indicative of motor control, or neurodegenerative disorders such as Essential Tremor or Parkinson's disease. The Computerized Classification of Micro-Motions in the hand using waveforms from mobile phone videos is a novel method that uses Eulerian Video Magnification, Skeletonization, Heatmapping, and the kNN machine learning model to detect the micro-motions in the human hand, synthesize their waveforms, and classify these. The pre-processing is achieved by using Eulerian Video Magnification, Skeletonization, and Heat-mapping to magnify the micro-motions, landmark essential features of the hand, and determine the extent of motion, respectively. Following pre-processing, the visible motions are manually labeled by appropriately grouping pixels to represent a particular label correctly. These labeled motions of the pixels are converted into waveforms. Finally, these waveforms are classified into four categories - hand or finger movements, vein movement, background motion, and movement of the rest of the body due to respiration using the kNN model. The final accuracy obtained was around 92 percent.
• Abstract（参考訳）: 私たちの手は、血圧、運動制御を示す震動、Essential TremorやParkinson病などの神経変性疾患を決定するのに役立つ静脈の脈拍などの重要な情報を明らかにします。 携帯電話ビデオからの波形を用いた手内マイクロモーションのコンピュータによる分類は、ユーレリアの映像拡大、スケルトン化、ヒートマッピング、およびkn機械学習モデルを用いて、人の手内のマイクロモーションを検出し、波形を合成し、分類する新しい手法である。 この前処理は、eulerian video magnification, skeletonization, and heat-mappingを用いて、マイクロモーション、手の本質的特徴、および運動の程度を決定する。 事前処理後、可視運動は、特定のラベルを正確に表現する画素を適切にグループ化して手動でラベル付けされる。 これらのラベル付き画素の動きを波形に変換する。 最後に、これらの波形は、手または指の動き、静脈の動き、背景の動き、およびkNNモデルによる呼吸による身体の他の動きの4つのカテゴリに分類される。 最終的な精度は92%だった。

関連論文リスト

• MotionWavelet: Human Motion Prediction via Wavelet Manifold Learning [57.078168638373874]
  MotionWaveletは、空間周波数領域における人間の動きパターンを研究する人間の動き予測フレームワークである。 ウェーブレット拡散モデルでは、動作データにウェーブレット変換を適用することでウェーブレット多様体を学習する。 ウェーブレット空間形状誘導機構は、デノナイジングプロセスを洗練し、多様体構造との整合性を改善する。
  論文  参考訳（メタデータ） (2024-11-25T22:09:19Z)
• Shape Conditioned Human Motion Generation with Diffusion Model [0.0]
  本研究では,メッシュ形式での運動系列生成を可能にする形状条件付き運動拡散モデル(SMD)を提案する。 また、スペクトル領域内の時間的依存関係を活用するためのスペクトル・テンポラルオートエンコーダ(STAE)を提案する。
  論文  参考訳（メタデータ） (2024-05-10T19:06:41Z)
• Spectral Motion Alignment for Video Motion Transfer using Diffusion Models [54.32923808964701]
  スペクトル運動アライメント(英: Spectral Motion Alignment、SMA)は、フーリエ変換とウェーブレット変換を用いて運動ベクトルを洗練・整列するフレームワークである。 SMAは周波数領域の正規化を取り入れて動きパターンを学習し、全体フレームのグローバルな動きのダイナミクスの学習を容易にする。 大規模な実験は、様々なビデオカスタマイズフレームワーク間の計算効率と互換性を維持しながら、モーション転送を改善するSMAの有効性を示す。
  論文  参考訳（メタデータ） (2024-03-22T14:47:18Z)
• TapMo: Shape-aware Motion Generation of Skeleton-free Characters [64.83230289993145]
  骨格のない3Dキャラクタの広帯域における動作のためのテキスト駆動アニメーションパイプラインであるTapMoを提案する。 TapMoはMesh Handle PredictorとShape-aware Diffusion Moduleの2つの主要コンポーネントで構成されている。
  論文  参考訳（メタデータ） (2023-10-19T12:14:32Z)
• Priority-Centric Human Motion Generation in Discrete Latent Space [59.401128190423535]
  テキスト・ツー・モーション生成のための優先中心運動離散拡散モデル(M2DM)を提案する。 M2DMは、コード崩壊に対処するために、グローバルな自己注意機構と正規化用語を組み込んでいる。 また、各動きトークンの重要度から決定される革新的なノイズスケジュールを用いた動き離散拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-08-28T10:40:16Z)
• GRIP: Generating Interaction Poses Using Spatial Cues and Latent Consistency [57.9920824261925]
  手は器用で多用途なマニピュレータであり、人間が物体や環境とどのように相互作用するかの中心である。 現実的な手オブジェクトの相互作用をモデル化することは、コンピュータグラフィックス、コンピュータビジョン、混合現実の応用において重要である。 GRIPは、体と物体の3次元運動を入力として取り、物体の相互作用の前、中、後の両方の両手の現実的な動きを合成する学習ベースの手法である。
  論文  参考訳（メタデータ） (2023-08-22T17:59:51Z)
• Motion Matters: Neural Motion Transfer for Better Camera Physiological Measurement [25.27559386977351]
  身体の動きは、ビデオから微妙な心臓の脈を回復しようとするとき、最も重要なノイズ源の1つである。 我々は,遠隔光合成のタスクのために,ニューラルビデオ合成アプローチをビデオの拡張に適用する。 各種の最先端手法を用いて,既存のデータセット間結果よりも47%向上したことを示す。
  論文  参考訳（メタデータ） (2023-03-21T17:51:23Z)
• Simultaneous Estimation of Hand Configurations and Finger Joint Angles using Forearm Ultrasound [8.753262480814493]
  前腕超音波画像は、手の動きを理解するのに使える筋骨格の可視化を提供する。 我々は,MPP関節角度を予測するためのCNNベースのディープラーニングパイプラインを提案する。 ヒューマン・マシン・インタフェースのリアルタイム制御を目的としたMPP関節角度と手構成の両方を推定するための低遅延パイプラインが提案されている。
  論文  参考訳（メタデータ） (2022-11-29T02:06:19Z)
• Towards Predicting Fine Finger Motions from Ultrasound Images via Kinematic Representation [12.49914980193329]
  米国の画像から特定指のアクティベーションを識別する推論問題について検討した。 本研究は,ロボット補綴器のアームアンプへの採用率向上に向けた重要なステップであると考えている。
  論文  参考訳（メタデータ） (2022-02-10T18:05:09Z)
• MotionSqueeze: Neural Motion Feature Learning for Video Understanding [46.82376603090792]
  モーションはビデオを理解する上で重要な役割を担い、ビデオ分類のための最先端のニューラルモデルにはモーション情報が含まれる。 本研究では,光学流の外部および重い計算を内部および軽量な運動特徴学習に置き換える。 提案手法は,アクション認識のための4つの標準ベンチマークにおいて,少ない追加コストで大幅に向上できることを実証する。
  論文  参考訳（メタデータ） (2020-07-20T08:30:14Z)

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。