論文の概要: Real-time Monitoring of Lower Limb Movement Resistance Based on Deep Learning

• arxiv url: http://arxiv.org/abs/2410.19769v1
• Date: Sun, 13 Oct 2024 18:19:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-03 08:19:40.639666
• Title: Real-time Monitoring of Lower Limb Movement Resistance Based on Deep Learning
• Title（参考訳）: 深層学習に基づく下肢運動抵抗のリアルタイムモニタリング
• Authors: Buren Batu, Yuanmeng Liu, Tianyi Lyu,
• Abstract要約: リアルタイム下肢運動抵抗モニタリングは,リハビリテーションや運動訓練などの臨床・スポーツ分野での様々な用途において重要である。 効率的な特徴抽出のためにMobileNetV3を統合した新しいMobile Multi-Task Learning Network (MMTL-Net)を提案する。 MMTL-Netの利点は、精度の向上、レイテンシの低減、計算効率の向上であり、リアルタイムアプリケーションに非常に適している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Real-time lower limb movement resistance monitoring is critical for various applications in clinical and sports settings, such as rehabilitation and athletic training. Current methods often face limitations in accuracy, computational efficiency, and generalizability, which hinder their practical implementation. To address these challenges, we propose a novel Mobile Multi-Task Learning Network (MMTL-Net) that integrates MobileNetV3 for efficient feature extraction and employs multi-task learning to simultaneously predict resistance levels and recognize activities. The advantages of MMTL-Net include enhanced accuracy, reduced latency, and improved computational efficiency, making it highly suitable for real-time applications. Experimental results demonstrate that MMTL-Net significantly outperforms existing models on the UCI Human Activity Recognition and Wireless Sensor Data Mining Activity Prediction datasets, achieving a lower Force Error Rate (FER) of 6.8% and a higher Resistance Prediction Accuracy (RPA) of 91.2%. Additionally, the model shows a Real-time Responsiveness (RTR) of 12 milliseconds and a Throughput (TP) of 33 frames per second. These findings underscore the model's robustness and effectiveness in diverse real-world scenarios. The proposed framework not only advances the state-of-the-art in resistance monitoring but also paves the way for more efficient and accurate systems in clinical and sports applications. In real-world settings, the practical implications of MMTL-Net include its potential to enhance patient outcomes in rehabilitation and improve athletic performance through precise, real-time monitoring and feedback.
• Abstract（参考訳）: リアルタイム下肢運動抵抗モニタリングは,リハビリテーションや運動訓練などの臨床・スポーツ分野での様々な用途において重要である。 現在の手法は、精度、計算効率、一般化可能性の限界に直面することが多く、実際的な実装を妨げている。 これらの課題に対処するために,MobileNetV3を統合して効率的な特徴抽出を行い,マルチタスク学習を用いて抵抗レベルの同時予測とアクティビティの認識を行う,新しいMobile Multi-Task Learning Network(MMTL-Net)を提案する。 MMTL-Netの利点は、精度の向上、レイテンシの低減、計算効率の向上であり、リアルタイムアプリケーションに非常に適している。 実験の結果、MMTL-Netは、UCIの人間活動認識および無線センサデータマイニング活動予測データセットにおいて既存のモデルよりも大幅に優れており、力誤差率(FER)が6.8%、抵抗予測精度(RPA)が91.2%高い。 さらに、モデルは12ミリ秒のリアルタイム応答性(RTR)と毎秒33フレームのスループット(TP)を示す。 これらの結果は、様々な現実世界のシナリオにおけるモデルの堅牢性と有効性を強調している。 提案するフレームワークは, 抵抗モニタリングの最先端化だけでなく, 臨床・スポーツ分野でのより効率的かつ正確なシステム構築の道を開く。 実世界の環境では、MMTL-Netの実践的な意味は、患者のリハビリテーションにおける成果を高め、正確なリアルタイムモニタリングとフィードバックを通じて運動能力を向上させる可能性があることである。

関連論文リスト

• P-YOLOv8: Efficient and Accurate Real-Time Detection of Distracted Driving [0.0]
  引き離された運転は重大な安全上の問題であり、世界中で多くの死者と負傷につながっている。 本研究では、注意をそらされた運転行動を検出するための効率的でリアルタイムな機械学習モデルの必要性に対処する。 リアルタイムオブジェクト検出システムを導入し、速度と精度の両方に最適化する。
  論文  参考訳（メタデータ） (2024-10-21T02:56:44Z)
• Towards Contactless Elevators with TinyML using CNN-based Person Detection and Keyword Spotting [0.0]
  本研究では,人間の介入を最小化することを目的とした非接触式エレベーター運転システムの概念実証を行う。 エレベータ操作のために、小さな機械学習(tinyML)推論を実行するマイクロコントローラベースのエッジデバイスを開発した。 その結果、人検出精度83.34%、キーワードスポッティング効率80.5%、全体の遅延時間は5秒以下であることが判明した。
  論文  参考訳（メタデータ） (2024-05-19T20:24:31Z)
• PNAS-MOT: Multi-Modal Object Tracking with Pareto Neural Architecture Search [64.28335667655129]
  複数の物体追跡は、自律運転において重要な課題である。 トラッキングの精度が向上するにつれて、ニューラルネットワークはますます複雑になり、レイテンシが高いため、実際の運転シナリオにおける実践的な応用に課題が生じる。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法を用いて追跡のための効率的なアーキテクチャを探索し,比較的高い精度を維持しつつ,低リアルタイム遅延を実現することを目的とした。
  論文  参考訳（メタデータ） (2024-03-23T04:18:49Z)
• Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health Monitoring Systems [69.41229290253605]
  既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。 これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。 最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
  論文  参考訳（メタデータ） (2024-01-19T16:26:35Z)
• Missing Value Imputation for Multi-attribute Sensor Data Streams via Message Propagation (Extended Version) [25.022656067909523]
  タイムウインドウでデータインスタンスの欠落した値を復元できるMPIN(Message propagation imputation Network)を提案する。 MPINは、既存のデータインプタを幅広いマージンで上回り、継続的なインプタフレームワークは効率的かつ正確である。
  論文  参考訳（メタデータ） (2023-11-13T14:01:04Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Evaluating Spiking Neural Network On Neuromorphic Platform For Human Activity Recognition [2.710807780228189]
  エネルギー効率と低レイテンシは、ウェアラブルAIを活用した人間の活動認識システムにとって重要な要件である。 スパイクベースのワークアウト認識システムは、従来のニューラルネットワークを備えた一般的なミリワットRISC-VベースマルチコアプロセッサGAP8に匹敵する精度を達成することができる。
  論文  参考訳（メタデータ） (2023-08-01T18:59:06Z)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)
• On Efficient Uncertainty Estimation for Resource-Constrained Mobile Applications [0.0]
  予測の不確実性は、モデル予測を補完し、下流タスクの機能を改善します。 Axolotlフレームワークを用いてモンテカルロ・ドロップアウト(MCDO)モデルを構築することでこの問題に対処する。 我々は,(1)CIFAR10データセットを用いた多クラス分類タスク,(2)より複雑な人体セグメンテーションタスクについて実験を行った。
  論文  参考訳（メタデータ） (2021-11-11T22:24:15Z)
• FasterPose: A Faster Simple Baseline for Human Pose Estimation [65.8413964785972]
  本稿では,高速ポーズ推定のためのLR表現を用いた費用対効果ネットワークの設計パラダイムであるFasterPoseを提案する。 我々は,FasterPoseのトレーニング挙動について検討し,収束を加速する新しい回帰クロスエントロピー(RCE)損失関数を定式化する。 従来のポーズ推定ネットワークと比較すると,FLOPの58%が減少し,精度が1.3%向上した。
  論文  参考訳（メタデータ） (2021-07-07T13:39:08Z)
• Object Tracking through Residual and Dense LSTMs [67.98948222599849]
  LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。 DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。 ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
  論文  参考訳（メタデータ） (2020-06-22T08:20:17Z)

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。