論文の概要: Muscles in Time: Learning to Understand Human Motion by Simulating Muscle Activations

• arxiv url: http://arxiv.org/abs/2411.00128v1
• Date: Thu, 31 Oct 2024 18:28:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:40:26.600069
• Title: Muscles in Time: Learning to Understand Human Motion by Simulating Muscle Activations
• Title（参考訳）: 時間の筋肉:筋活動のシミュレーションによる人間の動作の理解を学ぶ
• Authors: David Schneider, Simon Reiß, Marco Kugler, Alexander Jaus, Kunyu Peng, Susanne Sutschet, M. Saquib Sarfraz, Sven Matthiesen, Rainer Stiefelhagen,
• Abstract要約: マッスル・イン・タイム (MinT) は、大規模な人工筋肉活性化データセットである。 227名の被験者と402名の模擬筋骨格をカバーする9時間以上のシミュレーションデータを含んでいる。 ヒトのポーズ配列からニューラルネットワークを用いた筋活動量推定の結果を示す。
• 参考スコア（独自算出の注目度）: 64.98299559470503
• License:
• Abstract: Exploring the intricate dynamics between muscular and skeletal structures is pivotal for understanding human motion. This domain presents substantial challenges, primarily attributed to the intensive resources required for acquiring ground truth muscle activation data, resulting in a scarcity of datasets. In this work, we address this issue by establishing Muscles in Time (MinT), a large-scale synthetic muscle activation dataset. For the creation of MinT, we enriched existing motion capture datasets by incorporating muscle activation simulations derived from biomechanical human body models using the OpenSim platform, a common approach in biomechanics and human motion research. Starting from simple pose sequences, our pipeline enables us to extract detailed information about the timing of muscle activations within the human musculoskeletal system. Muscles in Time contains over nine hours of simulation data covering 227 subjects and 402 simulated muscle strands. We demonstrate the utility of this dataset by presenting results on neural network-based muscle activation estimation from human pose sequences with two different sequence-to-sequence architectures. Data and code are provided under https://simplexsigil.github.io/mint.
• Abstract（参考訳）: 筋肉構造と骨格構造の間の複雑なダイナミクスを探索することは、人間の動きを理解するために重要である。 この領域は、主に地上の真理筋の活性化データを取得するのに必要なリソースに起因し、結果としてデータセットが不足する、重大な課題を提起する。 本研究では,大規模な人工筋肉活性化データセットであるMinT(Maths in Time)を確立することでこの問題に対処する。 MinTの作成には,バイオメカニクスと人体運動研究における一般的なアプローチであるOpenSimプラットフォームを用いて,生体モデル由来の筋肉活性化シミュレーションを組み込むことにより,既存のモーションキャプチャーデータセットを充実させた。 簡単なポーズ配列から,ヒト筋骨格系における筋活動のタイミングに関する詳細な情報を抽出することができる。 時間内の筋肉は、227人の被験者と402人の模擬筋ストランドをカバーする9時間以上のシミュレーションデータを含んでいる。 2つの異なるシーケンス・ツー・シーケンス・アーキテクチャを持つ人間のポーズ・シーケンスからニューラルネットワークによる筋の活性化推定結果を示すことにより,このデータセットの有用性を実証する。 データとコードはhttps://simplexsigil.github.io/mint.com/mintで提供される。

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)
• AddBiomechanics Dataset: Capturing the Physics of Human Motion at Scale [6.704034895950097]
  本稿では,273名の被験者の身体的正確性を含むAddBiomechanics dataset 1.0を提案する。 本稿では,このデータセットを用いて動きから人体力学を推定するベンチマークを提案し,いくつかのベースライン結果を示す。
  論文  参考訳（メタデータ） (2024-05-16T16:57:43Z)
• 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)
• Scaling Up Dynamic Human-Scene Interaction Modeling [58.032368564071895]
  TRUMANSは、現在利用可能な最も包括的なモーションキャプチャーHSIデータセットである。 人体全体の動きや部分レベルの物体の動きを複雑に捉えます。 本研究では,任意の長さのHSI配列を効率的に生成する拡散型自己回帰モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-13T15:45:04Z)
• The bionic neural network for external simulation of human locomotor system [2.6311880922890842]
  本稿では,筋骨格モデルに基づく物理インフォームド深層学習法を提案し,関節運動と筋力を予測する。 この方法は、被験者固有のMSK生理学的パラメータを効果的に同定することができ、訓練された物理インフォームドフォワード力学は、正確な動きと筋力予測をもたらす。
  論文  参考訳（メタデータ） (2023-09-11T23:02:56Z)
• Muscles in Action [22.482090207522358]
  筋活動を人間の動作表現に組み込むための新しいデータセットである筋行動データセット(MIA)を提示する。 我々は、ビデオから筋の活性化を予測する双方向表現を学び、逆に、筋の活性化から動きを再構築する。 筋肉をコンピュータービジョンシステムに組み込むことで、スポーツ、フィットネス、AR/VRといった仮想人間のよりリッチなモデルが可能になる。
  論文  参考訳（メタデータ） (2022-12-05T16:47:09Z)
• Transformer Inertial Poser: Attention-based Real-time Human Motion Reconstruction from Sparse IMUs [79.72586714047199]
  本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。 提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
  論文  参考訳（メタデータ） (2022-03-29T16:24:52Z)
• OstrichRL: A Musculoskeletal Ostrich Simulation to Study Bio-mechanical Locomotion [8.849771760994273]
  MuJoCoシミュレータに基づくオストリッチの3次元筋骨格シミュレーションを作成した。 このモデルは、実際の筋肉データを集めるために使用されるCTスキャンと解剖に基づいている。 また,レファレンス・モーション・トラッキングや,ネック付きリーチ・タスクなど,一連の強化学習タスクも提供する。
  論文  参考訳（メタデータ） (2021-12-11T19:58:11Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Reinforcement Learning of Musculoskeletal Control from Functional Simulations [3.94716580540538]
  本研究は、深部強化学習(DRL)に基づく逆動力学制御器を用いて、人間の肩の生体力学的モデルによる筋活動の制御を訓練する。 その結果,無作為に発生する角軌道に追従する作業に対して,肩下降の単一軸運動制御を行うことができた。
  論文  参考訳（メタデータ） (2020-07-13T20:20:01Z)

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。