論文の概要: Comparison of gait phase detection using traditional machine learning and deep learning techniques

• arxiv url: http://arxiv.org/abs/2403.05595v1
• Date: Thu, 7 Mar 2024 10:05:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 13:11:17.693514
• Title: Comparison of gait phase detection using traditional machine learning and deep learning techniques
• Title（参考訳）: 従来の機械学習とディープラーニングを用いた歩行位相検出の比較
• Authors: Farhad Nazari, Navid Mohajer, Darius Nahavandi, and Abbas Khosravi
• Abstract要約: 本研究では,人間歩行のための低レベルEMGデータに基づく機械学習(ML)モデルを提案する。 その結果,従来のMLモデルでは75%,ディープラーニング(DL)モデルでは79%の精度が得られた。
• 参考スコア（独自算出の注目度）: 3.11526333124308
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Human walking is a complex activity with a high level of cooperation and interaction between different systems in the body. Accurate detection of the phases of the gait in real-time is crucial to control lower-limb assistive devices like exoskeletons and prostheses. There are several ways to detect the walking gait phase, ranging from cameras and depth sensors to the sensors attached to the device itself or the human body. Electromyography (EMG) is one of the input methods that has captured lots of attention due to its precision and time delay between neuromuscular activity and muscle movement. This study proposes a few Machine Learning (ML) based models on lower-limb EMG data for human walking. The proposed models are based on Gaussian Naive Bayes (NB), Decision Tree (DT), Random Forest (RF), Linear Discriminant Analysis (LDA) and Deep Convolutional Neural Networks (DCNN). The traditional ML models are trained on hand-crafted features or their reduced components using Principal Component Analysis (PCA). On the contrary, the DCNN model utilises convolutional layers to extract features from raw data. The results show up to 75% average accuracy for traditional ML models and 79% for Deep Learning (DL) model. The highest achieved accuracy in 50 trials of the training DL model is 89.5%.
• Abstract（参考訳）: 人間の歩行は、身体内の様々なシステム間の高いレベルの協力と相互作用を持つ複雑な活動である。 歩行の位相をリアルタイムで正確に検出することは、外骨格や義肢などの下肢補助装置を制御するのに不可欠である。 歩行歩行の位相を検出する方法はいくつかあり、カメラや深度センサーからデバイス本体や人体に取り付けられたセンサーまで様々である。 筋電図 (EMG) は、その正確さと神経筋活動と筋運動の時間遅延により多くの注意を引いた入力手法の1つである。 本研究では,人間歩行のための低レベルEMGデータに基づく機械学習(ML)モデルを提案する。 提案モデルは,Gaussian Naive Bayes (NB), Decision Tree (DT), Random Forest (RF), Linear Discriminant Analysis (LDA), Deep Convolutional Neural Networks (DCNN)に基づく。 従来のMLモデルは、プリンシパルコンポーネント分析(PCA)を使用して手作りのフィーチャや、それらの削減されたコンポーネントに基づいて訓練されている。 逆にDCNNモデルは、畳み込み層を利用して生データから特徴を抽出する。 その結果,従来のMLモデルでは75%,ディープラーニング(DL)モデルでは79%の精度が得られた。 訓練用DLモデルの50試験における最高精度は89.5%である。

関連論文リスト

• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• Utilizing Machine Learning and 3D Neuroimaging to Predict Hearing Loss: A Comparative Analysis of Dimensionality Reduction and Regression Techniques [0.0]
  我々は,脳の灰白質3次元画像における難聴閾値を予測するための機械学習アプローチについて検討した。 第1フェーズでは,3次元CNNモデルを用いて,遅延空間への高次元入力を低減した。 第2フェーズでは、このモデルを使用して、リッチな機能への入力を削減した。
  論文  参考訳（メタデータ） (2024-04-30T18:39:41Z)
• Equipping Computational Pathology Systems with Artifact Processing Pipelines: A Showcase for Computation and Performance Trade-offs [0.7226586370054761]
  損傷組織, ぼかし, 折りたたみ組織, 気泡, 組織学的に無関係な血液を含む5つの重要な人工物を検出するための専門家(MoE)の混合手法を提案する。 2つのMoEと2つのマルチクラスモデルであるDCNNとビジョントランスフォーマーを用いたDLパイプラインを開発した。 提案されたMoEは86.15%のF1と97.93%の感度スコアを持ち、ViTを用いたMoEよりも推論の計算コストが低い。
  論文  参考訳（メタデータ） (2024-03-12T15:22:05Z)
• 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)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Atrial Fibrillation Detection Using Weight-Pruned, Log-Quantised Convolutional Neural Networks [25.160063477248904]
  心電図信号から心房細動を検出する畳み込みニューラルネットワークモデルを開発した。 このモデルは、限られた可変長の入力データで訓練されているにもかかわらず、高い性能を示す。 最終モデルは91.1%のモデル圧縮比を達成し、高いモデル精度は91.7%、損失は1%未満であった。
  論文  参考訳（メタデータ） (2022-06-14T11:47:04Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• Deep Transfer-Learning for patient specific model re-calibration: Application to sEMG-Classification [0.2676349883103404]
  機械学習ベースのsEMGデコーダは、主題固有のデータに基づいてトレーニングされるか、少なくとも各ユーザに対して個別に再分類される。 sEMGデータの可用性が限られているため、ディープラーニングモデルは過度に適合する傾向にある。 近年、ドメイン適応のための転写学習は、訓練時間を短縮して一般化品質を改善した。
  論文  参考訳（メタデータ） (2021-12-30T11:35:53Z)
• MoEfication: Conditional Computation of Transformer Models for Efficient Inference [66.56994436947441]
  トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。 スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。 そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
  論文  参考訳（メタデータ） (2021-10-05T02:14:38Z)
• STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
  本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。 実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
  論文  参考訳（メタデータ） (2021-07-15T02:53:11Z)
• Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
  この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。 コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。 その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
  論文  参考訳（メタデータ） (2021-01-26T16:01:02Z)

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。