論文の概要: Explaining human body responses in random vibration: Effect of motion
direction, sitting posture, and anthropometry
- arxiv url: http://arxiv.org/abs/2306.12115v1
- Date: Wed, 21 Jun 2023 09:00:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 14:08:36.550123
- Title: Explaining human body responses in random vibration: Effect of motion
direction, sitting posture, and anthropometry
- Title（参考訳）: ランダム振動における人体反応の説明:運動方向、座位姿勢、人体計測の影響
- Authors: M. M. Cvetkovi\'c, R. Desai, K. N. de Winkel, G. Papaioannou, and R.
Happee
- Abstract要約: 人為的属性、生物学的性、姿勢は、翻訳振動における体運動反応に影響を及ぼす。
標準の車両座席に0.1Hzから12.0Hzのランダムノイズ信号を持つモーションベースプラットフォームを用いて摂動を適用した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study investigates the effects of anthropometric attributes, biological
sex, and posture on translational body kinematic responses in translational
vibrations. In total, 35 participants were recruited. Perturbations were
applied on a standard car seat using a motion-based platform with 0.1 to 12.0
Hz random noise signals, with 0.3 m/s2 rms acceleration, for 60 seconds.
Multiple linear regression models (three basic models and one advanced model,
including interactions between predictors) were created to determine the most
influential predictors of peak translational gains in the frequency domain per
body segment (pelvis, trunk, and head). The models introduced experimentally
manipulated factors (motion direction, posture, measured anthropometric
attributes, and biological sex) as predictors. Effects of included predictors
on the model fit were estimated. Basic linear regression models could explain
over 70% of peak body segments' kinematic body response (where the R2 adjusted
was 0.728). The inclusion of additional predictors (posture, body height and
weight, and biological sex) did enhance the model fit, but not significantly
(R2 adjusted was 0.730). The multiple stepwise linear regression, including
interactions between predictors, accounted for the data well with an adjusted
R2 of 0.907. The present study shows that perturbation direction and body
segment kinematics are crucial factors influencing peak translational gains.
Besides the body segments' response, perturbation direction was the strongest
predictor. Adopted postures and biological sex do not significantly affect
kinematic responses.
- Abstract（参考訳）: 本研究では, 生体特性, 生物学的性, 姿勢が翻訳振動の身体運動反応に及ぼす影響について検討した。
合計35人が参加した。
標準の車体に0.1から12.0Hzのランダムノイズ信号と0.3 m/s2 rmsのアクセラレーションを60秒間使用した。
複数の線形回帰モデル(予測子間の相互作用を含む3つの基本モデルと1つの先進モデル)が作成され、ボディセグメント毎の周波数領域(骨、幹、頭)におけるピーク翻訳の最大値の予測因子を決定する。
モデルは、予測因子として実験的に操作された因子(運動方向、姿勢、人体計測特性、生物学的性)を導入した。
モデル適合性に対する包含予測器の影響を推定した。
基本線形回帰モデルでは、ピークボディセグメントの運動体応答(r2が0.728である)の70%以上を説明できる。
追加の予測器(姿勢、身長、体重、生物学的セックス)が組み込まれれば、モデル適合性は向上するが、あまり改善されなかった(R2は0.730)。
予測子間の相互作用を含む複数のステップワイズ線形回帰は,調整されたr2が0.907であった。
本研究は,摂動方向と体節運動がピーク翻訳に影響を及ぼす重要な要因であることを示す。
ボディセグメントの応答に加えて、摂動方向が最強の予測因子であった。
採用姿勢や生物学的性は運動反応に大きく影響しない。
関連論文リスト
- PoseBench: Benchmarking the Robustness of Pose Estimation Models under Corruptions [57.871692507044344]
ポース推定は、単眼画像を用いて人や動物の解剖学的キーポイントを正確に同定することを目的としている。
現在のモデルは一般的に、クリーンなデータに基づいてトレーニングされ、テストされる。
実世界の腐敗に対するポーズ推定モデルの堅牢性を評価するためのベンチマークであるPoseBenchを紹介する。
論文 参考訳（メタデータ） (2024-06-20T14:40:17Z) - Predicting Multi-Joint Kinematics of the Upper Limb from EMG Signals
Across Varied Loads with a Physics-Informed Neural Network [0.0]
PINNモデルは、フィードフォワードニューラルネットワーク(ANN)とジョイントトルクモデルを組み合わせることで構成される。
PINNモデルのトレーニングデータセットは、EMGと4つの異なる被験者から収集された時間データを含む。
その結果,関節角度予測では58%から83%の相関が認められた。
論文 参考訳（メタデータ） (2023-11-28T16:55:11Z) - Gait Cycle-Inspired Learning Strategy for Continuous Prediction of Knee
Joint Trajectory from sEMG [24.608475386117426]
本稿では,2つの歩行サイクルにインスパイアされた学習戦略を統合し,膝関節の軌道予測の課題を軽減するモデルを提案する。
異なるネットワークエンティティを通して学習することにより、モデルは共通の歩行特徴とパーソナライズされた歩行特徴の両方をキャプチャする。
実験結果から, 平均根平均二乗誤差(RMSE)を3.03度(0.49度), 50ms前後で予測できることが示唆された。
論文 参考訳（メタデータ） (2023-07-25T02:23:58Z) - Physion++: Evaluating Physical Scene Understanding that Requires Online
Inference of Different Physical Properties [100.19685489335828]
この研究は、人工システムにおける視覚的身体的予測を厳格に評価する新しいデータセットとベンチマークであるPhysylon++を提案する。
正確な予測が質量、摩擦、弾性、変形性などの特性の推定に依存するシナリオをテストする。
我々は,様々なレベルの学習と組込み知識にまたがる最先端予測モデルの性能を評価し,その性能を人間の予測と比較した。
論文 参考訳（メタデータ） (2023-06-27T17:59:33Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z) - From Motion to Muscle [0.0]
筋活動は, 位置, 速度, 加速度などの運動特徴に基づいて人工的に生成できることを示す。
このモデルは、以前に訓練された運動に対して顕著な精度を達成し、これまで訓練されていない新しい運動に対して非常に高い精度を維持している。
論文 参考訳（メタデータ） (2022-01-27T13:30:17Z) - Causal Analysis and Prediction of Human Mobility in the U.S. during the
COVID-19 Pandemic [0.0]
米国における新型コロナウイルスの感染拡大以来、ほとんどの州は旅行制限を強制しており、移動度は大幅に低下している。
本研究は、このパンデミックの間、米国における人間の移動と旅行に最も影響を及ぼす要因を決定・分析する分析枠組みを開発する。
論文 参考訳（メタデータ） (2021-11-24T05:15:12Z) - 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) - MSED: a multi-modal sleep event detection model for clinical sleep
analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。
モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文 参考訳（メタデータ） (2021-01-07T13:08:44Z) - Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。
患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。
本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
論文 参考訳（メタデータ） (2020-06-18T09:49:11Z) - An Analysis of the Adaptation Speed of Causal Models [80.77896315374747]
最近、Bengioらは、すべての候補モデルの中で、$G$は、あるデータセットから別のデータセットに適応する最速のモデルであると推測した。
最適化からの収束率を用いた原因影響SCMの適応速度について検討する。
驚くべきことに、私たちは反因果モデルが有利である状況を見つけ、初期仮説を偽造する。
論文 参考訳（メタデータ） (2020-05-18T23:48:56Z)
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。