論文の概要: Physically Plausible Data Augmentations for Wearable IMU-based Human Activity Recognition Using Physics Simulation
- arxiv url: http://arxiv.org/abs/2508.13284v1
- Date: Mon, 18 Aug 2025 18:02:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-20 15:36:31.697059
- Title: Physically Plausible Data Augmentations for Wearable IMU-based Human Activity Recognition Using Physics Simulation
- Title（参考訳）: 物理シミュレーションを用いたウェアラブルIMUに基づく人間活動認識のための物理可塑性データ拡張
- Authors: Nobuyuki Oishi, Philip Birch, Daniel Roggen, Paula Lago,
- Abstract要約: センサベースのヒューマンアクティビティ認識における高品質なラベル付きデータの不足は、モデルの性能を阻害する。
データ拡張は、トレーニングデータセットの多様性を強化することでこの問題を軽減するための重要な戦略である。
物理シミュレーションによって実現された物理的に可塑性なデータ拡張(PPDA)の導入と特徴付けを行う。
- 参考スコア（独自算出の注目度）: 4.442619572638141
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The scarcity of high-quality labeled data in sensor-based Human Activity Recognition (HAR) hinders model performance and limits generalization across real-world scenarios. Data augmentation is a key strategy to mitigate this issue by enhancing the diversity of training datasets. Signal Transformation-based Data Augmentation (STDA) techniques have been widely used in HAR. However, these methods are often physically implausible, potentially resulting in augmented data that fails to preserve the original meaning of the activity labels. In this study, we introduce and systematically characterize Physically Plausible Data Augmentation (PPDA) enabled by physics simulation. PPDA leverages human body movement data from motion capture or video-based pose estimation and incorporates various realistic variabilities through physics simulation, including modifying body movements, sensor placements, and hardware-related effects. We compare the performance of PPDAs with traditional STDAs on three public datasets of daily activities and fitness workouts. First, we evaluate each augmentation method individually, directly comparing PPDAs to their STDA counterparts. Next, we assess how combining multiple PPDAs can reduce the need for initial data collection by varying the number of subjects used for training. Experiments show consistent benefits of PPDAs, improving macro F1 scores by an average of 3.7 pp (up to 13 pp) and achieving competitive performance with up to 60% fewer training subjects than STDAs. As the first systematic study of PPDA in sensor-based HAR, these results highlight the advantages of pursuing physical plausibility in data augmentation and the potential of physics simulation for generating synthetic Inertial Measurement Unit data for training deep learning HAR models. This cost-effective and scalable approach therefore helps address the annotation scarcity challenge in HAR.
- Abstract（参考訳）: HAR(Human Activity Recognition)における高品質なラベル付きデータの不足は、モデルの性能を阻害し、現実のシナリオにおける一般化を制限する。
データ拡張は、トレーニングデータセットの多様性を強化することでこの問題を軽減するための重要な戦略である。
信号変換に基づくデータ拡張(STDA)技術は、HARで広く使われている。
しかし、これらの手法はしばしば物理的に不確実であり、おそらく活動ラベルの本来の意味を保存できない拡張データをもたらす可能性がある。
本研究では,物理シミュレーションによって実現された物理的に可塑性なデータ拡張(PPDA)を導入し,体系的に特徴付ける。
PPDAはモーションキャプチャーやビデオベースのポーズ推定から人体の動きデータを活用し、身体の動きの変更、センサー配置、ハードウェア関連の影響など、物理シミュレーションを通じて様々な現実的な変動を取り入れている。
PPDAと従来のSTDAのパフォーマンスを、日々のアクティビティとフィットネスワークアウトの3つの公開データセットで比較した。
まず,各拡張手法を個別に評価し,PPDAをSTDAと直接比較する。
次に、複数のPPDAを組み合わせることで、トレーニングに使用する被験者数を変えることで、初期データ収集の必要性を減らし得るかを評価する。
実験では、PPDAの一貫性のある利点を示し、マクロF1スコアを平均3.7pp(最大13pp)改善し、STDAよりも60%少ないトレーニング対象で競争性能を達成する。
センサベースHARにおけるPPDAの最初の体系的研究として、これらの結果は、深層学習HARモデルのトレーニングのための合成慣性測定ユニットデータを生成するための物理シミュレーションの可能性と、データ拡張における物理的妥当性の追求の利点を強調している。
したがって、このコスト効率でスケーラブルなアプローチは、HARのアノテーション不足問題に対処するのに役立ちます。
関連論文リスト
- Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。
動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。
これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
論文 参考訳（メタデータ） (2025-07-14T16:19:00Z) - SImpHAR: Advancing impedance-based human activity recognition using 3D simulation and text-to-motion models [5.215675032361843]
ウェアラブルセンサーを備えたヒューマンアクティビティ認識(HAR)は、医療、フィットネス、人間とコンピュータのインタラクションにおける応用に不可欠である。
2つのコアコントリビューションを通じて、この制限に対処する新しいフレームワークであるSImpHARを紹介します。
まず、最短パス推定、ソフトボディ物理、およびデータ拡張のためのデジタルツインとして機能するテキスト・ツー・モーション生成を用いて、3次元メッシュから現実的な生体インピーダンス信号を生成するシミュレーションパイプラインを提案する。
論文 参考訳（メタデータ） (2025-07-08T21:15:12Z) - Paving the way for scientific foundation models: enhancing generalization and robustness in PDEs with constraint-aware pre-training [49.8035317670223]
科学基盤モデル(SciFM)は、様々な領域にまたがる伝達可能な表現を学習するための有望なツールとして登場しつつある。
本稿では,PDE残差を単独の学習信号として,あるいはデータ損失と組み合わせて事前学習に組み込むことにより,限定的あるいは実用的でないトレーニングデータに補償することを提案する。
以上の結果から, PDE制約による事前学習は, 解データのみを訓練したモデルよりも, 一般化を著しく向上させることが示された。
論文 参考訳（メタデータ） (2025-03-24T19:12:39Z) - PIM: Physics-Informed Multi-task Pre-training for Improving Inertial Sensor-Based Human Activity Recognition [4.503003860563811]
IMUに基づくヒューマンアクティビティ認識(HAR)のための物理インフォームドマルチタスク事前学習(PIM)フレームワークを提案する。
PIMは、人間の動作の基本的物理的側面の理解に基づいて、プレテキストタスクを生成する。
マクロf1スコアの約10%の利得と,クラスごとのラベル付き例は2～8例に過ぎなかった。
論文 参考訳（メタデータ） (2025-03-23T08:16:01Z) - Sensor Data Augmentation from Skeleton Pose Sequences for Improving Human Activity Recognition [5.669438716143601]
HAR(Human Activity Recognition)は、ディープラーニングの普及に大きく貢献していない。
本稿では,センサをベースとしたウェアラブル型HARに対して,ポーズ・ツー・センサ・ネットワークモデルを導入することにより,新たなアプローチを提案する。
コントリビューションには、同時トレーニングの統合、直接ポーズ・ツー・センサ生成、MM-Fitデータセットの包括的な評価が含まれる。
論文 参考訳（メタデータ） (2024-04-25T10:13:18Z) - Unsupervised Statistical Feature-Guided Diffusion Model for Sensor-based Human Activity Recognition [3.2319909486685354]
ウェアラブルセンサーによる人間の活動認識の進歩を支えている重要な問題は、多様なラベル付きトレーニングデータの利用不可能である。
本研究では,ウェアラブルセンサを用いた人間行動認識に特化して最適化された,教師なしの統計的特徴誘導拡散モデルを提案する。
平均,標準偏差,Zスコア,歪などの統計情報に拡散モデルを適用し,多種多様な合成センサデータを生成する。
論文 参考訳（メタデータ） (2023-05-30T15:12:59Z) - 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) - Video-based Pose-Estimation Data as Source for Transfer Learning in
Human Activity Recognition [71.91734471596433]
オンボディデバイスを用いたヒューマンアクティビティ認識(HAR)は、制約のない環境での特定の人間の行動を特定する。
これまでの研究は、トランスファーラーニングが、少ないデータでシナリオに対処するための良い戦略であることを実証した。
本稿では,人為的位置推定を目的としたデータセットを伝達学習の情報源として用いることを提案する。
論文 参考訳（メタデータ） (2022-12-02T18:19:36Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z) - Am I fit for this physical activity? Neural embedding of physical
conditioning from inertial sensors [0.0]
Inertial Measurement Unit(IMU)センサーは、スマートフォンやフィットネスウォッチなど、日常のデバイスではますます普及している。
本稿では,畳み込み層とLSTM層からなるニューラルネットワークアーキテクチャを提案する。
公共データセット(PAMAP2, PPG-DaLiA)で利用可能なIMUセンサデータから,23名の被験者の心拍数を予測した際に,PCE-LSTMと呼ばれるモデルを評価した。
PCE-LSTMは平均絶対誤差を10%以上下げる。
論文 参考訳（メタデータ） (2021-03-22T18:00:27Z)
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。