論文の概要: Data Augmentation of Time-Series Data in Human Movement Biomechanics: A Scoping Review

• arxiv url: http://arxiv.org/abs/2504.03334v1
• Date: Fri, 04 Apr 2025 10:31:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-07 14:47:19.231714
• Title: Data Augmentation of Time-Series Data in Human Movement Biomechanics: A Scoping Review
• Title（参考訳）: 人体運動バイオメカニクスにおける時系列データの増大:スコーピング・レビュー
• Authors: Christina Halmich, Lucas Höschler, Christoph Schranz, Christian Borgelt,
• Abstract要約: 機械学習は、広範なウェアラブルセンサーデータによって実現された、バイオメカニクスにおけるデータ分析を変革した。 この分野は、限られた大規模データセットや高いデータ取得コストといった課題に直面している。 データ拡張技術はこれらの問題に対処する上で有望であることを示すが、バイオメカニカルな時系列データへの適用には包括的な評価が必要である。
• 参考スコア（独自算出の注目度）: 6.160486151724121
• License:
• Abstract: The integration of machine learning and deep learning has transformed data analytics in biomechanics, enabled by extensive wearable sensor data. However, the field faces challenges such as limited large-scale datasets and high data acquisition costs, which hinder the development of robust algorithms. Data augmentation techniques show promise in addressing these issues, but their application to biomechanical time-series data requires comprehensive evaluation. This scoping review investigates data augmentation methods for time-series data in the biomechanics domain. It analyzes current approaches for augmenting and generating time-series datasets, evaluates their effectiveness, and offers recommendations for applying these techniques in biomechanics. Four databases, PubMed, IEEE Xplore, Scopus, and Web of Science, were searched for studies published between 2013 and 2024. Following PRISMA-ScR guidelines, a two-stage screening identified 21 relevant publications. Results show that there is no universally preferred method for augmenting biomechanical time-series data; instead, methods vary based on study objectives. A major issue identified is the absence of soft tissue artifacts in synthetic data, leading to discrepancies referred to as the synthetic gap. Moreover, many studies lack proper evaluation of augmentation methods, making it difficult to assess their effects on model performance and data quality. This review highlights the critical role of data augmentation in addressing limited dataset availability and improving model generalization in biomechanics. Tailoring augmentation strategies to the characteristics of biomechanical data is essential for advancing predictive modeling. A better understanding of how different augmentation methods impact data quality and downstream tasks will be key to developing more effective and realistic techniques.
• Abstract（参考訳）: 機械学習とディープラーニングの統合は、広範なウェアラブルセンサーデータによって実現されたバイオメカニクスにおけるデータ分析を変革した。 しかし、この分野は、大規模なデータセットの制限や、堅牢なアルゴリズムの開発を妨げる高いデータ取得コストといった課題に直面している。 データ拡張技術はこれらの問題に対処する上で有望であることを示すが、バイオメカニカルな時系列データへの適用には包括的な評価が必要である。 本稿では,バイオメカニクス領域における時系列データに対するデータ拡張手法について検討する。 時系列データセットの強化と生成に関する現在のアプローチを分析し、その有効性を評価し、これらのテクニックを生体力学に適用するための推奨を提供する。 2013年から2024年にかけて、PubMed、IEEE Xplore、Scopus、Web of Scienceの4つのデータベースが公開された。 PRISMA-ScRガイドラインに従って、2段階の審査では21の関連出版物が特定された。 その結果, バイオメカニカル時系列データを拡張するための汎用的な手法は存在せず, 研究対象によって異なることがわかった。 主要な問題は、合成データに軟組織アーティファクトがないことである。 さらに, 拡張手法の適切な評価に欠ける研究も多く, モデル性能やデータ品質に対する評価が困難である。 このレビューでは、限られたデータセットの可用性に対処し、バイオメカニクスにおけるモデル一般化を改善する上で、データ拡張の重要性を強調した。 バイオメカニカルデータの特徴に拡張戦略を組み込むことは,予測モデリングの進展に不可欠である。 異なる拡張メソッドがデータ品質や下流タスクにどのように影響するかをより深く理解することが、より効果的で現実的なテクニックを開発する上で鍵となるでしょう。

関連論文リスト

• Generation of synthetic gait data: application to multiple sclerosis patients' gait patterns [0.0]
  多発性硬化症(Multiple sclerosis, MS)は、若年者における非外傷性障害の主要な原因であり、その頻度は世界中で増加している。 MSにおける歩行障害の変動は、定量的歩行評価のための非侵襲的で敏感で費用対効果の高いツールの開発を必要とする。 eGait運動センサは、股関節回転を表す単位四元数時系列(QTS)を通して人間の歩行を特徴付けるように設計されており、有望なアプローチである。 しかし、臨床研究に典型的な小さなサンプルサイズは、歩行データ解析ツールの安定性に課題をもたらす。
  論文  参考訳（メタデータ） (2024-11-15T17:32:01Z)
• Synthetic Image Learning: Preserving Performance and Preventing Membership Inference Attacks [5.0243930429558885]
  本稿では,下流分類器の学習のための合成データの生成と利用を最適化するパイプラインである知識リサイクル(KR)を紹介する。 このパイプラインの核心は生成的知識蒸留(GKD)であり、情報の品質と有用性を大幅に向上させる技術が提案されている。 その結果、実データと合成データでトレーニングされたモデルと、実データでトレーニングされたモデルとの性能差が著しく低下した。
  論文  参考訳（メタデータ） (2024-07-22T10:31:07Z)
• Privacy-Preserving Statistical Data Generation: Application to Sepsis Detection [13.445454471355214]
  分類問題に適用可能な合成データ生成のための統計的アプローチを提案する。 Kernel density Estimator と K-Nearest Neighbors sample (KDE-KNN) によって生成された合成データの実用性とプライバシーへの影響を実世界の文脈で評価する。
  論文  参考訳（メタデータ） (2024-04-25T14:26:53Z)
• Data Augmentation in Human-Centric Vision [54.97327269866757]
  本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。 それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。 我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
  論文  参考訳（メタデータ） (2024-03-13T16:05:18Z)
• Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A Comprehensive Benchmark [56.8042116967334]
  合成データは、機械学習モデルのトレーニングの代替となる。 合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。 本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
  論文  参考訳（メタデータ） (2023-10-25T20:32:02Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Amplifying Pathological Detection in EEG Signaling Pathways through Cross-Dataset Transfer Learning [10.212217551908525]
  実世界の病理分類課題におけるデータとモデルスケーリングとデータセット間の知識伝達の有効性について検討する。 ネガティブトランスファーの可能性の課題を特定し、いくつかの重要なコンポーネントの重要性を強調する。 以上の結果から,小規模で汎用的なモデル(ShallowNetなど)は単一データセット上では良好に動作するが,大規模なモデル(TCNなど)では,大規模かつ多様なデータセットからの転送や学習がより優れていることが示唆された。
  論文  参考訳（メタデータ） (2023-09-19T20:09:15Z)
• Synthetic-to-Real Domain Adaptation for Action Recognition: A Dataset and Baseline Performances [76.34037366117234]
  ロボット制御ジェスチャー(RoCoG-v2)と呼ばれる新しいデータセットを導入する。 データセットは7つのジェスチャークラスの実ビデオと合成ビデオの両方で構成されている。 我々は,最先端の行動認識とドメイン適応アルゴリズムを用いて結果を示す。
  論文  参考訳（メタデータ） (2023-03-17T23:23:55Z)
• Advanced Data Augmentation Approaches: A Comprehensive Survey and Future directions [57.30984060215482]
  データ拡張の背景、レビューされたデータ拡張技術の新しい包括的分類法、および各技術の強さと弱点(可能ならば)を提供する。 また、画像分類、オブジェクト検出、セマンティックセグメンテーションなどの3つの一般的なコンピュータビジョンタスクに対して、データ拡張効果の総合的な結果を提供する。
  論文  参考訳（メタデータ） (2023-01-07T11:37:32Z)
• Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
  我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。 我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
  論文  参考訳（メタデータ） (2022-07-18T11:38:32Z)
• Data Augmentation techniques in time series domain: A survey and taxonomy [0.20971479389679332]
  時系列を扱うディープニューラルネットワークは、トレーニングで使用されるデータセットのサイズと一貫性に大きく依存する。 この研究は、すべての利用可能なアルゴリズムの概要を提供するために、この分野の最先端を体系的にレビューする。 本研究の究極的な目的は、この分野の将来の研究者を導くために、より良い結果をもたらす領域の進化と性能を概説することである。
  論文  参考訳（メタデータ） (2022-06-25T17:09:00Z)

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。