論文の概要: Ground Reaction Force Estimation via Time-aware Knowledge Distillation
- arxiv url: http://arxiv.org/abs/2506.10265v1
- Date: Thu, 12 Jun 2025 01:19:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-13 15:37:22.509642
- Title: Ground Reaction Force Estimation via Time-aware Knowledge Distillation
- Title（参考訳）: 時間認識知識蒸留による地盤反応力の推定
- Authors: Eun Som Jeon, Sinjini Mitra, Jisoo Lee, Omik M. Save, Ankita Shukla, Hyunglae Lee, Pavan Turaga,
- Abstract要約: 地上反応力(GRF)は、移動中に身体が地面とどのように相互作用するかに関する重要な情報を提供する。
計器式トレッドミルは歩行中にGRFを測定するための金の標準として広く使用されている。
インソールセンサデータからGRF推定を行うための時間認識知識蒸留フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 5.978533538941755
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human gait analysis with wearable sensors has been widely used in various applications, such as daily life healthcare, rehabilitation, physical therapy, and clinical diagnostics and monitoring. In particular, ground reaction force (GRF) provides critical information about how the body interacts with the ground during locomotion. Although instrumented treadmills have been widely used as the gold standard for measuring GRF during walking, their lack of portability and high cost make them impractical for many applications. As an alternative, low-cost, portable, wearable insole sensors have been utilized to measure GRF; however, these sensors are susceptible to noise and disturbance and are less accurate than treadmill measurements. To address these challenges, we propose a Time-aware Knowledge Distillation framework for GRF estimation from insole sensor data. This framework leverages similarity and temporal features within a mini-batch during the knowledge distillation process, effectively capturing the complementary relationships between features and the sequential properties of the target and input data. The performance of the lightweight models distilled through this framework was evaluated by comparing GRF estimations from insole sensor data against measurements from an instrumented treadmill. Empirical results demonstrated that Time-aware Knowledge Distillation outperforms current baselines in GRF estimation from wearable sensor data.
- Abstract（参考訳）: ウェアラブルセンサーを用いた歩行分析は、日常生活医療、リハビリテーション、理学療法、臨床診断とモニタリングなど、様々な用途で広く利用されている。
特に、グラウンド・リアクション・フォース(GRF)は、移動中に体がグラウンドとどのように相互作用するかについて重要な情報を提供する。
計装トレッドミルは歩行中にGRFを測定するための金の標準として広く使用されているが、移植性の欠如と高コストのため多くの用途において実用的ではない。
代替品として、低コストでポータブルでウェアラブルなインソールセンサーがGRFの測定に利用されているが、これらのセンサーは騒音や乱れの影響を受けやすく、トレッドミル測定よりも正確ではない。
これらの課題に対処するために、インソールセンサデータからGRF推定を行うための時間認識知識蒸留フレームワークを提案する。
このフレームワークは、知識蒸留過程におけるミニバッチ内の類似性と時間的特徴を活用し、ターゲットデータと入力データの逐次特性と特徴の相補的関係を効果的に把握する。
本フレームワークを用いて蒸留した軽量モデルの性能は, インソールセンサデータから推定したGRFと, トレッドミルの計測値を比較して評価した。
実験結果から,時間認識知識蒸留は,ウェアラブルセンサデータからGRF推定において,現在のベースラインよりも優れていた。
関連論文リスト
- Perception Characteristics Distance: Measuring Stability and Robustness of Perception System in Dynamic Conditions under a Certain Decision Rule [5.513141175056931]
物体を確実に検出できる最遠距離を定量化する新しい評価指標である知覚距離特性(PCD)を導入する。
センサ付き車両を用いてバージニアスマートロードで収集したSensorRainFallデータセットについて述べる。
論文 参考訳（メタデータ） (2025-06-10T20:22:09Z) - 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) - 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) - Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
エンゲージメント測定は、医療、教育、サービスに応用される。
生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。
コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
論文 参考訳（メタデータ） (2024-04-05T20:39:16Z) - Predicting Ground Reaction Force from Inertial Sensors [13.505402421169213]
グラウンド・リアクション・フォース(GRF)は、ランニングなどの動作で個人が経験した機械的荷重を特徴付けるために用いられる。
LSTMニューラルネットワークを用いた最先端予測とは対照的に,軽量なアプローチを検討する。
異なる競技者から収集したトレーニングデータを用いて,これらの手法の精度を評価する。
論文 参考訳（メタデータ） (2023-11-04T00:44:40Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - Learning IMM Filter Parameters from Measurements using Gradient Descent [45.335821132209766]
トラック下のターゲットの固有のパラメータは、システムがデプロイされるまで完全に観測不可能である。
最先端のセンサーシステムはますます複雑になり、パラメータの数が自然に増加する。
本稿では,対話型多重モデル (IMM) フィルタのパラメータを計測のみで最適化する。
論文 参考訳（メタデータ） (2023-07-13T08:35:40Z) - Multi-Head Cross-Attentional PPG and Motion Signal Fusion for Heart Rate
Estimation [2.839269856680851]
本稿では,時間的畳み込みと多頭部交差注意を利用してセンサフュージョンの有効性を向上させる新しい深層学習モデルPULSEを提案する。
3つの公開データセット上でのPULSEの性能を評価し,平均絶対誤差を7.56%削減した。
論文 参考訳（メタデータ） (2022-10-14T08:07:53Z) - Automated Mobility Context Detection with Inertial Signals [7.71058263701836]
本研究の主な目的は,日常の運動機能の遠隔監視のためのコンテキスト検出について検討することである。
本研究の目的は、ウェアラブル加速度計でサンプリングされた慣性信号が、歩行関連活動を屋内または屋外に分類するための信頼性の高い情報を提供するかを理解することである。
論文 参考訳（メタデータ） (2022-05-16T09:34:43Z) - Incremental learning of LSTM framework for sensor fusion in attitude
estimation [2.064612766965483]
本稿では,Long-Short Term Memory (LSTM) ネットワークの漸進的学習による3次元空間における物体の姿勢推定手法を提案する。
慣性センサデータはLSTMネットワークに送られ、徐々に更新され、実行時に発生する動作の動的変化を組み込む。
提案フレームワークは,高度に動的な環境であっても,従来の手法と比較して,結果を著しく改善する。
論文 参考訳（メタデータ） (2021-08-04T09:03:53Z)
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。