論文の概要: COBRA: Multimodal Sensing Deep Learning Framework for Remote Chronic Obesity Management via Wrist-Worn Activity Monitoring

• arxiv url: http://arxiv.org/abs/2509.04210v1
• Date: Thu, 04 Sep 2025 13:35:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.173928
• Title: COBRA: Multimodal Sensing Deep Learning Framework for Remote Chronic Obesity Management via Wrist-Worn Activity Monitoring
• Title（参考訳）: COBRA: Wrist-Worn Activity Monitoringによる遠隔慢性肥満管理のためのマルチモーダルセンシングディープラーニングフレームワーク
• Authors: Zhengyang Shen, Bo Gao, Mayue Shi,
• Abstract要約: 本研究では,手首型マルチモーダルセンサを用いた客観的行動監視のための新しい深層学習フレームワークCOBRAを提案する。 COBRAは、U-Net空間モデリング、マルチヘッド自己アテンション機構、BiLSTM時間処理を組み合わせたハイブリッドD-Netアーキテクチャを統合し、日々のアクティビティを4つの肥満関連カテゴリに分類する。 このフレームワークは、人口動態の低さ(3%)で堅牢な一般化性を示し、パーソナライズされた肥満介入と継続的ライフスタイル監視のためのスケーラブルなデプロイメントを可能にしている。
• 参考スコア（独自算出の注目度）: 9.506310924716864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chronic obesity management requires continuous monitoring of energy balance behaviors, yet traditional self-reported methods suffer from significant underreporting and recall bias, and difficulty in integration with modern digital health systems. This study presents COBRA (Chronic Obesity Behavioral Recognition Architecture), a novel deep learning framework for objective behavioral monitoring using wrist-worn multimodal sensors. COBRA integrates a hybrid D-Net architecture combining U-Net spatial modeling, multi-head self-attention mechanisms, and BiLSTM temporal processing to classify daily activities into four obesity-relevant categories: Food Intake, Physical Activity, Sedentary Behavior, and Daily Living. Validated on the WISDM-Smart dataset with 51 subjects performing 18 activities, COBRA's optimal preprocessing strategy combines spectral-temporal feature extraction, achieving high performance across multiple architectures. D-Net demonstrates 96.86% overall accuracy with category-specific F1-scores of 98.55% (Physical Activity), 95.53% (Food Intake), 94.63% (Sedentary Behavior), and 98.68% (Daily Living), outperforming state-of-the-art baselines by 1.18% in accuracy. The framework shows robust generalizability with low demographic variance (<3%), enabling scalable deployment for personalized obesity interventions and continuous lifestyle monitoring.
• Abstract（参考訳）: 慢性的な肥満管理には、エネルギーバランスの行動の継続的なモニタリングが必要であるが、従来の自己報告手法は、重大な過度の報告とリコールバイアスに悩まされ、現代のデジタルヘルスシステムとの統合が困難である。 本研究は,手首型マルチモーダルセンサを用いた客観的行動監視のための新しいディープラーニングフレームワークであるCOBRA(Chronic Obesity Behavioral Recognition Architecture)を提案する。 COBRAは、U-Net空間モデリング、マルチヘッド・セルフアテンション・メカニズム、およびBiLSTM時間処理を組み合わせたハイブリッドD-Netアーキテクチャを統合し、日常生活を4つの肥満関連カテゴリ(食品摂取、身体活動、摂食行動、日常生活)に分類する。 18のアクティビティを実行する51の被験者からなるWISDM-Smartデータセットで検証されたCOBRAの最適前処理戦略は、スペクトル時間的特徴抽出を組み合わせて、複数のアーキテクチャで高いパフォーマンスを実現する。 D-Netは、カテゴリー別F1スコアの96.86%の精度を98.55%(身体活動)、95.53%(食物摂取)、94.63%(鎮静行動)、98.68%(日常生活)で示し、最先端のベースラインを1.18%上回る。 このフレームワークは、人口動態が低い(<3%)で堅牢な一般化性を示し、パーソナライズされた肥満介入と継続的ライフスタイル監視のためのスケーラブルなデプロイメントを可能にしている。

関連論文リスト

• Enhancing Fitness Movement Recognition with Attention Mechanism and Pre-Trained Feature Extractors [1.7619303397097408]
  フィットネス運動認識は、健康モニタリング、リハビリテーション、パーソナライズされたフィットネストレーニングにおいて重要な役割を果たす。 本稿では,空間的注意によって強化されたLong Short-Term Memory(LSTM)ネットワークと,事前訓練された2次元畳み込みニューラルネットワーク(CNN)を統合するフレームワークを提案する。 我々は、このフレームワークをUCF101データセットのキュレートされたサブセット上で評価し、ResNet50ベースの構成で93.34%のピーク精度を達成した。
  論文  参考訳（メタデータ） (2025-09-02T17:04:42Z)
• OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
  OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。 我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。 我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
  論文  参考訳（メタデータ） (2025-08-07T17:54:15Z)
• HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [1.3149714289117207]
  腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。 ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入 HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
  論文  参考訳（メタデータ） (2025-07-15T13:56:37Z)
• USAD: End-to-End Human Activity Recognition via Diffusion Model with Spatiotemporal Attention [8.061018589897277]
  人間の活動認識は、健康モニタリング、安全保護、スポーツ分析に幅広い応用を見出すタスクである。 研究の進展にもかかわらず、ヒトの活動認識は、稀な活動のためのラベル付きサンプルの不足など、依然として重要な課題に直面している。 本稿では,マルチアテンション相互作用機構に着目した包括的な最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-07-03T17:38:44Z)
• Skeleton-Based Intake Gesture Detection With Spatial-Temporal Graph Convolutional Networks [1.5228527154365612]
  本研究では,拡張時空間グラフ畳み込みネットワーク (ST-GCN) と双方向長短メモリ (BiLSTM) を組み合わせ,インテークジェスチャーを検出するモデルを用いたスケルトンベースのアプローチを提案する。 その結果,スケルトンデータを用いた摂取ジェスチャー検出の実現可能性を確認し,クロスデータセット検証における提案手法の堅牢性を強調した。
  論文  参考訳（メタデータ） (2025-04-14T18:35:32Z)
• 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)
• Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
  エンゲージメント測定は、医療、教育、サービスに応用される。 生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。 コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
  論文  参考訳（メタデータ） (2024-04-05T20:39:16Z)
• Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health Monitoring Systems [69.41229290253605]
  既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。 これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。 最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
  論文  参考訳（メタデータ） (2024-01-19T16:26:35Z)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)

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。