論文の概要: Data-Driven Meta-Analysis and Public-Dataset Evaluation for Sensor-Based Gait Age Estimation
- arxiv url: http://arxiv.org/abs/2507.11571v1
- Date: Tue, 15 Jul 2025 01:44:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-17 19:00:11.077777
- Title: Data-Driven Meta-Analysis and Public-Dataset Evaluation for Sensor-Based Gait Age Estimation
- Title（参考訳）: データ駆動型メタ分析とセンサによる歩行年齢推定のための公開データセット評価
- Authors: Varun Velankar,
- Abstract要約: 歩行から年齢を推定することは、医療、セキュリティ、人間とコンピュータの相互作用において重要な応用である。
我々は,ビデオ,ウェアラブル,レーダセンサーで記録された7万5千人以上の被験者を対象とした5,99つの研究をレビューした。
畳み込みニューラルネットワークは平均誤差が約4.2年、慣性センサーモデルは約4.5年、マルチセンサー融合は3.4年である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating a person's age from their gait has important applications in healthcare, security and human-computer interaction. In this work, we review fifty-nine studies involving over seventy-five thousand subjects recorded with video, wearable and radar sensors. We observe that convolutional neural networks produce an average error of about 4.2 years, inertial-sensor models about 4.5 years and multi-sensor fusion as low as 3.4 years, with notable differences between lab and real-world data. We then analyse sixty-three thousand eight hundred forty-six gait cycles from the OU-ISIR Large-Population dataset to quantify correlations between age and five key metrics: stride length, walking speed, step cadence, step-time variability and joint-angle entropy, with correlation coefficients of at least 0.27. Next, we fine-tune a ResNet34 model and apply Grad-CAM to reveal that the network attends to the knee and pelvic regions, consistent with known age-related gait changes. Finally, on a one hundred thousand sample subset of the VersatileGait database, we compare support vector machines, decision trees, random forests, multilayer perceptrons and convolutional neural networks, finding that deep networks achieve up to 96 percent accuracy while processing each sample in under 0.1 seconds. By combining a broad meta-analysis with new large-scale experiments and interpretable visualizations, we establish solid performance baselines and practical guidelines for reducing gait-age error below three years in real-world scenarios.
- Abstract（参考訳）: 歩行から年齢を推定することは、医療、セキュリティ、人間とコンピュータの相互作用において重要な応用である。
本研究は,映像,ウェアラブル,レーダセンサで記録された7万5千人以上の被験者を対象とした5万9千件の研究を概説する。
畳み込みニューラルネットワークは平均誤差を約4.2年、慣性センサーモデルは約4.5年、マルチセンサー融合は3.4年と低く、実験室と実世界のデータには顕著な違いがある。
次に,OU-ISIRの大規模最適化データセットから,歩幅,歩行速度,ステップケイデンス,ステップ時間変動,関節角エントロピーの相関係数を0。
次に、ResNet34モデルを微調整し、Grad-CAMを適用して、ネットワークが既知の年齢に伴う歩行変化に応じて膝および骨盤領域に到達していることを明らかにする。
最後に、VersatileGaitデータベースの10万のサンプルサブセットで、サポートベクターマシン、決定木、ランダムフォレスト、多層パーセプトロン、畳み込みニューラルネットワークを比較し、ディープネットワークは、各サンプルを0.1秒未満で処理しながら、最大96%の精度を達成することを発見した。
広範囲なメタアナリシスと新しい大規模実験と解釈可能な可視化を組み合わせることで、実世界のシナリオにおいて3年未満の歩行誤差を低減するための確かなパフォーマンスベースラインと実用的なガイドラインを確立します。
関連論文リスト
- OpenMAP-BrainAge: Generalizable and Interpretable Brain Age Predictor [0.0]
我々は,年齢予測モデルを構築し,人口統計学的・技術的MRIスキャンに頑健な年齢予測モデルを構築した。
モデルでは、3つの視点からT1次元擬似3次元MRIを処理し、線形脳情報を含む。
論文 参考訳（メタデータ） (2025-06-21T05:24:42Z) - Advancing Tabular Stroke Modelling Through a Novel Hybrid Architecture and Feature-Selection Synergy [0.9999629695552196]
本研究は、ストロークを予測するように設計されたデータ駆動型、解釈可能な機械学習フレームワークを開発し、検証する。
定期的に収集された人口統計、生活習慣、臨床変数は4,981件の公的なコホートから得られた。
提案したモデルでは精度97.2%、F1スコア97.15%が達成され、先行する個人モデルと比較して大幅に向上した。
論文 参考訳（メタデータ） (2025-05-18T21:46:45Z) - Deep Learning for Human Locomotion Analysis in Lower-Limb Exoskeletons: A Comparative Study [1.3569491184708433]
本稿では,8つのディープニューラルネットワークのバックボーンによる高レベル移動パラメータの予測実験を行った。
LSTMは高い地形分類精度(0.94 +- 0.04)と正確な傾斜斜面(1.95 +- 0.58deg)、CNN-LSTMは階段の高さ(15.65 +- 7.40 mm)を達成した。
システムは2ミリ秒の推論時間で動作し、リアルタイムアプリケーションをサポートする。
論文 参考訳（メタデータ） (2025-03-21T07:12:44Z) - TENNs-PLEIADES: Building Temporal Kernels with Orthogonal Polynomials [1.1970409518725493]
低レイテンシでオンライン分類と検出を行うために、これらのネットワークをイベントベースのデータで相互接続することに重点を置いている。
我々は3つのイベントベースのベンチマークを実験し、メモリと計算コストを大幅に削減した大きなマージンで3つすべてに対して最先端の結果を得た。
論文 参考訳（メタデータ） (2024-05-20T17:06:24Z) - Explaining Deep Learning Models for Age-related Gait Classification
based on time series acceleration [2.2770431622059792]
ディープラーニングモデルは、歩行分析にビッグデータを使用することを約束している。
これらのモデル固有のブラックボックスの性質は、臨床応用に課題をもたらす。
本研究は,高齢者関連歩行パターンに対するDLに基づく歩行分類の透明性を高めることを目的としている。
論文 参考訳（メタデータ） (2023-11-20T16:09:06Z) - 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) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - One-Shot Learning for Periocular Recognition: Exploring the Effect of
Domain Adaptation and Data Bias on Deep Representations [59.17685450892182]
広範に使用されているCNNモデルにおける深部表現の挙動をワンショット近視認識のための極端データ不足下で検討する。
我々は、バイオメトリックデータセットで訓練されたネットワークを数百万の画像で活用し、最先端の結果を改善した。
SIFTのような従来のアルゴリズムは、限られたデータでCNNより優れている。
論文 参考訳（メタデータ） (2023-07-11T09:10:16Z) - Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing
Things [82.15959827765325]
環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。
我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。
我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
論文 参考訳（メタデータ） (2022-07-14T10:04:18Z) - Active Learning of Neural Collision Handler for Complex 3D Mesh
Deformations [68.0524382279567]
3次元変形メッシュにおける衝突の検出と処理を行う頑健な学習アルゴリズムを提案する。
提案手法は教師あり学習法より優れ, 精度は93.8-98.1%である。
論文 参考訳（メタデータ） (2021-10-08T04:08:31Z) - Inception Convolution with Efficient Dilation Search [121.41030859447487]
拡散畳み込みは、効果的な受容場を制御し、オブジェクトの大規模な分散を処理するための標準的な畳み込みニューラルネットワークの重要な変異体である。
そこで我々は,異なる軸,チャネル,層間の独立な拡散を有する拡張畳み込みの新たな変異体,すなわち開始(拡張)畳み込みを提案する。
本稿では,データに複雑なインセプション・コンボリューションを適合させる実用的な手法を探索し,統計的最適化に基づく簡易かつ効果的な拡張探索アルゴリズム(EDO)を開発した。
論文 参考訳（メタデータ） (2020-12-25T14:58:35Z)
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。