論文の概要: Bridging Structural Dynamics and Biomechanics: Human Motion Estimation through Footstep-Induced Floor Vibrations

• arxiv url: http://arxiv.org/abs/2503.16455v1
• Date: Fri, 21 Feb 2025 20:10:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-30 09:25:10.633535
• Title: Bridging Structural Dynamics and Biomechanics: Human Motion Estimation through Footstep-Induced Floor Vibrations
• Title（参考訳）: ブリッジ構造ダイナミクスとバイオメカニクス:足音による床振動による人間の動作推定
• Authors: Yiwen Dong, Jessica Rose, Hae Young Noh,
• Abstract要約: 既存のアプローチには、カメラ、ウェアラブル、圧力マットなどの監視デバイスが含まれる。 歩行誘発床振動を利用して下肢関節運動を推定する。 本モデルでは,身体と床間の情報共有を可能とし,不確実性を低減するために物理的制約を課す。
• 参考スコア（独自算出の注目度）: 2.7180946990643466
• License:
• Abstract: Quantitative estimation of human joint motion in daily living spaces is essential for early detection and rehabilitation tracking of neuromusculoskeletal disorders (e.g., Parkinson's) and mitigating trip and fall risks for older adults. Existing approaches involve monitoring devices such as cameras, wearables, and pressure mats, but have operational constraints such as direct line-of-sight, carrying devices, and dense deployment. To overcome these limitations, we leverage gait-induced floor vibration to estimate lower-limb joint motion (e.g., ankle, knee, and hip flexion angles), allowing non-intrusive and contactless gait health monitoring in people's living spaces. To overcome the high uncertainty in lower-limb movement given the limited information provided by the gait-induced floor vibrations, we formulate a physics-informed graph to integrate domain knowledge of gait biomechanics and structural dynamics into the model. Specifically, different types of nodes represent heterogeneous information from joint motions and floor vibrations; Their connecting edges represent the physiological relationships between joints and forces governed by gait biomechanics, as well as the relationships between forces and floor responses governed by the structural dynamics. As a result, our model poses physical constraints to reduce uncertainty while allowing information sharing between the body and the floor to make more accurate predictions. We evaluate our approach with 20 participants through a real-world walking experiment. We achieved an average of 3.7 degrees of mean absolute error in estimating 12 joint flexion angles (38% error reduction from baseline), which is comparable to the performance of cameras and wearables in current medical practices.
• Abstract（参考訳）: 生活空間におけるヒトの関節運動の定量的評価は,神経筋骨格障害(例えば,パーキンソン病)の早期発見・回復と高齢者の移動・転倒リスク軽減に不可欠である。 既存のアプローチでは、カメラ、ウェアラブル、圧力マットなどのデバイスを監視するが、直接視線、搬送デバイス、密集した配置といった運用上の制約がある。 これらの制約を克服するために、歩行誘発床振動を利用して、下肢関節運動(例えば、足首、膝、股関節屈曲角)を推定し、人の生活空間における非侵襲的かつ接触のない歩行の健康モニタリングを可能にした。 歩行によって引き起こされる床振動の限られた情報を考えると,下肢運動における高い不確実性を克服するために,歩行生体力学と構造力学の領域知識をモデルに統合する物理インフォームドグラフを定式化した。 特に、異なる種類のノードは、関節運動と床振動からの不均一な情報を表現し、それらの接続エッジは、歩行生体力学によって支配される関節と力の生理的関係と、構造力学によって支配される力と床反応の関係を表す。 その結果,本モデルでは,身体と床間の情報共有がより正確な予測を可能にするとともに,不確実性を低減するために物理的制約を課している。 実際の歩行実験を通じて,20名の被験者によるアプローチを評価した。 平均絶対誤差は,12関節屈曲角度(基準値から38%の誤差低減)の推定において平均3.7度に達し,これは現在の医療実践におけるカメラやウェアラブルの性能に匹敵するものであった。

関連論文リスト

• COIN: Control-Inpainting Diffusion Prior for Human and Camera Motion Estimation [98.05046790227561]
  COINは、人間の動きとカメラの動きを細粒度に制御できる、コントロール・インパインティング・モーション拡散である。 COINは、グローバルな人間の動き推定とカメラの動き推定という観点から、最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2024-08-29T10:36:29Z)
• Continual Learning from Simulated Interactions via Multitask Prospective Rehearsal for Bionic Limb Behavior Modeling [0.7922558880545526]
  生体補綴制御の文脈における人間の行動モデルを提案する。 本稿では、時間とともに動きを予測・洗練するマルチタスク・継続的適応モデルを提案する。 我々は,トランスティバイアル・アンプを含む実世界の人間の歩行データセットの実験を通じて,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-05-02T09:22:54Z)
• 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)
• InterControl: Zero-shot Human Interaction Generation by Controlling Every Joint [67.6297384588837]
  関節間の所望距離を維持するために,新しい制御可能な運動生成手法であるInterControlを導入する。 そこで本研究では,既成の大規模言語モデルを用いて,ヒューマンインタラクションのための結合ペア間の距離を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-11-27T14:32:33Z)
• Learning Realistic Joint Space Boundaries for Range of Motion Analysis of Healthy and Impaired Human Arms [0.5530212768657544]
  本研究では,現実的な解剖学的制約のある上層域の運動境界を,モーションキャプチャーデータから学習するためのデータ駆動手法を提案する。 また,健常腕と障害腕の比較において,能力・障害の定量的評価を行う指標(II)を提案する。
  論文  参考訳（メタデータ） (2023-11-17T17:14:42Z)
• Intelligent Knee Sleeves: A Real-time Multimodal Dataset for 3D Lower Body Motion Estimation Using Smart Textile [2.2008680042670123]
  本稿では,人間のポーズ推定のために,Intelligent Knee Sleevesの新たなペアを用いてベンチマークを収集したマルチモーダルデータセットを提案する。 本システムは,Knee Sleevesの時系列データと,可視化されたモーションキャプチャーカメラシステムからの対応する地上真実ラベルからなる同期データセットを利用する。 我々はこれらを用いて、異なる活動を行う個人のウェアラブルデータのみに基づく3次元人体モデルを生成する。
  論文  参考訳（メタデータ） (2023-10-02T00:34:21Z)
• Gait Cycle-Inspired Learning Strategy for Continuous Prediction of Knee Joint Trajectory from sEMG [24.608475386117426]
  本稿では,2つの歩行サイクルにインスパイアされた学習戦略を統合し,膝関節の軌道予測の課題を軽減するモデルを提案する。 異なるネットワークエンティティを通して学習することにより、モデルは共通の歩行特徴とパーソナライズされた歩行特徴の両方をキャプチャする。 実験結果から, 平均根平均二乗誤差(RMSE)を3.03度(0.49度), 50ms前後で予測できることが示唆された。
  論文  参考訳（メタデータ） (2023-07-25T02:23:58Z)
• Contact-Aware Retargeting of Skinned Motion [49.71236739408685]
  本稿では,自己接触を保存し,相互接続を防止する動作推定手法を提案する。 入力運動における自己接触と接地を同定し、出力骨格に適用するための動作を最適化する。 実験では,従来の手法を定量的に上回り,近年の成果よりも高い品質で再ターゲットされた動きを評価できるユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-09-15T17:05:02Z)
• Learning Local Recurrent Models for Human Mesh Recovery [50.85467243778406]
  本稿では,人間のメッシュを標準的な骨格モデルに従って複数の局所的に分割するビデオメッシュ復元手法を提案する。 次に、各局所部分の力学を別個のリカレントモデルでモデル化し、各モデルは、人体の既知の運動構造に基づいて適切に条件付けする。 これにより、構造的インフォームドな局所的再帰学習アーキテクチャが実現され、アノテーションを使ってエンドツーエンドでトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-07-27T14:30:33Z)
• A novel approach for modelling and classifying sit-to-stand kinematics using inertial sensors [0.6243048287561809]
  立ち上がり運動は、老年者やパーキンソン病などの運動障害のある患者にしばしば影響を受け、転倒する。 本稿では,2つのウェアラブル慣性センサのみを用いて,立位から立位までの運動量を推定するための3分割体モデルを提案する。 若年健常成人10名(YH)、高齢健常成人12名(OH)、パーキンソン病12名(PwP)に適用した。
  論文  参考訳（メタデータ） (2021-07-14T17:31:50Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)

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。