論文の概要: Machine Learning for Optical Motion Capture-driven Musculoskeletal Modeling from Inertial Motion Capture Data

• arxiv url: http://arxiv.org/abs/2209.14456v1
• Date: Wed, 28 Sep 2022 22:50:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 16:55:15.295802
• Title: Machine Learning for Optical Motion Capture-driven Musculoskeletal Modeling from Inertial Motion Capture Data
• Title（参考訳）: 慣性モーションキャプチャデータを用いた光学的モーションキャプチャ駆動筋骨格モデリングのための機械学習
• Authors: Abhishek Dasgupta, Rahul Sharma, Challenger Mishra, Vikranth H. Nagaraja
• Abstract要約: OMC入力データから計算したヒト上肢MSK出力にIMCデータをマッピングするML手法を提案する。 このアプローチは、OCCベースのシステムが実現不可能な 'lab to field' から技術を得るのに役立ちます。
• 参考スコア（独自算出の注目度）: 1.388356501859891
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Marker-based Optical Motion Capture (OMC) systems and the associated musculoskeletal (MSK) modeling predictions have offered the ability to gain insights into in vivo joint and muscle loading non-invasively as well as aid clinical decision-making. However, an OMC system is lab-based, expensive, and requires a line of sight. A widely used alternative is the Inertial Motion Capture (IMC) system, which is portable, user-friendly, and relatively low cost, although it is not as accurate as an OMC system. Irrespective of the choice of motion capture technique, one needs to use an MSK model to obtain the kinematic and kinetic outputs, which is a computationally expensive tool increasingly well approximated by machine learning (ML) methods. Here, we present an ML approach to map IMC data to the human upper-extremity MSK outputs computed from OMC input data. Essentially, we attempt to predict high-quality MSK outputs from the relatively easier-to-obtain IMC data. We use OMC and IMC data simultaneously collected for the same subjects to train an ML (feed-forward multi-layer perceptron) model that predicts OMC-based MSK outputs from IMC measurements. We demonstrate that our ML predictions have a high degree of agreement with the desired OMC-based MSK estimates. Thus, this approach will be instrumental in getting the technology from 'lab to field' where OMC-based systems are infeasible.
• Abstract（参考訳）: マーカーベースの光学的モーションキャプチャ(omc)システムとそれに伴う筋骨格モデリング予測は、生体内関節と筋肉の負荷に関する洞察を得るだけでなく、臨床的な意思決定にも役立つ。 しかし、omcシステムはラボベースで高価であり、視線線を必要とする。 慣性モーションキャプチャ(inertial motion capture, imc)システムは、omcシステムほど正確ではないが、ポータブルでユーザフレンドリーで比較的低価格である。 モーションキャプチャ技術の選択を無視すると、運動と運動の出力を得るためにMSKモデルを使う必要があり、機械学習(ML)手法によってよりよく近似される計算コストの高いツールである。 本稿では,OCC入力データから計算したヒト上肢MSK出力にIMCデータをマッピングするML手法を提案する。 本質的には、比較的容易なIMCデータから高品質なMSK出力を予測しようとする。 IMC測定からOPCに基づくMSK出力を予測するML(feed-forward multi-layer perceptron)モデルをトレーニングするために、同じ被験者に対して同時に収集されたOCCとIMCのデータを使用する。 我々は,我々のml予測が所望のomcベースのmsk推定値と高い一致率を持つことを示す。 このアプローチは,OCC ベースのシステムが実現不可能な 'lab to field' から技術を得る上で有効である。

関連論文リスト

• Differentiable Biomechanics for Markerless Motion Capture in Upper Limb Stroke Rehabilitation: A Comparison with Optical Motion Capture [1.5719429447906519]
  Markerless Motion Captureは、臨床環境でのモーションキャプチャーに有望なアプローチを提供する。 本研究は, バイオメカニカルモデルを用いたMCCデータとOCCデータを用いて, 飲酒作業を行う15名の脳卒中患者のキーキネマティックな結果を比較した。
  論文  参考訳（メタデータ） (2024-11-22T15:02:29Z)
• White-box validation of quantitative product lines by statistical model checking and process mining [1.0918484507642576]
  本稿では,統計的モデル検査 (SMC) とプロセスマイニング (PM) を統合することで,ソフトウェア製品ライン (PL) モデルの検証手法を提案する。 提案手法は,PL工学領域における機能指向言語QFLanに着目し,豊富なクロスツリーと量的制約を持つPLのモデリングを可能にする。
  論文  参考訳（メタデータ） (2024-01-23T17:27:13Z)
• Learning Energy-Based Prior Model with Diffusion-Amortized MCMC [89.95629196907082]
  非収束短距離MCMCを用いた事前及び後方サンプリングによる潜時空間EMM学習の一般的な実践は、さらなる進歩を妨げている。 本稿では,MCMCサンプリングのための単純だが効果的な拡散型アモータイズ手法を導入し,それに基づく潜時空間EMMのための新しい学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-05T00:23:34Z)
• Ideal Observer Computation by Use of Markov-Chain Monte Carlo with Generative Adversarial Networks [12.521662223741671]
  Ideal Observer (IO) は、医療画像システムの評価と最適化のためのFinder-of-merit (FOM) としての使用を提唱されている。 マルコフ・チェイン・モンテカルロ法(MCMC)を用いたサンプリング法が提案されている。 本研究では, MCMC-GAN と呼ばれる, GAN ベースの SOM を用いた新しい MCMC 手法について述べる。
  論文  参考訳（メタデータ） (2023-04-02T02:51:50Z)
• DeePKS+ABACUS as a Bridge between Expensive Quantum Mechanical Models and Machine Learning Potentials [9.982820888454958]
  Deep Kohn-Sham (DeePKS) は密度汎関数理論に基づく機械学習(ML)ポテンシャルである。 DeePKSは高レベル量子力学(QM)法と比較して密に整合したエネルギーと力を提供する。 DeePKSモデルをトレーニングするために十分な量の高精度QMデータを生成し、さらにDeePKSモデルを使用して、はるかに多くの設定をラベル付けしてML電位をトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-06-21T03:24:18Z)
• Mitigating Out-of-Distribution Data Density Overestimation in Energy-Based Models [54.06799491319278]
  深部エネルギーベースモデル(EBM)は、複雑な分布を学習する能力によって注目されている。 EBMの訓練には、Langevin Monte Carlo (LMC) を用いた最大推定(MLE)を用いることが多い。 短周期LCCのMLEが, 誤った密度推定でEMMに収束する理由を考察する。
  論文  参考訳（メタデータ） (2022-05-30T02:49:17Z)
• No MCMC for me: Amortized sampling for fast and stable training of energy-based models [62.1234885852552]
  エネルギーベースモデル(EBM)は、不確実性を表す柔軟で魅力的な方法である。 本稿では,エントロピー規則化ジェネレータを用いてEMMを大規模に訓練し,MCMCサンプリングを記憶する簡単な方法を提案する。 次に、最近提案されたジョイント・エナジー・モデル(JEM)に推定器を適用し、元の性能と高速で安定したトレーニングとを一致させる。
  論文  参考訳（メタデータ） (2020-10-08T19:17:20Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)
• MCMC Should Mix: Learning Energy-Based Model with Neural Transport Latent Space MCMC [110.02001052791353]
  学習エネルギーベースモデル(EBM)は学習アルゴリズムの内部ループとして学習モデルのMCMCサンプリングを必要とする。 バックボーンモデルの潜伏変数の空間において、モデルは特に単純であることを示す。
  論文  参考訳（メタデータ） (2020-06-12T01:25:51Z)
• Unsupervised Quality Estimation for Neural Machine Translation [63.38918378182266]
  既存のアプローチでは、大量の専門家アノテートデータ、計算、トレーニング時間が必要です。 MTシステム自体以外に、トレーニングや追加リソースへのアクセスが不要なQEに対して、教師なしのアプローチを考案する。 我々は品質の人間の判断と非常によく相関し、最先端の教師付きQEモデルと競合する。
  論文  参考訳（メタデータ） (2020-05-21T12:38:06Z)

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。