論文の概要: Denoising instrumented mouthguard measurements of head impact kinematics with a convolutional neural network

• arxiv url: http://arxiv.org/abs/2212.09832v1
• Date: Mon, 19 Dec 2022 20:08:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 17:28:16.548422
• Title: Denoising instrumented mouthguard measurements of head impact kinematics with a convolutional neural network
• Title（参考訳）: 畳み込みニューラルネットワークを用いた頭部衝撃キネマティクスの発振器マウスガード測定
• Authors: Xianghao Zhan, Yuzhe Liu, Nicholas J. Cecchi, Ashlyn A. Callan, Enora Le Flao, Olivier Gevaert, Michael M. Zeineh, Gerald A. Grant, David B. Camarillo
• Abstract要約: ヘッドキネマティクスを計測するウェアラブルセンサーは、体とのインターフェースが不完全なため、ノイズが生じることがある。 ディープラーニングは、不完全なインターフェースを補償し、測定精度を向上させるために使用される。 モデルは頭部衝撃の検出とTBIリスク評価を改善するために使用することができ、キネマティクスを測定する他のセンサーにも拡張される可能性がある。
• 参考スコア（独自算出の注目度）: 1.3280207637024473
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Wearable sensors for measuring head kinematics can be noisy due to imperfect interfaces with the body. Mouthguards are used to measure head kinematics during impacts in traumatic brain injury (TBI) studies, but deviations from reference kinematics can still occur due to potential looseness. In this study, deep learning is used to compensate for the imperfect interface and improve measurement accuracy. A set of one-dimensional convolutional neural network (1D-CNN) models was developed to denoise mouthguard kinematics measurements along three spatial axes of linear acceleration and angular velocity. The denoised kinematics had significantly reduced errors compared to reference kinematics, and reduced errors in brain injury criteria and tissue strain and strain rate calculated via finite element modeling. The 1D-CNN models were also tested on an on-field dataset of college football impacts and a post-mortem human subject dataset, with similar denoising effects observed. The models can be used to improve detection of head impacts and TBI risk evaluation, and potentially extended to other sensors measuring kinematics.
• Abstract（参考訳）: 頭部運動量を測定するためのウェアラブルセンサーは、身体との不完全なインターフェースのためにうるさい。 マウスガードは外傷性脳損傷(TBI)研究における衝撃時の頭部運動量を測定するのに使用されるが、基準運動量からの偏差は、潜在的なゆるみのために生じることがある。 本研究では,深層学習を用いて不完全なインターフェースを補償し,測定精度を向上させる。 1次元畳み込みニューラルネットワーク(1D-CNN)モデルを用いて,3軸の線形加速度と角速度の空間軸に沿って,マウスガード運動学測定をノイズ化する手法を開発した。 変性キネマティクスは, 基準キネマティクスと比較して有意に誤差を減少させ, 脳損傷基準, 組織ひずみ, ひずみ速度を有限要素モデリングにより算出した。 1D-CNNモデルはまた、大学のフットボール影響のフィールド上のデータセットと死後の人間の被験者のデータセットでテストされた。 このモデルは、頭部衝撃の検出とtbiリスク評価の改善に利用することができ、運動量を測定する他のセンサーにも拡張できる可能性がある。

関連論文リスト

• 3D Kinematics Estimation from Video with a Biomechanical Model and Synthetic Training Data [4.130944152992895]
  2つの入力ビューから3Dキネマティクスを直接出力するバイオメカニクス対応ネットワークを提案する。 実験により, 提案手法は, 合成データにのみ訓練されたものであり, 従来の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-20T17:33:40Z)
• W-HMR: Monocular Human Mesh Recovery in World Space with Weak-Supervised Calibration [57.37135310143126]
  モノクロ画像からの3次元運動回復のための従来の手法は、カメラ座標に依存するため、しばしば不足する。 W-HMRは、身体の歪み情報に基づいて「適切な」焦点長を予測する弱教師付き校正法である。 また,世界空間における可視的再構築のために,身体の向きを補正する OrientCorrect モジュールを提案する。
  論文  参考訳（メタデータ） (2023-11-29T09:02:07Z)
• On the Importance of Accurate Geometry Data for Dense 3D Vision Tasks [61.74608497496841]
  不正確または破損したデータのトレーニングは、モデルバイアスとハマーズ一般化能力を誘導する。 本稿では,深度推定と再構成における高密度3次元視覚課題に対するセンサ誤差の影響について検討する。
  論文  参考訳（メタデータ） (2023-03-26T22:32:44Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• Rapidly and accurately estimating brain strain and strain rate across head impact types with transfer learning and data fusion [2.216657815393579]
  脳のひずみとひずみ速度は頭部の損傷による外傷性脳損傷(TBI)を予測するのに有効である。 FEMは計算にかなりの計算時間を必要とし、リアルタイムのTBIリスク監視への応用を制限する。 機械学習ヘッドモデル(MLHM)を開発し、トレーニング/テストデータセットが異なるヘッドインパクトタイプから得られた場合、モデルの精度が低下することが判明した。 MLHMを13,623個の頭部衝撃、アメリカンフットボール、混成格闘技、カークラッシュで訓練し、シミュレーションのみまたはフィールド上の衝撃でトレーニングされたモデルと比較した。
  論文  参考訳（メタデータ） (2021-08-31T01:45:20Z)
• Kinematics clustering enables head impact subtyping for better traumatic brain injury prediction [2.1108097398435337]
  外傷性脳損傷は、様々な種類の頭部衝撃によって引き起こされる。 多くの脳損傷リスク推定モデルは、人間が持続する可能性のある様々な影響に対して一般化できない。
  論文  参考訳（メタデータ） (2021-08-07T18:31:05Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Neural Monocular 3D Human Motion Capture with Physical Awareness [76.55971509794598]
  物理的に可塑性なマーカーレス3次元モーションキャプチャのための新しいトレーニングシステムを提案する。 人間のモーションキャプチャのためのほとんどのニューラルな手法とは異なり、我々のアプローチは物理的および環境的な制約を認識している。 様々な場面でインタラクティブなフレームレートで、滑らかで物理的に原理化された3dモーションを生成する。
  論文  参考訳（メタデータ） (2021-05-03T17:57:07Z)
• Classification of head impacts based on the spectral density of measurable kinematics [4.784679555552413]
  外傷性脳損傷は頭部の損傷によって引き起こされる。 脳損傷リスク推定モデルは、患者が実施する可能性のあるさまざまな影響に対して精度が低い。 データは,頭部モデルシミュレーションによる3262頭部衝撃,アメリカンフットボールおよび混合格闘技のオンフィールドデータから分析した。
  論文  参考訳（メタデータ） (2021-04-19T06:58:43Z)
• Deep Learning Head Model for Real-time Estimation of Entire Brain Deformation in Concussion [1.707455267617432]
  本稿では,5層ディープニューラルネットワークと機能工学を用いたディープラーニングヘッドモデルを提案する。 ヘッドモデルシミュレーションとオンフィールドカレッジフットボールと混成格闘技の併用による1803個の頭部衝撃に対するモデルトレーニングを行った。 提案したディープラーニングヘッドモデルは、脳全体のすべての要素の最大主ひずみを0.001秒未満で計算することができる。
  論文  参考訳（メタデータ） (2020-10-16T17:37:59Z)
• 4D Spatio-Temporal Convolutional Networks for Object Position Estimation in OCT Volumes [69.62333053044712]
  3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。 我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
  論文  参考訳（メタデータ） (2020-07-02T12:02:20Z)

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。