論文の概要: iMove: Exploring Bio-impedance Sensing for Fitness Activity Recognition
- arxiv url: http://arxiv.org/abs/2402.09445v2
- Date: Mon, 3 Jun 2024 12:42:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-04 18:43:36.078123
- Title: iMove: Exploring Bio-impedance Sensing for Fitness Activity Recognition
- Title（参考訳）: iMove: フィットネスアクティビティ認識のためのバイオインダプタンスセンシング
- Authors: Mengxi Liu, Vitor Fortes Rey, Yu Zhang, Lala Shakti Swarup Ray, Bo Zhou, Paul Lukowicz,
- Abstract要約: バイオインダプタンスは、センサフュージョンとコントラスト学習によるIMUベースのフィットネストラッキングの改善に役立つことを示す。
また, バイオインダプタンスは, センサ融合により, 人間の行動認識を直接改善できることを示す。
- 参考スコア（独自算出の注目度）: 7.349212933771517
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic and precise fitness activity recognition can be beneficial in aspects from promoting a healthy lifestyle to personalized preventative healthcare. While IMUs are currently the prominent fitness tracking modality, through iMove, we show bio-impedence can help improve IMU-based fitness tracking through sensor fusion and contrastive learning.To evaluate our methods, we conducted an experiment including six upper body fitness activities performed by ten subjects over five days to collect synchronized data from bio-impedance across two wrists and IMU on the left wrist.The contrastive learning framework uses the two modalities to train a better IMU-only classification model, where bio-impedance is only required at the training phase, by which the average Macro F1 score with the input of a single IMU was improved by 3.22 \% reaching 84.71 \% compared to the 81.49 \% of the IMU baseline model. We have also shown how bio-impedance can improve human activity recognition (HAR) directly through sensor fusion, reaching an average Macro F1 score of 89.57 \% (two modalities required for both training and inference) even if Bio-impedance alone has an average macro F1 score of 75.36 \%, which is outperformed by IMU alone. In addition, similar results were obtained in an extended study on lower body fitness activity classification, demonstrating the generalisability of our approach.Our findings underscore the potential of sensor fusion and contrastive learning as valuable tools for advancing fitness activity recognition, with bio-impedance playing a pivotal role in augmenting the capabilities of IMU-based systems.
- Abstract（参考訳）: 自動的かつ正確なフィットネスアクティビティ認識は、健康的なライフスタイルの促進からパーソナライズされた予防医療まで、面で有益である。
IMUは、現在、iMoveを通じて、バイオインダクタンスによって、センサフュージョンとコントラストラーニングによるIMUベースのフィットネストラッキングを改善することができるが、我々の方法を評価するために、両手首のバイオインダクタンスと左手首のIMUのバイオインダクタンスから同期データを収集するために、5日間にわたって10人の被験者による上半身フィットネス活動を含む実験を行った。
また,生体インピーダンスだけでは,平均マクロF1スコアが75.36 %であり,IMU単独でより優れていても,平均マクロF1スコアが89.57 %(トレーニングと推論の両方に必要な2つのモダリティ)に達することにより,生体インピーダンスがヒトの行動認識(HAR)を直接改善できることを示す。
さらに,本研究のアプローチの汎用性を示すとともに,低体力度活動分類に関する拡張研究においても同様の結果が得られた。我々の研究は,センサフュージョンとコントラスト学習が,IMU系システムの能力増強に重要な役割を担っているとともに,フィットネス活動認識を向上するための貴重なツールとしての可能性を示している。
関連論文リスト
- On the effectiveness of smartphone IMU sensors and Deep Learning in the detection of cardiorespiratory conditions [0.21987601456703473]
本研究は, 心肺疾患の早期スクリーニングのための, 取得プロトコルに基づく革新的な手法を提案する。
5つの異なる身体領域の加速度計とジャイロスコープで得られた呼吸動態を記録したデータセットを臨床的に収集した。
本研究では,早期心肺疾患スクリーニングのためのエンド・ツー・エンドのディープラーニングパイプラインを提案する。
論文 参考訳（メタデータ） (2024-08-27T18:29:47Z) - Multicenter Privacy-Preserving Model Training for Deep Learning Brain Metastases Autosegmentation [2.479757014250359]
本研究の目的は,マルチセンターデータの不均一性が深層学習脳転移(BM)オートセグメンテーション性能に与える影響を検討することである。
インクリメンタルトランスファー学習技術、すなわち、学習を忘れずに(LWF)、生データを共有せずにモデルの一般化性を改善する。
UKERプレトレーニングモデルがUSZに適用された場合、LWFはUKERとUSZテストデータの組み合わせで、単純TL(0.570)よりも平均F1スコア(0.839)、シングルセンタートレーニング(0.688)を達成する。
論文 参考訳（メタデータ） (2024-05-17T16:01:11Z) - Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
AIによる薬物発見の大きな課題は、高品質なデータの不足である。
薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。
実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
論文 参考訳（メタデータ） (2024-04-16T07:42:55Z) - MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。
このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。
また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
論文 参考訳（メタデータ） (2024-04-16T02:18:18Z) - DS-MS-TCN: Otago Exercises Recognition with a Dual-Scale Multi-Stage
Temporal Convolutional Network [1.0981016767527207]
オタゴ・エクササイズ・プログラム(OEP)は、高齢者向けの重要なリハビリテーションイニシアチブであり、バランスと強度を高めることを目的としている。
OEP認識のためのウェアラブルセンサを用いたこれまでの取り組みは、精度と堅牢性に関して制限があった。
本研究は,地域在住高齢者の日常生活におけるOEP運動を認識するために,腰に装着した慣性測定装置(IMU)を用いて,これらの制約に対処するものである。
論文 参考訳（メタデータ） (2024-02-05T11:25:45Z) - Sensor-Based Data Acquisition via Ubiquitous Device to Detect Muscle
Strength Training Activities [0.0]
本研究は,HAR(Human Activity Recognition)のための組込みセンサを用いた。
25人の被験者のデータをもとに、筋力運動において左右の手で重要な役割を果たす重要なセンサー特性を同定した。
論文 参考訳（メタデータ） (2024-01-26T10:44:44Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳（メタデータ） (2023-10-30T11:13:40Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳（メタデータ） (2021-04-29T00:11:32Z) - Physical Activity Recognition Based on a Parallel Approach for an
Ensemble of Machine Learning and Deep Learning Classifiers [0.0]
モノのインターネット(IOT)に組み込まれたウェアラブルセンサーデバイスによる人間の活動認識(HAR)は、リモートヘルス監視と緊急通知に重要な役割を果たします。
本研究では、医療に適用可能な意思決定精度と実行速度の人間活動認識手法について検討する。
論文 参考訳（メタデータ） (2021-03-02T16:50:52Z) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳（メタデータ） (2020-07-16T09:39:17Z)
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。