論文の概要: Posture Prediction for Healthy Sitting using a Smart Chair

• arxiv url: http://arxiv.org/abs/2201.02615v1
• Date: Wed, 5 Jan 2022 20:31:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-16 16:40:48.091234
• Title: Posture Prediction for Healthy Sitting using a Smart Chair
• Title（参考訳）: スマートチェアを用いた健康着座姿勢予測
• Authors: Tariku Adane Gelaw, Misgina Tsighe Hagos
• Abstract要約: 腰痛は筋骨格障害や腰痛のリスク因子として認識されている。 本研究は、人物の座位姿勢を分類するための機械学習モデルを構築する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Poor sitting habits have been identified as a risk factor to musculoskeletal disorders and lower back pain especially on the elderly, disabled people, and office workers. In the current computerized world, even while involved in leisure or work activity, people tend to spend most of their days sitting at computer desks. This can result in spinal pain and related problems. Therefore, a means to remind people about their sitting habits and provide recommendations to counterbalance, such as physical exercise, is important. Posture recognition for seated postures have not received enough attention as most works focus on standing postures. Wearable sensors, pressure or force sensors, videos and images were used for posture recognition in the literature. The aim of this study is to build Machine Learning models for classifying sitting posture of a person by analyzing data collected from a chair platted with two 32 by 32 pressure sensors at its seat and backrest. Models were built using five algorithms: Random Forest (RF), Gaussian Na\"ive Bayes, Logistic Regression, Support Vector Machine and Deep Neural Network (DNN). All the models are evaluated using KFold cross-validation technique. This paper presents experiments conducted using the two separate datasets, controlled and realistic, and discusses results achieved at classifying six sitting postures. Average classification accuracies of 98% and 97% were achieved on the controlled and realistic datasets, respectively.
• Abstract（参考訳）: 筋骨格障害や腰痛、特に高齢者、障害者、オフィスワーカーの腰痛のリスクファクターとして、低座りの習慣が特定されている。 現在のコンピュータ化された世界では、余暇や仕事活動に関わったとしても、人々はほとんどの時間をコンピューターの机に座って過ごす傾向にある。 これは脊髄の痛みと関連する問題を引き起こす。 したがって、座る習慣を人々に思い出させ、身体的な運動などのバランスを崩すためのレコメンデーションを提供する手段が重要である。 座位姿勢に対する姿勢認識には十分な注意が払われていない。 文献では、ウェアラブルセンサー、圧力または力センサー、ビデオと画像が姿勢認識に使用された。 本研究の目的は,シートレストに32×32の圧力センサを配置した椅子から収集したデータを解析することにより,人の座位姿勢を分類するための機械学習モデルを構築することである。 モデルはRandom Forest (RF), Gaussian Na\"ive Bayes, Logistic Regression, Support Vector Machine, Deep Neural Network (DNN)の5つのアルゴリズムを使用して構築された。 全てのモデルはKFoldクロスバリデーション技術を用いて評価される。 本稿では, 2つのデータセットを分離して, 制御可能かつ現実的な実験を行い, 6つの座位姿勢を分類し, 結果について考察する。 平均分類精度は, 制御されたデータセットと現実的なデータセットで98%, 97%であった。

関連論文リスト

• PoseBench: Benchmarking the Robustness of Pose Estimation Models under Corruptions [57.871692507044344]
  ポース推定は、単眼画像を用いて人や動物の解剖学的キーポイントを正確に同定することを目的としている。 現在のモデルは一般的に、クリーンなデータに基づいてトレーニングされ、テストされる。 実世界の腐敗に対するポーズ推定モデルの堅牢性を評価するためのベンチマークであるPoseBenchを紹介する。
  論文  参考訳（メタデータ） (2024-06-20T14:40:17Z)
• Modeling User Preferences via Brain-Computer Interfacing [54.3727087164445]
  我々はBrain-Computer Interface技術を用いてユーザの好みを推測し、その注意力は視覚的コンテンツと感情的体験との関連性に相関する。 我々はこれらを,情報検索,生成モデルのパーソナライズされたステアリング,感情経験のクラウドソーシング人口推定など,関連するアプリケーションにリンクする。
  論文  参考訳（メタデータ） (2024-05-15T20:41:46Z)
• Neural feels with neural fields: Visuo-tactile perception for in-hand manipulation [57.60490773016364]
  マルチフィンガーハンドの視覚と触覚を組み合わせることで,手動操作時の物体の姿勢と形状を推定する。 提案手法であるNeuralFeelsは,ニューラルネットワークをオンラインで学習することでオブジェクトの形状を符号化し,ポーズグラフ問題を最適化して共同で追跡する。 私たちの結果は、タッチが少なくとも、洗練され、そして最も最良のものは、手動操作中に視覚的推定を曖昧にすることを示しています。
  論文  参考訳（メタデータ） (2023-12-20T22:36:37Z)
• Intelligent Knee Sleeves: A Real-time Multimodal Dataset for 3D Lower Body Motion Estimation Using Smart Textile [2.2008680042670123]
  本稿では,人間のポーズ推定のために,Intelligent Knee Sleevesの新たなペアを用いてベンチマークを収集したマルチモーダルデータセットを提案する。 本システムは,Knee Sleevesの時系列データと,可視化されたモーションキャプチャーカメラシステムからの対応する地上真実ラベルからなる同期データセットを利用する。 我々はこれらを用いて、異なる活動を行う個人のウェアラブルデータのみに基づく3次元人体モデルを生成する。
  論文  参考訳（メタデータ） (2023-10-02T00:34:21Z)
• Sitting Posture Recognition Using a Spiking Neural Network [5.871032585001081]
  本システムは、設計したセンサから表面圧力データを受信し、適切な座位姿勢に導くためのフィードバックを提供する。 我々は,15の座位姿勢を分類するスパイクニューラルネットワークを構築するために,液体状態機械とロジスティック回帰分類器を用いた。 被験者19名による座位姿勢15名による実験結果から,SNNの予測精度は88.52%であった。
  論文  参考訳（メタデータ） (2022-12-25T14:20:09Z)
• Assessing Lower Limb Strength using Internet-of-Things Enabled Chair [0.0]
  このプロジェクトは、椅子に取り付けられたセンサーで個人の進捗を計測し、評価することを目指している。 圧力センサーは椅子の様々な場所に装着されるが、座席、背もたれ、手、休息、脚に限らない。 そして、データセットとタイミング情報を機械学習モデルに入力して、動きのさまざまなフェーズにおける相対的な強度と弱さを推定する。
  論文  参考訳（メタデータ） (2022-09-08T21:46:12Z)
• Designing A Clinically Applicable Deep Recurrent Model to Identify Neuropsychiatric Symptoms in People Living with Dementia Using In-Home Monitoring Data [52.40058724040671]
  鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。 扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。 本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-19T11:45:01Z)
• Vogtareuth Rehab Depth Datasets: Benchmark for Marker-less Posture Estimation in Rehabilitation [55.41644538483948]
  本研究では,リハビリテーションを行う患者の深度画像と2次元ポーズ情報を含む2つのリハビリテーション特異的ポーズデータセットを提案する。 我々は、非リハブベンチマークデータセットに基づいてトレーニングされた、最先端のマーカーレス姿勢推定モデルを用いている。 私たちのデータセットは、リハビリ特有の複雑な姿勢を検出するために、ポーズモデルを訓練するのに使用できます。
  論文  参考訳（メタデータ） (2021-08-23T16:18:26Z)
• Learning Dynamics via Graph Neural Networks for Human Pose Estimation and Tracking [98.91894395941766]
  ポーズ検出とは無関係なポーズダイナミクスを学習する新しいオンライン手法を提案する。 具体的には、空間的・時間的情報と視覚的情報の両方を明示的に考慮したグラフニューラルネットワーク(GNN)を通して、このダイナミクスの予測を導出する。 PoseTrack 2017とPoseTrack 2018データセットの実験では、提案手法が人間のポーズ推定とトラッキングタスクの両方において、技術の現状よりも優れた結果が得られることを示した。
  論文  参考訳（メタデータ） (2021-06-07T16:36:50Z)
• An Intelligent Non-Invasive Real Time Human Activity Recognition System for Next-Generation Healthcare [9.793913891417912]
  人間の動きは、脆弱な人々のためのリモートヘルスケアソリューションを提供するために使用することができる。 現在、ウェアラブルデバイスは、人の体に機器を配置することで、リアルタイムの監視を提供することができる。 本研究では,非侵襲的手法を用いて準リアルタイムシナリオにおいて人間の動作がどのように検出されるかを示す。
  論文  参考訳（メタデータ） (2020-08-06T10:51:56Z)
• An Intelligent and Low-cost Eye-tracking System for Motorized Wheelchair Control [3.3003775275716376]
  本論文は、運動障害者が効果的かつ努力的に動く能力を回復させることで、運動障害者を支援するシステムを提案する。 システム入力は、視線方向を推定するために処理されたユーザの目の画像であり、車椅子はそれに応じて移動された。
  論文  参考訳（メタデータ） (2020-05-02T23:08:33Z)

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。