論文の概要: Enhancing Digital Health Services: A Machine Learning Approach to
Personalized Exercise Goal Setting
- arxiv url: http://arxiv.org/abs/2204.00961v3
- Date: Mon, 4 Mar 2024 05:38:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 04:28:10.112356
- Title: Enhancing Digital Health Services: A Machine Learning Approach to
Personalized Exercise Goal Setting
- Title（参考訳）: デジタルヘルスサービスの強化:パーソナライズされた運動目標設定のための機械学習アプローチ
- Authors: Ji Fang, Vincent CS Lee, Hao Ji, Haiyan Wang
- Abstract要約: 本研究の目的は、振り返りデータとリアルな行動軌跡を用いて自動提案運動目標を動的に更新する機械学習アルゴリズムを開発することである。
深層強化学習アルゴリズムは、深層学習技術を組み合わせて時系列データを分析し、ユーザの運動行動を推測する。
- 参考スコア（独自算出の注目度）: 8.146832452474777
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The utilization of digital health has increased recently, and these services
provide extensive guidance to encourage users to exercise frequently by setting
daily exercise goals to promote a healthy lifestyle. These comprehensive guides
evolved from the consideration of various personalized behavioral factors.
Nevertheless, existing approaches frequently neglect the users dynamic behavior
and the changing in their health conditions. This study aims to fill this gap
by developing a machine learning algorithm that dynamically updates
auto-suggestion exercise goals using retrospective data and realistic behavior
trajectory. We conducted a methodological study by designing a deep
reinforcement learning algorithm to evaluate exercise performance, considering
fitness-fatigue effects. The deep reinforcement learning algorithm combines
deep learning techniques to analyse time series data and infer user exercise
behavior. In addition, we use the asynchronous advantage actor-critic algorithm
for reinforcement learning to determine the optimal exercise intensity through
exploration and exploitation. The personalized exercise data and biometric data
used in this study were collected from publicly available datasets,
encompassing walking, sports logs, and running. In our study, we conducted The
statistical analyses/inferential tests to compare the effectiveness of machine
learning approach in exercise goal setting across different exercise goal
setting strategies.
- Abstract（参考訳）: 近年、デジタルヘルスの利用が増加しており、健康なライフスタイルを促進するために毎日の運動目標を設定して、ユーザに頻繁な運動を促すための広範なガイダンスを提供している。
これらの包括的なガイドは、様々なパーソナライズされた行動要因の考慮から進化した。
それにもかかわらず、既存のアプローチはユーザーの動的行動や健康状態の変化をしばしば無視している。
本研究は, ふりかえりデータと現実的な行動軌跡を用いて, 運動目標を動的に更新する機械学習アルゴリズムを開発することで, このギャップを埋めることを目的とする。
運動能力評価のための深層強化学習アルゴリズムを,適合度・疲労効果を考慮した手法として設計した。
深層強化学習アルゴリズムは、深層学習技術を組み合わせて時系列データを分析し、ユーザの運動行動を推測する。
さらに,強化学習のための非同期アドバンテージアクタ-クリティックアルゴリズムを用いて,探索と搾取による最適運動強度を判定する。
この研究で使用される個人化された運動データと生体計測データは、歩行、スポーツログ、ランニングを含む公開データセットから収集された。
本研究では,運動目標設定における機械学習手法の有効性を,異なる運動目標設定戦略で比較するため,統計的解析・推論テストを行った。
関連論文リスト
- Learning Hand State Estimation for a Light Exoskeleton [50.05509088121445]
そこで本研究では,光エクソスケトンを用いた手の状態推定手法を提案する。
本研究は,前腕の筋活動と外骨格の運動から得られる情報を用いて,手指の開度とコンプライアンスレベルを再構築する指導的アプローチを構築する。
我々のアプローチは本物の光のエクソスケルトンで検証されている。
論文 参考訳（メタデータ） (2024-11-14T09:12:38Z) - MotionRL: Align Text-to-Motion Generation to Human Preferences with Multi-Reward Reinforcement Learning [99.09906827676748]
我々は、テキスト・ツー・モーション生成タスクを最適化するために、Multi-Reward Reinforcement Learning(RL)を利用する最初のアプローチであるMotionRLを紹介する。
我々の新しいアプローチは、人間の知覚モデルに関する知識以前の人間の嗜好に基づいて、強化学習を用いて運動生成体を微調整する。
さらに、MotionRLは、テキストのアテンデンス、モーションクオリティ、人間の好みの最適性を近似する、新しい多目的最適化戦略を導入している。
論文 参考訳（メタデータ） (2024-10-09T03:27:14Z) - Intelligent Repetition Counting for Unseen Exercises: A Few-Shot Learning Approach with Sensor Signals [0.4998632546280975]
本研究は、IMU信号の解析により、運動繰り返しを自動カウントする方法を開発した。
本稿では,深度測定に基づく数点学習手法を用いた反復カウント手法を提案する。
86.8%の確率で、28回の異なるエクササイズで1セットに10回以上の繰り返しを正確に数えることが可能である。
論文 参考訳（メタデータ） (2024-10-01T05:04:40Z) - A Graph-based Approach to Human Activity Recognition [5.323279718522213]
本稿では,リアルタイムデータセットの拡張から重要な洞察を効率的に抽出する手法を提案する。
Inertial Measurement Units (IMU) と Global Navigation Satellite Systems (GNSS) の受信機からのデータを利用することで, 競技成績を有向グラフを用いて解析することができる。
本手法はバイアスロンデータを用いて興味のある特定の点や複雑な動きのシーケンスを検出する。
論文 参考訳（メタデータ） (2024-08-19T17:51:00Z) - Rehabilitation Exercise Quality Assessment through Supervised Contrastive Learning with Hard and Soft Negatives [2.166000001057538]
運動ベースのリハビリテーションプログラムは、生活の質を高め、死亡率と再入院率を減らすのに有効であることが証明されている。
これらのプログラムは一般的に様々なエクササイズタイプを規定しており、リハビリテーションエクササイズアセスメントデータセットにおいて明確な課題となっている。
本稿では,すべての運動タイプに適用可能な単一モデルをトレーニングするための,硬質で軟質な負のサンプルを用いた教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-05T08:38:25Z) - RLIF: Interactive Imitation Learning as Reinforcement Learning [56.997263135104504]
我々は,対話型模倣学習と類似するが,さらに実践的な仮定の下で,非政治強化学習によってパフォーマンスが向上できることを実証する。
提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。
このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
論文 参考訳（メタデータ） (2023-11-21T21:05:21Z) - ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
認知のための行動認識型身体学習(ALP)について紹介する。
ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。
ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-06-16T21:51:04Z) - Privacy-Preserving Personalized Fitness Recommender System (P3FitRec): A
Multi-level Deep Learning Approach [6.647564421295215]
プライバシーに配慮したパーソナライズされたフィットネスレコメンデーションシステムを提案する。
大規模な実フィットネスデータセットから重要な特徴を学習する多層ディープラーニングフレームワークを導入する。
本手法は,センサデータからユーザのフィットネス特性を推定することによりパーソナライズを実現する。
論文 参考訳（メタデータ） (2022-03-23T05:27:35Z) - Personalized Rehabilitation Robotics based on Online Learning Control [62.6606062732021]
本稿では,各ユーザに対して実行時の制御力をパーソナライズ可能な,新しいオンライン学習制御アーキテクチャを提案する。
提案手法を,学習コントローラがパーソナライズされた制御を提供するとともに,安全な相互作用力も得られる実験ユーザスタディで評価した。
論文 参考訳（メタデータ） (2021-10-01T15:28:44Z) - Generative Adversarial Reward Learning for Generalized Behavior Tendency
Inference [71.11416263370823]
ユーザの行動嗜好モデルのための生成的逆強化学習を提案する。
我々のモデルは,差別的アクター批判ネットワークとWasserstein GANに基づいて,ユーザの行動から報酬を自動的に学習することができる。
論文 参考訳（メタデータ） (2021-05-03T13:14:25Z) - Accelerating Reinforcement Learning for Reaching using Continuous
Curriculum Learning [6.703429330486276]
我々は、強化学習(RL)訓練の加速と、多目標到達タスクの性能向上に重点を置いている。
具体的には、トレーニングプロセス中に要件を徐々に調整する精度ベースの継続的カリキュラム学習(PCCL)手法を提案する。
このアプローチは、シミュレーションと実世界のマルチゴールリーチ実験の両方において、ユニバーサルロボット5eを用いてテストされる。
論文 参考訳（メタデータ） (2020-02-07T10:08:18Z)
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。