論文の概要: MoCap-Impute: A Comprehensive Benchmark and Comparative Analysis of Imputation Methods for IMU-based Motion Capture Data
- arxiv url: http://arxiv.org/abs/2507.10334v1
- Date: Mon, 14 Jul 2025 14:41:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-15 18:48:25.1641
- Title: MoCap-Impute: A Comprehensive Benchmark and Comparative Analysis of Imputation Methods for IMU-based Motion Capture Data
- Title（参考訳）: MoCap-Impute:IMUを用いたモーションキャプチャーデータの総合的ベンチマークとインプット法の比較分析
- Authors: Mahmoud Bekhit, Ahmad Salah, Ahmed Salim Alrawahi, Tarek Attia, Ahmed Ali, Esraa Eldesokey, Ahmed Fathalla,
- Abstract要約: ウェアラブル慣性計測ユニット(IMU)のモーションキャプチャ(MoCap)データは、スポーツ科学の応用に不可欠である。
多くの計算手法にもかかわらず、IMU由来のMoCap時系列データの体系的性能評価は欠落している。
- 参考スコア（独自算出の注目度）: 4.498558555177452
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Motion capture (MoCap) data from wearable Inertial Measurement Units (IMUs) is vital for applications in sports science, but its utility is often compromised by missing data. Despite numerous imputation techniques, a systematic performance evaluation for IMU-derived MoCap time-series data is lacking. We address this gap by conducting a comprehensive comparative analysis of statistical, machine learning, and deep learning imputation methods. Our evaluation considers three distinct contexts: univariate time-series, multivariate across subjects, and multivariate across kinematic angles. To facilitate this benchmark, we introduce the first publicly available MoCap dataset designed specifically for imputation, featuring data from 53 karate practitioners. We simulate three controlled missingness mechanisms: missing completely at random (MCAR), block missingness, and a novel value-dependent pattern at signal transition points. Our experiments, conducted on 39 kinematic variables across all subjects, reveal that multivariate imputation frameworks consistently outperform univariate approaches, particularly for complex missingness. For instance, multivariate methods achieve up to a 50% mean absolute error reduction (MAE from 10.8 to 5.8) compared to univariate techniques for transition point missingness. Advanced models like Generative Adversarial Imputation Networks (GAIN) and Iterative Imputers demonstrate the highest accuracy in these challenging scenarios. This work provides a critical baseline for future research and offers practical recommendations for improving the integrity and robustness of Mo-Cap data analysis.
- Abstract（参考訳）: ウェアラブル慣性計測ユニット(IMU)のモーションキャプチャ(MoCap)データは、スポーツ科学の応用には不可欠だが、その実用性は欠落データによって損なわれることが多い。
多くの計算手法にもかかわらず、IMU由来のMoCap時系列データの体系的性能評価は欠落している。
本稿では,統計的,機械学習,深層学習計算手法の総合的な比較分析を行うことにより,このギャップに対処する。
本評価では, 単変量時系列, 被写体多変量, 運動角度多変量という3つの異なる文脈を考察した。
このベンチマークを容易にするために、53人の空手実践者のデータを特徴とする、計算専用に設計された初めての一般公開されたMoCapデータセットを紹介した。
完全無作為(MCAR)、ブロック欠如、信号遷移点における新しい値依存パターンの3つの制御された欠失機構をシミュレートする。
実験は全被験者で39のキネマティック変数を用いて行われ、多変量計算の枠組みが一変量的アプローチ、特に複雑な欠如に対して一貫して優れていたことを明らかにした。
例えば、多変量法は、遷移点の欠如に対する単変量法と比較して50%の平均絶対誤差削減(MAEは10.8から5.8まで)を達成する。
Generative Adversarial Imputation Networks (GAIN) や Iterative Imputers といった先進的なモデルは、これらの困難なシナリオにおいて最も正確であることを示している。
この研究は、将来の研究に重要なベースラインを提供し、Mo-Capデータ分析の完全性と堅牢性を改善するための実践的な勧告を提供する。
関連論文リスト
- Truth in the Few: High-Value Data Selection for Efficient Multi-Modal Reasoning [71.3533541927459]
アクティベーション推論ポテンシャル(RAP)と呼ばれる新しいデータ選択パラダイムを提案する。
RAPは、真のマルチモーダル推論を刺激する各サンプルのポテンシャルを推定することで、認知サンプルを識別する。
我々のRAP法は、トレーニングデータの9.3%しか使用せず、計算コストを43%以上削減しながら、常に優れた性能を実現している。
論文 参考訳（メタデータ） (2025-06-05T08:40:24Z) - Temporal Gaussian Copula For Clinical Multivariate Time Series Data Imputation [13.771292428542438]
時間的ガウスコプラモデル (TGC) を3次MTS計算のために提案する。
我々は、データ管理におけるロバスト性を改善するために、期待最大化(EM)アルゴリズムを用いる。
我々のTGCモデルでは,テストデータセットの欠落率に強いロバスト性を示す。
論文 参考訳（メタデータ） (2025-04-03T06:44:05Z) - M$^3$-Impute: Mask-guided Representation Learning for Missing Value Imputation [12.174699459648842]
M$3$-Imputeは、不足情報や新しいマスキング手法との相関性を明示的に活用することを目的としている。
実験の結果,M$3$-Imputeは平均20点,第2bのMAEスコアが4点であった。
論文 参考訳（メタデータ） (2024-10-11T13:25:32Z) - Scalable Numerical Embeddings for Multivariate Time Series: Enhancing Healthcare Data Representation Learning [6.635084843592727]
独立トークンとして各特徴値を扱う新しいフレームワークであるSCANEを提案する。
SCANEは、異なる機能埋め込みの特性を正規化し、スケーラブルな埋め込みメカニズムを通じて表現学習を強化する。
本研究は,MTSの精度の高い予測出力を実現するために,nUMerical eMbeddIng Transformer (SUMMIT) を開発した。
論文 参考訳（メタデータ） (2024-05-26T13:06:45Z) - PULASki: Learning inter-rater variability using statistical distances to improve probabilistic segmentation [35.34932609930401]
本研究は,バイオメディカルイメージセグメンテーションのための計算効率の良い生成ツールとしてのPULASki法を提案する。
専門家のアノテーションでは、小さなデータセットであっても、変数をキャプチャする。
また,3次元パッチと従来の2次元スライスを用いた複雑なジオメトリーの計算可能セグメンテーションについて比較検討した。
論文 参考訳（メタデータ） (2023-12-25T10:31:22Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳（メタデータ） (2023-08-24T01:30:18Z) - DCID: Deep Canonical Information Decomposition [84.59396326810085]
本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。
そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。
また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
論文 参考訳（メタデータ） (2023-06-27T16:59:06Z) - Brain Image Synthesis with Unsupervised Multivariate Canonical
CSC$\ell_4$Net [122.8907826672382]
我々は,新しいCSC$ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
論文 参考訳（メタデータ） (2021-03-22T05:19:40Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z)
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。