論文の概要: Human Activity Recognition from Smartphone Sensor Data for Clinical Trials
- arxiv url: http://arxiv.org/abs/2508.05175v1
- Date: Thu, 07 Aug 2025 09:11:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-08 18:59:39.780739
- Title: Human Activity Recognition from Smartphone Sensor Data for Clinical Trials
- Title（参考訳）: スマートフォンセンサデータを用いた臨床実験のための人間の活動認識
- Authors: Stefania Russo, Rafał Klimas, Marta Płonka, Hugo Le Gall, Sven Holm, Dimitar Stanev, Florian Lipsmeier, Mattia Zanon, Lito Kriara,
- Abstract要約: 歩行と非歩行を最小限のオーバーヘッドで検出できるResNetに基づく人間行動認識モデルを開発した。
このモデルは、成人健常者(HC)と障害拡張状態尺度(EDSS)スコアが0.0-6.5の多発性硬化症(PwMS)のスマートフォンセンサデータを用いて、訓練および評価を行った。
HARモデルは、GaitLabデータセットとRocheデータセットの歩行と非歩行のアクティビティをそれぞれ98.4%と99.6%の精度で検出した。
- 参考スコア（独自算出の注目度）: 0.7483642224870246
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We developed a ResNet-based human activity recognition (HAR) model with minimal overhead to detect gait versus non-gait activities and everyday activities (walking, running, stairs, standing, sitting, lying, sit-to-stand transitions). The model was trained and evaluated using smartphone sensor data from adult healthy controls (HC) and people with multiple sclerosis (PwMS) with Expanded Disability Status Scale (EDSS) scores between 0.0-6.5. Datasets included the GaitLab study (ISRCTN15993728), an internal Roche dataset, and publicly available data sources (training only). Data from 34 HC and 68 PwMS (mean [SD] EDSS: 4.7 [1.5]) were included in the evaluation. The HAR model showed 98.4% and 99.6% accuracy in detecting gait versus non-gait activities in the GaitLab and Roche datasets, respectively, similar to a comparative state-of-the-art ResNet model (99.3% and 99.4%). For everyday activities, the proposed model not only demonstrated higher accuracy than the state-of-the-art model (96.2% vs 91.9%; internal Roche dataset) but also maintained high performance across 9 smartphone wear locations (handbag, shopping bag, crossbody bag, backpack, hoodie pocket, coat/jacket pocket, hand, neck, belt), outperforming the state-of-the-art model by 2.8% - 9.0%. In conclusion, the proposed HAR model accurately detects everyday activities and shows high robustness to various smartphone wear locations, demonstrating its practical applicability.
- Abstract（参考訳）: 歩行, 走行, 階段, 立位, 座位, 立位, 立位, 立位, 立位) と非歩行, 日常活動(歩行, ランニング, 階段, 立位, 座位, 立位, 立位)を検出するために, 最小オーバーヘッドのResNetに基づく人間行動認識(HAR)モデルを開発した。
このモデルは、成人健常者(HC)と多発性硬化症(PwMS)患者(EDSS)スコア0.0-6.5のスマートフォンセンサデータを用いて、訓練および評価を行った。
データセットには、GaitLab研究(ISRCTN15993728)、内部のRocheデータセット、公開データソース(トレーニングのみ)が含まれている。
34 HCと68 PwMS (平均[SD] EDSS: 4.7 [1.5]) のデータを含む。
HARモデルは、GaitLabデータセットとRocheデータセットの歩行と非歩行のアクティビティを検出する精度が98.4%と99.6%を示し、これは比較最先端のResNetモデル(99.3%と99.4%)と同様である。
日常的な活動において、提案されたモデルは最先端モデル(96.2%対91.9%、内部ロッシュデータセット)よりも高い精度を示しただけでなく、9つのスマートフォン装着場所(ハンドバッグ、買い物袋、クロスボディバッグ、バックパック、パーカーポケット、コート/ジャケットポケット、手、首、ベルト)で高い性能を維持し、最先端モデルよりも2.8%から9.0%向上した。
提案したHARモデルは,日常の行動を正確に検出し,様々なスマートフォンの装着場所に対して高い堅牢性を示し,その実用性を示す。
関連論文リスト
- Activity and Subject Detection for UCI HAR Dataset with & without missing Sensor Data [0.0]
本稿では,活動と主題の分類に使用できる軽量LSTMモデルを提案する。
実世界のシナリオを反映するためのセンサデータの欠如をシミュレートし、不完全なデータセットを復元するための計算技術を組み込んだ。
論文 参考訳（メタデータ） (2025-05-10T18:43:00Z) - Exploring FMCW Radars and Feature Maps for Activity Recognition: A Benchmark Study [2.251010251400407]
本研究では、人間の活動認識のための周波数変調連続波レーダに基づくフレームワークを提案する。
特徴写像を画像として処理する従来の手法とは異なり、本研究では多次元特徴写像をデータベクトルとして与える。
ConvLSTMモデルは従来の機械学習およびディープラーニングモデルよりも優れ、精度は90.51%に達した。
論文 参考訳（メタデータ） (2025-03-07T17:53:29Z) - 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) - Common 7B Language Models Already Possess Strong Math Capabilities [61.61442513067561]
本稿では,LLaMA-2 7Bモデルと事前学習を併用したモデルが,すでに強力な数学的能力を示していることを示す。
拡張スケーリングの可能性は、公開されている数学の質問の不足によって制限されている。
論文 参考訳（メタデータ） (2024-03-07T18:00:40Z) - BootsTAP: Bootstrapped Training for Tracking-Any-Point [62.585297341343505]
Tracking-Any-Point (TAP) は、ビデオ中の固体表面上の任意の点を追跡するアルゴリズムとして形式化することができる。
大規模でラベルなし、未修正のリアルワールドデータが、最小限のアーキテクチャ変更でTAPモデルを改善することができることを示す。
我々は,TAP-Vidベンチマークにおける最先端性能が,従来の結果よりも広いマージンで上回っていることを示す。
論文 参考訳（メタデータ） (2024-02-01T18:38:55Z) - Whole-body Detection, Recognition and Identification at Altitude and
Range [57.445372305202405]
多様なデータセットに基づいて評価したエンドツーエンドシステムを提案する。
我々のアプローチでは、一般的な画像データセットで検出器を事前トレーニングし、BRIARの複雑なビデオや画像でそれを微調整する。
屋内・屋外・航空シナリオにおける様々な範囲や角度の異なる条件下で徹底的な評価を行う。
論文 参考訳（メタデータ） (2023-11-09T20:20:23Z) - Robust Uncertainty Estimation for Classification of Maritime Objects [0.34998703934432673]
モンテカルロ・ドロップアウトにより達成されたクラス内不確実性と結合し,より包括的不確実性を示す手法を提案する。
我々の研究はFPR95を8%改善し、アウト・オブ・ディストリビューションデータを使わずにモデルがトレーニングされる場合の現在の最高性能の作業と比較した。
ベースラインに関してFPR95を44.2%改善し,ShiPSデータセットを公開し,本手法の有効性を示す。
論文 参考訳（メタデータ） (2023-07-03T19:54:53Z) - Human Activity Recognition Using Self-Supervised Representations of
Wearable Data [0.0]
HAR(Human Activity Recognition)のための正確なアルゴリズムの開発は、大規模な実世界のラベル付きデータセットの欠如によって妨げられている。
ここでは、トレーニング中に見えない実世界のデータセットで評価した場合、高い性能を有する6クラスHARモデルを開発する。
論文 参考訳（メタデータ） (2023-04-26T07:33:54Z) - Dataset Bias in Human Activity Recognition [57.91018542715725]
このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。
時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
論文 参考訳（メタデータ） (2023-01-19T12:33:50Z) - Depression Diagnosis and Forecast based on Mobile Phone Sensor Data [47.93070579578704]
これまでの研究では、携帯電話から収集したセンサデータとヒトのうつ状態の相関が示されている。
本研究では,携帯電話データから電話,電話利用,ユーザ活動,GPS機能を含む4種類の受動的特徴を抽出する。
我々は、診断と予測タスクの両方をモデル化するために、主観非依存の10倍のクロスバリデーション設定に長寿命メモリ(LSTM)ネットワークを実装した。
論文 参考訳（メタデータ） (2022-05-10T10:05:36Z) - Tactile Grasp Refinement using Deep Reinforcement Learning and Analytic
Grasp Stability Metrics [70.65363356763598]
解析的把握安定性指標が強化学習アルゴリズムの強力な最適化目標であることを示す。
幾何的および力量に依存しないグリップ安定性の指標を組み合わせることで、カブイドの平均成功率は95.4%となることを示す。
第2の実験では,触覚情報を持たないベースラインよりも,接触フィードバックで訓練したグリップリファインメントアルゴリズムが最大6.6%向上することを示した。
論文 参考訳（メタデータ） (2021-09-23T09:20:19Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - Estimation of Ground Contacts from Human Gait by a Wearable Inertial
Measurement Unit using machine learning [0.76146285961466]
本稿では,健常者歩行における左右足の推定と分類について,胸部および腰部のIMUセンサデータに基づく検討を行った。
胸部・下肢に2台のスマートフォン,右足首に1台のスマートウォッチを用いて,48名の被験者のIMUデータを収集した。
分類タスクでは、SVMとRFの2つの機械学習分類器を10倍のクロス検証法で訓練した。
論文 参考訳（メタデータ） (2020-07-05T19:47:06Z)
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。