論文の概要: GAITEX: Human motion dataset of impaired gait and rehabilitation exercises using inertial and optical sensors

• arxiv url: http://arxiv.org/abs/2507.21069v2
• Date: Fri, 07 Nov 2025 08:40:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 14:53:49.455678
• Title: GAITEX: Human motion dataset of impaired gait and rehabilitation exercises using inertial and optical sensors
• Title（参考訳）: GAITEX:慣性・光学センサを用いた歩行・リハビリテーション訓練の人体動作データセット
• Authors: Andreas Spilz, Heiko Oppel, Jochen Werner, Kathrin Stucke-Straub, Felix Capanni, Michael Munz,
• Abstract要約: 本研究は, 理学療法と歩行関連運動のマルチモーダルデータセットについて述べる。 9つのIMUと68のマーカーからの全体キネマティクスを追跡するデータを含んでいる。 データセットには、運動品質評価とタイムスタンプ付きセグメンテーションが完全にアノテートされている。
• 参考スコア（独自算出の注目度）: 0.769672852567215
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Wearable inertial measurement units (IMUs) provide a cost-effective approach to assessing human movement in clinical and everyday environments. However, developing the associated classification models for robust assessment of physiotherapeutic exercise and gait analysis requires large, diverse datasets that are costly and time-consuming to collect. We present a multimodal dataset of physiotherapeutic and gait-related exercises, including correct and clinically relevant variants, recorded from 19 healthy subjects using synchronized IMUs and optical marker-based motion capture (MoCap). It contains data from nine IMUs and 68 markers tracking full-body kinematics. Four markers per IMU allow direct comparison between IMU- and MoCap-derived orientations. We additionally provide processed IMU orientations aligned to common segment coordinate systems, subject-specific OpenSim models, inverse kinematics outputs, and visualization tools for IMU-derived orientations. The dataset is fully annotated with movement quality ratings and timestamped segmentations. It supports various machine learning tasks such as exercise evaluation, gait classification, temporal segmentation, and biomechanical parameter estimation. Code for postprocessing, alignment, inverse kinematics, and technical validation is provided to promote reproducibility.
• Abstract（参考訳）: ウェアラブル慣性測定ユニット(IMU)は、臨床および日常生活環境における人間の運動を評価するためのコスト効率の高いアプローチを提供する。 しかしながら、生理学的運動と歩行分析の堅牢な評価のための関連する分類モデルの開発には、収集に要する費用と時間を要する、多種多様なデータセットが必要である。 健常者19名の健常者を対象に、同期IMUと光学マーカーを用いたモーションキャプチャー(MoCap)を用いて、生理・歩行関連運動のマルチモーダルデータセットを作成した。 9つのIMUと68のマーカーからの全体キネマティクスを追跡するデータを含んでいる。 IMU毎の4つのマーカーは、IMUとMoCap由来の向きを直接比較することができる。 また、共通セグメント座標系、主題固有のOpenSimモデル、逆キネマティクス出力、およびIMUから派生した方向の可視化ツールに整合した処理IMU配向を提供する。 データセットには、運動品質評価とタイムスタンプ付きセグメンテーションが完全にアノテートされている。 運動評価、歩行分類、時間的セグメンテーション、生体力学的パラメータ推定など、さまざまな機械学習タスクをサポートする。 再現性を促進するために、後処理、アライメント、逆キネマティクス、および技術的検証のためのコードを提供する。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Improving Out-of-distribution Human Activity Recognition via IMU-Video Cross-modal Representation Learning [3.177649348456073]
  ウェアラブル慣性センサーに基づくヒューマンアクティビティ認識(HAR)は,遠隔健康モニタリングにおいて重要な役割を担っている。 我々は,大規模未ラベルIMUビデオデータから表現を学習するための,クロスモーダルな自己教師型事前学習手法を提案する。 以上の結果から,提案手法は現状のIMU-ビデオ事前訓練手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-07-17T18:47:46Z)
• Boosting Automatic Exercise Evaluation Through Musculoskeletal Simulation-Based IMU Data Augmentation [0.0]
  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。
  論文  参考訳（メタデータ） (2025-05-30T09:53:37Z)
• Estimation of Head Motion in Structural MRI and its Impact on Cortical Thickness Measurements in Retrospective Data [4.072070248526498]
  MRIでは運動関連アーティファクトは避けられない これらのアーティファクトは、皮質厚みなどの自動神経解剖学的指標をバイアスすることができる。 ここでは、3次元畳み込みニューラルネットワークをトレーニングし、振り返りの定期的な研究スキャンで要約運動距離を推定する。
  論文  参考訳（メタデータ） (2025-05-29T18:08:59Z)
• 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)
• A Medical Low-Back Pain Physical Rehabilitation Dataset for Human Body Movement Analysis [0.6990493129893111]
  本稿では,低背痛リハビリテーションを施行した臨床患者の医療データセットについて,4つの課題に対処し,提案する。 データセットには、3D Kinectスケルトンの位置と向き、RGBビデオ、2Dスケルトンデータ、正確性を評価するための医用アノテーション、身体部分とタイムパンのエラー分類とローカライゼーションが含まれている。
  論文  参考訳（メタデータ） (2024-06-29T19:50:06Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
  本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。 ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。 その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
  論文  参考訳（メタデータ） (2021-03-06T09:10:03Z)

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。