論文の概要: Predicting Ground Reaction Force from Inertial Sensors

• arxiv url: http://arxiv.org/abs/2311.02287v1
• Date: Sat, 4 Nov 2023 00:44:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-07 18:36:13.798726
• Title: Predicting Ground Reaction Force from Inertial Sensors
• Title（参考訳）: 慣性センサによる地盤反応力予測
• Authors: Bowen Song, Marco Paolieri, Harper E. Stewart, Leana Golubchik, Jill L. McNitt-Gray, Vishal Misra, Devavrat Shah
• Abstract要約: グラウンド・リアクション・フォース(GRF)は、ランニングなどの動作で個人が経験した機械的荷重を特徴付けるために用いられる。 LSTMニューラルネットワークを用いた最先端予測とは対照的に,軽量なアプローチを検討する。 異なる競技者から収集したトレーニングデータを用いて,これらの手法の精度を評価する。
• 参考スコア（独自算出の注目度）: 13.505402421169213
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The study of ground reaction forces (GRF) is used to characterize the mechanical loading experienced by individuals in movements such as running, which is clinically applicable to identify athletes at risk for stress-related injuries. Our aim in this paper is to determine if data collected with inertial measurement units (IMUs), that can be worn by athletes during outdoor runs, can be used to predict GRF with sufficient accuracy to allow the analysis of its derived biomechanical variables (e.g., contact time and loading rate). In this paper, we consider lightweight approaches in contrast to state-of-the-art prediction using LSTM neural networks. Specifically, we compare use of LSTMs to k-Nearest Neighbors (KNN) regression as well as propose a novel solution, SVD Embedding Regression (SER), using linear regression between singular value decomposition embeddings of IMUs data (input) and GRF data (output). We evaluate the accuracy of these techniques when using training data collected from different athletes, from the same athlete, or both, and we explore the use of acceleration and angular velocity data from sensors at different locations (sacrum and shanks). Our results illustrate that simple machine learning methods such as SER and KNN can be similarly accurate or more accurate than LSTM neural networks, with much faster training times and hyperparameter optimization; in particular, SER and KNN are more accurate when personal training data are available, and KNN comes with benefit of providing provenance of prediction. Notably, the use of personal data reduces prediction errors of all methods for most biomechanical variables.
• Abstract（参考訳）: 地上反応力(grf)の研究は、ランニングなどの運動において個人が経験する機械的負荷を特徴付けるために用いられ、ストレスに関連した怪我のリスクのあるアスリートを特定するのに臨床的に応用できる。 本研究の目的は,運動選手がアウトドアラン中に装着できる慣性測定装置(IMU)を用いて収集したデータを用いて,その生体力学的変数(例えば,接触時間と負荷速度)の分析を可能にするために,十分な精度でGRFを予測することである。 本稿では,LSTMニューラルネットワークを用いた最先端予測とは対照的に,軽量なアプローチを検討する。 具体的には、LSTMをk-Nearest Neighbors(KNN)回帰と比較し、IMUデータ(インプット)とGRFデータ(アウトプット)の特異値分解埋め込みの線形回帰を用いた新しい解であるSVD Embedding Regression(SER)を提案する。 異なる競技者,同じ競技者,あるいはその両方から収集したトレーニングデータを用いて,これらの手法の精度を評価し,異なる場所(サックラム,シャンク)におけるセンサからの加速度および角速度データの利用について検討した。 我々の結果は、SERやKNNのような単純な機械学習手法は、LSTMニューラルネットワークと同様、あるいはより正確であり、トレーニング時間とハイパーパラメータの最適化がはるかに高速であることを示している。 特に、個人データの使用は、ほとんどの生体力学変数に対する全てのメソッドの予測エラーを減らす。

関連論文リスト

• An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
  深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。 本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。 本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
  論文  参考訳（メタデータ） (2024-10-24T18:15:48Z)
• Using deep neural networks to detect non-analytically defined expert event labels in canoe sprint force sensor signals [3.1446633690603356]
  本稿では、パドルストロークイベントを自動的に予測する能力の観点から、畳み込みニューラルネットワーク(CNN)と繰り返しニューラルネットワーク(RNN)について検討する。 以上の結果から,双方向ゲート再帰単位(BGRU)に基づくRNNがパドルストローク検出に最も適したモデルであることが判明した。
  論文  参考訳（メタデータ） (2024-07-11T10:59:11Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Asymmetric Momentum: A Rethinking of Gradient Descent [4.1001738811512345]
  LCAM(Los-Controlled Asymmetric Momentum)の最も単純なSGD拡張手法を提案する。 損失を平均化することにより、トレーニングプロセスを異なる損失フェーズに分割し、異なる運動量を使用する。 重みが方向特異性を持つことを実験的に検証し、データセットの特異性と相関する。
  論文  参考訳（メタデータ） (2023-09-05T11:16:47Z)
• Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
  分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。 最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。 我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T04:34:54Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• 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)
• Am I fit for this physical activity? Neural embedding of physical conditioning from inertial sensors [0.0]
  Inertial Measurement Unit(IMU)センサーは、スマートフォンやフィットネスウォッチなど、日常のデバイスではますます普及している。 本稿では,畳み込み層とLSTM層からなるニューラルネットワークアーキテクチャを提案する。 公共データセット(PAMAP2, PPG-DaLiA)で利用可能なIMUセンサデータから,23名の被験者の心拍数を予測した際に,PCE-LSTMと呼ばれるモデルを評価した。 PCE-LSTMは平均絶対誤差を10%以上下げる。
  論文  参考訳（メタデータ） (2021-03-22T18:00:27Z)
• HYDRA: Hypergradient Data Relevance Analysis for Interpreting Deep Neural Networks [51.143054943431665]
  本稿では、深層ニューラルネットワーク(DNN)による予測をトレーニングデータの効果として解釈する高次データ関連分析(HYDRA)を提案する。 HYDRAは、トレーニング軌跡全体を通して、テストデータポイントに対するトレーニングデータの貢献を評価する。 さらに,HyDRAは,データのコントリビューションを正確に推定し,ノイズのあるデータラベルを検出することで,影響関数よりも優れていることを定量的に示す。
  論文  参考訳（メタデータ） (2021-02-04T10:00:13Z)
• Transfer Learning with Convolutional Networks for Atmospheric Parameter Retrieval [14.131127382785973]
  MetOp衛星シリーズに搭載された赤外線音波干渉計(IASI)は、数値気象予測(NWP)に重要な測定値を提供する IASIが提供する生データから正確な大気パラメータを取得することは大きな課題であるが、NWPモデルでデータを使用するには必要である。 本研究では,iasiデータから抽出した特徴を,低い高度で異なる物理変数を予測するように設計された別の統計手法への入力として使用できることを示す。
  論文  参考訳（メタデータ） (2020-12-09T09:28:42Z)
• RIFLE: Backpropagation in Depth for Deep Transfer Learning through Re-Initializing the Fully-connected LayEr [60.07531696857743]
  事前訓練されたモデルを用いたディープ畳み込みニューラルネットワーク(CNN)の微調整は、より大きなデータセットから学習した知識をターゲットタスクに転送するのに役立つ。 転送学習環境におけるバックプロパゲーションを深める戦略であるRIFLEを提案する。 RIFLEは、深いCNN層の重み付けに意味のあるアップデートをもたらし、低レベルの機能学習を改善する。
  論文  参考訳（メタデータ） (2020-07-07T11:27:43Z)

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。