論文の概要: A Robust and Scalable Attention Guided Deep Learning Framework for
Movement Quality Assessment
- arxiv url: http://arxiv.org/abs/2204.07840v1
- Date: Sat, 16 Apr 2022 16:37:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-19 13:30:13.768951
- Title: A Robust and Scalable Attention Guided Deep Learning Framework for
Movement Quality Assessment
- Title（参考訳）: 移動品質評価のためのロバストでスケーラブルな注意誘導型ディープラーニングフレームワーク
- Authors: Aditya Kanade and Mansi Sharma and Manivannan Muniyandi
- Abstract要約: 運動の正しさに対するフィードバックの欠如は、在宅リハビリテーションにおいて重大な問題である。
本稿では,MQAの課題に対処するために,近年のディープラーニングの進歩を活用することを目的とする。
- 参考スコア（独自算出の注目度）: 5.190207094732673
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physical rehabilitation programs frequently begin with a brief stay in the
hospital and continue with home-based rehabilitation. Lack of feedback on
exercise correctness is a significant issue in home-based rehabilitation.
Automated movement quality assessment (MQA) using skeletal movement data
(hereafter referred to as skeletal data) collected via depth imaging devices
can assist with home-based rehabilitation by providing the necessary
quantitative feedback. This paper aims to use recent advances in deep learning
to address the problem of MQA. Movement quality score generation is an
essential component of MQA. We propose three novel skeletal data augmentation
schemes. We show that using the proposed augmentations for generating movement
quality scores result in significant performance boosts over existing methods.
Finally, we propose a novel transformer based architecture for MQA. Four novel
feature extractors are proposed and studied that allow the transformer network
to operate on skeletal data. We show that adding the attention mechanism in the
design of the proposed feature extractor allows the transformer network to pay
attention to specific body parts that make a significant contribution towards
executing a movement. We report an improvement in movement quality score
prediction of 12% on UI-PRMD dataset and 21% on KIMORE dataset compared to the
existing methods.
- Abstract（参考訳）: 身体リハビリテーションプログラムは、病院に短期間滞在し、在宅リハビリテーションを続けることから始まることが多い。
運動の正しさに対するフィードバック不足は在宅リハビリテーションにおいて大きな問題である。
深部イメージング装置で収集した骨格運動データ(以下、骨格データ)を用いた自動運動品質評価(mqa)は、必要な量的フィードバックを提供することで、在宅リハビリテーションを支援することができる。
本稿では,MQAの課題に対処するために,近年のディープラーニングの進歩を活用することを目的とする。
運動品質スコア生成はMQAの重要な構成要素である。
我々は3つの新しい骨格データ拡張スキームを提案する。
動作品質スコアの生成に提案手法を用いることで,既存の手法よりも性能が大幅に向上することを示す。
最後に,MQAのための新しいトランスフォーマーアーキテクチャを提案する。
トランスフォーマーネットワークを骨格データ上で動作させる4つの新しい特徴抽出器を提案し,検討した。
提案する特徴抽出器の設計に注意機構を加えることで、トランスフォーマーネットワークは、運動の実行に重要な貢献をする特定の身体部位に注意を払うことができることを示す。
既存の手法と比較して,UI-PRMDデータセットでは12%,KIMOREデータセットでは21%の移動品質スコアが向上した。
関連論文リスト
- D-STGCNT: A Dense Spatio-Temporal Graph Conv-GRU Network based on
transformer for assessment of patient physical rehabilitation [0.3626013617212666]
本稿では,リハビリテーション演習を評価するための新しいグラフベースモデルを提案する。
デンス接続とGRU機構は、大きな3Dスケルトン入力を迅速に処理するために使用される。
KIMOREおよびUI-PRMDデータセットに対する提案手法の評価は,その可能性を強調した。
論文 参考訳（メタデータ） (2023-12-21T00:38:31Z) - The Challenge of Fetal Cardiac MRI Reconstruction Using Deep Learning [11.809564612082935]
ディープラーニング手法は、kt-SENSE取得戦略の最適化と、非ゲートkt-SENSE再構築品質の向上に役立つ。
そこで本研究では,kt-SENSEスタイルの取得したデータをインビボの広範囲なデータセットを用いて再構成するための教師付きディープラーニングネットワークについて検討する。
本研究は,母体解剖の詳細な描写を大規模に再現するが,胎児心臓の動的特性は低発現であることを示す。
論文 参考訳（メタデータ） (2023-08-15T17:22:42Z) - Weight Re-Mapping for Variational Quantum Algorithms [54.854986762287126]
変動量子回路(VQC)における重み付けの考え方を紹介する。
我々は,8つの分類データセットに対する影響を評価するために,7つの異なる重み再マッピング関数を用いる。
以上の結果から,重量再マッピングによりVQCの収束速度が向上することが示唆された。
論文 参考訳（メタデータ） (2023-06-09T09:42:21Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - PyMAF-X: Towards Well-aligned Full-body Model Regression from Monocular
Images [60.33197938330409]
PyMAF-Xは、モノクロ画像からパラメトリックフルボディモデルを復元するための回帰ベースのアプローチである。
PyMAFとPyMAF-Xは、メッシュイメージアライメントを効果的に改善し、新しい最先端の結果を達成する。
論文 参考訳（メタデータ） (2022-07-13T17:58:33Z) - BiTAT: Neural Network Binarization with Task-dependent Aggregated
Transformation [116.26521375592759]
量子化は、与えられたニューラルネットワークの高精度ウェイトとアクティベーションを、メモリ使用量と計算量を減らすために、低精度ウェイト/アクティベーションに変換することを目的としている。
コンパクトに設計されたバックボーンアーキテクチャの極端量子化(1ビットの重み/1ビットのアクティベーション)は、深刻な性能劣化をもたらす。
本稿では,性能劣化を効果的に緩和する新しいQAT法を提案する。
論文 参考訳（メタデータ） (2022-07-04T13:25:49Z) - Koopman pose predictions for temporally consistent human walking
estimations [11.016730029019522]
そこで我々は,下肢運動の非線形ダイナミクスを組み込んだクープマン理論に基づく新しい因子グラフ因子を提案する。
以上の結果から,本手法は骨格形状の外れ率を約1m削減し,自然歩行軌跡を最大10m以上保存できることが示唆された。
論文 参考訳（メタデータ） (2022-05-05T16:16:06Z) - Motion Correction and Volumetric Reconstruction for Fetal Functional
Magnetic Resonance Imaging Data [3.690756997172894]
運動補正は胎児脳の機能的磁気共鳴イメージング(fMRI)において重要な前処理ステップである。
胎児のfMRIに対する現在の動作補正手法は、特定の取得時点から1つの3Dボリュームを選択する。
本稿では,外乱運動補正を用いて高解像度の基準体積を推定する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-11T19:11:16Z) - Tele-EvalNet: A Low-cost, Teleconsultation System for Home based
Rehabilitation of Stroke Survivors using Multiscale CNN-LSTM Architecture [7.971065005161566]
本稿では,ライブフィードバックモデルと全体的なパフォーマンス評価モデルという,2つのコンポーネントからなる新しいシステムであるTele-EvalNetを提案する。
ライブフィードバックモデルは、カラーマーカーを使用してハイライトされた指示を簡単に理解し、エクササイズ正しさに関するフィードバックを示す。
総合的なパフォーマンス評価モデルでは,臨床医の成績に応じて,関節データのスコアへのマッピングを学習する。
論文 参考訳（メタデータ） (2021-12-06T16:58:00Z) - 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) - A Review of Computational Approaches for Evaluation of Rehabilitation
Exercises [58.720142291102135]
本稿では,モーションキャプチャシステムを用いたリハビリテーションプログラムにおける患者のパフォーマンスを評価するための計算手法についてレビューする。
エクササイズ評価のための再検討された計算手法は, 離散的な運動スコア, ルールベース, テンプレートベースアプローチの3つのカテゴリに分類される。
論文 参考訳（メタデータ） (2020-02-29T22:18:56Z)
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。