論文の概要: Boosting Automatic Exercise Evaluation Through Musculoskeletal Simulation-Based IMU Data Augmentation

• arxiv url: http://arxiv.org/abs/2505.24415v1
• Date: Fri, 30 May 2025 09:53:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.887445
• Title: Boosting Automatic Exercise Evaluation Through Musculoskeletal Simulation-Based IMU Data Augmentation
• Title（参考訳）: 筋骨格シミュレーションに基づくIMUデータ拡張による運動自動評価の強化
• Authors: Andreas Spilz, Heiko Oppel, Michael Munz,
• Abstract要約: 本稿では,運動軌跡の体系的な修正と統合された筋骨格シミュレーションを用いて,現実的なIMUデータを生成する新しいデータ拡張手法を提案する。 本手法はバイオメカニカル・ポーラビリティを保証し,逆パラメータと知識に基づく評価戦略を組み合わせることで,自動的,信頼性の高いラベル付けを可能にする。 本研究は,理学療法演習評価における深層学習の課題を克服するために,本手法の有効性と有効性について考察した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automated evaluation of movement quality holds significant potential for enhancing physiotherapeutic treatments and sports training by providing objective, real-time feedback. However, the effectiveness of deep learning models in assessing movements captured by inertial measurement units (IMUs) is often hampered by limited data availability, class imbalance, and label ambiguity. In this work, we present a novel data augmentation method that generates realistic IMU data using musculoskeletal simulations integrated with systematic modifications of movement trajectories. Crucially, our approach ensures biomechanical plausibility and allows for automatic, reliable labeling by combining inverse kinematic parameters with a knowledge-based evaluation strategy. Extensive evaluations demonstrate that augmented variants closely resembles real-world data, significantly improving the classification accuracy and generalization capability of neural network models. Additionally, we highlight the benefits of augmented data for patient-specific fine-tuning scenarios, particularly when only limited subject-specific training examples are available. Our findings underline the practicality and efficacy of this augmentation method in overcoming common challenges faced by deep learning applications in physiotherapeutic exercise evaluation.
• Abstract（参考訳）: 運動品質の自動評価は、客観的でリアルタイムなフィードバックを提供することで、理学療法やスポーツトレーニングの強化に重要な可能性を秘めている。 しかし、慣性測定ユニット(IMU)が捉えた動きを評価するためのディープラーニングモデルの有効性は、データ可用性の制限、クラス不均衡、ラベルあいまいさによってしばしば妨げられる。 本研究では,運動軌跡の系統的な修正と統合された筋骨格シミュレーションを用いて,現実的なIMUデータを生成する新しいデータ拡張手法を提案する。 本手法は, バイオメカニカル・プラウザビリティを保証し, 逆運動パラメータと知識に基づく評価戦略を組み合わせることで, 自動的, 信頼性の高いラベル付けを可能にする。 拡張変異は実世界のデータによく似ており、ニューラルネットワークモデルの分類精度と一般化能力を大幅に改善している。 さらに、患者固有の微調整シナリオ、特に、限られた被験者固有のトレーニング例しか利用できない場合の強化データの利点を強調した。 本研究は,理学療法演習評価における深層学習の課題を克服するために,本手法の有効性と有効性について考察した。

関連論文リスト

• Validation of Human Pose Estimation and Human Mesh Recovery for Extracting Clinically Relevant Motion Data from Videos [79.62407455005561]
  人間のポーズ推定を用いたマーカーレスモーションキャプチャは、IMUとMoCapのキネマティクスの結果とインラインで結果を生成する。 生成するデータの品質に関してはまだ改善の余地がありますが、この妥協はエラーの部屋にあると考えています。
  論文  参考訳（メタデータ） (2025-03-18T22:18:33Z)
• Knowledge-Based Deep Learning for Time-Efficient Inverse Dynamics [5.78355428732981]
  時間効率逆動的解析のための知識に基づくディープラーニングフレームワークを提案する。 BiGRUニューラルネットワークは、時系列データの巧妙なハンドリングのため、我々のモデルのバックボーンとして選択される。 実験結果から、選択したBiGRUアーキテクチャは、特別に設計された損失関数を用いてトレーニングされた場合、他のニューラルネットワークモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-06T20:12:52Z)
• Enhancing Activity Recognition After Stroke: Generative Adversarial Networks for Kinematic Data Augmentation [0.0]
  脳卒中リハビリテーションにおけるウェアラブルモニタリングのための機械学習モデルの一般化可能性はしばしば、利用可能なデータの限られたスケールと不均一性によって制限される。 データ拡張は、トレーニングセットに表される変動性を強化するために、実際のデータに計算的に導出されたデータを追加することで、この課題に対処する。 本研究では、CGAN(Conditional Generative Adversarial Networks)を用いて、公開データセットから合成キネマティックデータを生成する。 合成データと実験データの両方でディープラーニングモデルを訓練することにより、タスク分類精度を向上させる:実データのみを訓練したモデルでは66.1%よりもはるかに高い80.0%の精度で合成データを組み込んだモデル。
  論文  参考訳（メタデータ） (2024-06-12T15:51:00Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• D-STGCNT: A Dense Spatio-Temporal Graph Conv-GRU Network based on transformer for assessment of patient physical rehabilitation [0.30693357740321775]
  本稿では,リハビリテーション演習を評価するための新しいグラフベースモデルを提案する。 デンス接続とGRU機構は、大きな3Dスケルトン入力を迅速に処理するために使用される。 KIMOREおよびUI-PRMDデータセットに対する提案手法の評価は,その可能性を強調した。
  論文  参考訳（メタデータ） (2023-12-21T00:38:31Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。