論文の概要: Automatic Assessment of Functional Movement Screening Exercises with
Deep Learning Architectures
- arxiv url: http://arxiv.org/abs/2210.01209v1
- Date: Mon, 3 Oct 2022 20:00:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 13:21:25.790807
- Title: Automatic Assessment of Functional Movement Screening Exercises with
Deep Learning Architectures
- Title（参考訳）: ディープラーニングアーキテクチャによる機能的運動スクリーニング運動の自動評価
- Authors: Andreas Spilz and MIchael Munz
- Abstract要約: 理学療法の成功は運動運動の正常かつ正しいパフォーマンスに依存する。
この分野のこれまでのアプローチは、ディープラーニングの手法に頼らず、その潜在能力を十分に利用していない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: (1) Background: The success of physiotherapy depends on the regular and
correct performance of movement exercises. A system that automatically
evaluates these could support the therapy. Previous approaches in this area
rarely rely on Deep Learning methods and do not yet fully use their potential.
(2) Methods: Using a measurement system consisting of 17 IMUs, a dataset of
four Functional Movement Screening (FMS) exercises is recorded. Exercise
execution is evaluated by physiotherapists using the FMS criteria. This dataset
is used to train a neural network that assigns the correct FMS score to an
exercise repetition. We use an architecture consisting of CNN, LSTM and Dense
layers. Based on this framework, we apply various methods to optimize the
performance of the network. For the optimization, we perform a extensive
hyperparameter optimization. In addition, we are comparing different CNN
structures that have been specifically adapted for use with IMU data. Finally,
the developed network is trained with the data of different FMS exercises and
the performance is compared. (3) Results: The evaluation shows that the
presented approach achieves a convincing performance in the classification of
unknown repetitions of already known subjects. However, the trained network is
yet unable to achieve consistent performance on the data of a previously
unknown subjects. Additionally, it can be seen that the performance of the
network differs significantly depending on the exercise it is trained for.
- Abstract（参考訳）: 一 背景 理学療法の成功は、運動運動の規則的かつ正確なパフォーマンスに左右される。
これらを自動的に評価するシステムは治療を支援することができる。
この分野のこれまでのアプローチは、ディープラーニングの手法に頼らず、その潜在能力を十分に利用していない。
(2)方法:17imusからなる測定システムを用いて、4つの機能的運動スクリーニング(fms)演習のデータセットを記録する。
FMS基準を用いて運動負荷の評価を行った。
このデータセットは、適切なFMSスコアをエクササイズ繰り返しに割り当てるニューラルネットワークのトレーニングに使用される。
我々は、CNN、LSTM、Denseレイヤからなるアーキテクチャを使用する。
このフレームワークに基づき,ネットワークの性能を最適化するために様々な手法を適用する。
最適化のために、我々は広範囲なハイパーパラメータ最適化を行う。
さらに、IMUデータでの使用に特化している異なるCNN構造の比較を行っている。
最後に、開発ネットワークは異なるFMS演習のデータで訓練され、性能を比較する。
3)結果: 既知被験者の未知繰り返しの分類において, 提案手法が説得力のある性能が得られることを示す。
しかし、訓練されたネットワークは、まだ未知の被験者のデータに対して一貫した性能を達成できない。
また、ネットワークの性能は、トレーニングした運動によって大きく異なることが分かる。
関連論文リスト
- Feasibility Analysis of Federated Neural Networks for Explainable Detection of Atrial Fibrillation [1.6053176639259055]
心房細動 (AFib) の早期発見は, 無症候性, 発作性に困難である。
本研究は、生のECGデータを用いてAFibを検出するために、フェデレートラーニング(FL)プラットフォーム上でニューラルネットワークをトレーニングする可能性を評価する。
論文 参考訳（メタデータ） (2024-10-14T15:06:10Z) - MBDS: A Multi-Body Dynamics Simulation Dataset for Graph Networks Simulators [4.5353840616537555]
物理現象をモデル化する主要な手法として,グラフネットワークシミュレータ (GNS) が登場している。
我々は,1D,2D,3Dシーンを含む高品質な物理シミュレーションデータセットを構築した。
私たちのデータセットの重要な特徴は、物理世界のより現実的なシミュレーションを促進する、正確な多体ダイナミクスを取り入れることである。
論文 参考訳（メタデータ） (2024-10-04T03:03:06Z) - Enhancing Fast Feed Forward Networks with Load Balancing and a Master Leaf Node [49.08777822540483]
高速フィードフォワードネットワーク(FFF)は、入力空間の異なる領域が広いネットワークのニューロンの異なるサブセットを活性化する観察を利用する。
本稿では,FFFアーキテクチャにロードバランシングとマスタリーフ技術を導入し,性能向上とトレーニングプロセスの簡素化を図る。
論文 参考訳（メタデータ） (2024-05-27T05:06:24Z) - Noisy Self-Training with Synthetic Queries for Dense Retrieval [49.49928764695172]
合成クエリと組み合わせた,ノイズの多い自己学習フレームワークを提案する。
実験結果から,本手法は既存手法よりも一貫した改善が得られた。
我々の手法はデータ効率が良く、競争のベースラインより優れています。
論文 参考訳（メタデータ） (2023-11-27T06:19:50Z) - Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2023-09-27T14:39:41Z) - FedLALR: Client-Specific Adaptive Learning Rates Achieve Linear Speedup
for Non-IID Data [54.81695390763957]
フェデレートラーニング(Federated Learning)は、分散機械学習の手法である。
我々は,AMSGradの異種局所変種であるFedLALRを提案し,各クライアントが学習率を調整する。
クライアントが指定した自動調整型学習率スケジューリングが,クライアント数に対して収束し,線形高速化を実現することを示す。
論文 参考訳（メタデータ） (2023-09-18T12:35:05Z) - Neural Maximum A Posteriori Estimation on Unpaired Data for Motion
Deblurring [87.97330195531029]
本稿では、ニューラルネットワークをトレーニングし、失明したデータから視覚情報や鋭いコンテンツを復元するためのニューラルネットワークの最大Aポストエリオリ(NeurMAP)推定フレームワークを提案する。
提案されたNeurMAPは、既存のデブロアリングニューラルネットワークに対するアプローチであり、未使用データセット上のイメージデブロアリングネットワークのトレーニングを可能にする最初のフレームワークである。
論文 参考訳（メタデータ） (2022-04-26T08:09:47Z) - Compare Where It Matters: Using Layer-Wise Regularization To Improve
Federated Learning on Heterogeneous Data [0.0]
フェデレートラーニング(Federated Learning)は、分散データ上でニューラルネットワークをトレーニングする方法として広く採用されている。
主な制限は、データが均一に分散されたときに発生するパフォーマンス劣化である。
本稿では,様々なディープラーニングタスクにおいて,従来の最先端手法よりも優れたパフォーマンスを実現するフレームワークであるFedCKAを紹介する。
論文 参考訳（メタデータ） (2021-12-01T10:46:13Z) - Improving Music Performance Assessment with Contrastive Learning [78.8942067357231]
本研究では,既存のMPAシステムを改善するための潜在的手法として,コントラスト学習について検討する。
畳み込みニューラルネットワークに適用された回帰タスクに適した重み付きコントラスト損失を導入する。
この結果から,MPA回帰タスクにおいて,コントラッシブ・ベースの手法がSoTA性能に適合し,超越できることが示唆された。
論文 参考訳（メタデータ） (2021-08-03T19:24:25Z) - Accelerated MRI with Un-trained Neural Networks [29.346778609548995]
トレーニングなしニューラルネットワークを用いた高速化MRIにおける再構成問題に対処する。
本稿では,Deep Decoderのバリエーションに基づいて,高度に最適化された未学習リカバリ手法を提案する。
トレーニングされていないアルゴリズムはベースライントレーニングされたニューラルネットワークと同じような性能を達成するが、最先端トレーニングされたネットワークはトレーニングされていないニューラルネットワークよりも優れる。
論文 参考訳（メタデータ） (2020-07-06T00:01:25Z) - FOAL: Fast Online Adaptive Learning for Cardiac Motion Estimation [20.642769236234848]
心臓MRIビデオの運動推定は、ヒトの心臓解剖学と機能の評価に不可欠である。
近年の研究では、ディープラーニングベースの手法による有望な結果が示されているが、トレーニングとテストデータセットのミスマッチによる劇的なパフォーマンス低下に悩まされている。
本稿では,メタラーナーによって最適化されたオンライン勾配勾配勾配に基づく,新しい高速オンライン適応学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-10T01:51:27Z)
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。