論文の概要: Classification of 24-hour movement behaviors from wrist-worn accelerometer data: from handcrafted features to deep learning techniques

• arxiv url: http://arxiv.org/abs/2509.08606v1
• Date: Wed, 10 Sep 2025 14:04:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.445234
• Title: Classification of 24-hour movement behaviors from wrist-worn accelerometer data: from handcrafted features to deep learning techniques
• Title（参考訳）: 手首加速度計データから24時間動作行動の分類:手作り特徴からディープラーニング技術へ
• Authors: Alireza Sameh, Mehrdad Rostami, Mourad Oussalah, Vahid Farrahi,
• Abstract要約: 深層学習(DL)と古典的機械学習(ML)アルゴリズムを用いて,24時間動作行動から睡眠,鎮静,軽度身体活動(LPA),中等度体力(MVPA)の分類を行った。 4つのDLアルゴリズム-LSTM(Long Short-Term Memory)、Bidirectional Long Short-Term Memory(BiLSTM)、GRU(Gated Recurrent Units)、一次元畳み込みニューラルネットワーク(One-dimensional Convolutional Neural Network, 1D-CNN)を生の加速度信号とこれらの信号から抽出した手作り特徴を用いて訓練し、24時間移動行動カテゴリを予測する。
• 参考スコア（独自算出の注目度）: 4.351338862019538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: We compared the performance of deep learning (DL) and classical machine learning (ML) algorithms for the classification of 24-hour movement behavior into sleep, sedentary, light intensity physical activity (LPA), and moderate-to-vigorous intensity physical activity (MVPA). Methods: Open-access data from 151 adults wearing a wrist-worn accelerometer (Axivity-AX3) was used. Participants were randomly divided into training, validation, and test sets (121, 15, and 15 participants each). Raw acceleration signals were segmented into non-overlapping 10-second windows, and then a total of 104 handcrafted features were extracted. Four DL algorithms-Long Short-Term Memory (LSTM), Bidirectional Long Short-Term Memory (BiLSTM), Gated Recurrent Units (GRU), and One-Dimensional Convolutional Neural Network (1D-CNN)-were trained using raw acceleration signals and with handcrafted features extracted from these signals to predict 24-hour movement behavior categories. The handcrafted features were also used to train classical ML algorithms, namely Random Forest (RF), Support Vector Machine (SVM), Extreme Gradient Boosting (XGBoost), Logistic Regression (LR), Artificial Neural Network (ANN), and Decision Tree (DT) for classifying 24-hour movement behavior intensities. Results: LSTM, BiLSTM, and GRU showed an overall accuracy of approximately 85% when trained with raw acceleration signals, and 1D-CNN an overall accuracy of approximately 80%. When trained on handcrafted features, the overall accuracy for both DL and classical ML algorithms ranged from 70% to 81%. Overall, there was a higher confusion in classification of MVPA and LPA, compared to sleep and sedentary categories. Conclusion: DL methods with raw acceleration signals had only slightly better performance in predicting 24-hour movement behavior intensities, compared to when DL and classical ML were trained with handcrafted features.
• Abstract（参考訳）: 目的: 深層学習(DL)と古典的機械学習(ML)アルゴリズムを用いて,24時間動作行動から睡眠,鎮静,軽度身体活動(LPA),中等度体力(MVPA)の分類を行った。 方法: 手首の加速度計(Axivity-AX3)を装着した151名の成人のオープンアクセスデータを用いた。 参加者はランダムにトレーニング,検証,テストセット(121,15,15)に分割された。 生の加速度信号を重なり合わない10秒の窓に分割し、104個の手作りの特徴を抽出した。 4つのDLアルゴリズム-LSTM(Long Short-Term Memory)、Bidirectional Long Short-Term Memory(BiLSTM)、GRU(Gated Recurrent Units)、一次元畳み込みニューラルネットワーク(One-dimensional Convolutional Neural Network, 1D-CNN)を生の加速度信号とこれらの信号から抽出した手作り特徴を用いて訓練し、24時間移動行動カテゴリを予測する。 また、従来のMLアルゴリズムであるランダムフォレスト(RF)、サポートベクターマシン(SVM)、エクストリームグラディエントブースティング(XGBoost)、ロジスティック回帰(LR)、ニューラルネットワーク(ANN)、決定木(DT)の訓練にも使用された。 結果: LSTM, BiLSTM, GRUの総合的精度は, 生の加速度信号で訓練すると約85%, 1D-CNNで約80%であった。 手作業による特徴のトレーニングでは、DLアルゴリズムと古典的MLアルゴリズムの全体的な精度は70%から81%であった。 全般的にMVPA, LPAの分類は, 睡眠群, 鎮静群に比較して混乱がみられた。 結論: 生の加速度信号を用いたDL法では, DL法と古典的ML法を手技で訓練した場合と比較して, 24時間動作強度の予測性能がわずかに向上した。

関連論文リスト

• Automated Vigilance State Classification in Rodents Using Machine Learning and Feature Engineering [1.5390962520179197]
  本研究では,脳波記録(EEG)を小げっ歯類に分類するために,Team Neural Prognosticatorsによって開発された自動フレームワークを提案する。 このシステムは、高度な信号処理と機械学習を統合し、時間領域と周波数領域の両方のエンジニアリングされた特徴を活用する。 XGBoostモデルは、全体的な精度91.5%、精度86.8%、リコール81.2%、F1スコア83.5%を達成し、全てのベースライン法を上回った。
  論文  参考訳（メタデータ） (2025-07-08T19:08:57Z)
• 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)
• MT-NAM: An Efficient and Adaptive Model for Epileptic Seizure Detection [51.87482627771981]
  マイクロツリーベースNAM(MT-NAM)は,最近提案されたニューラル付加モデル(NAM)に基づく蒸留モデルである。 MT-NAMは、標準のNAMと比較して、精度を損なうことなく、100$Times$の推論速度の向上を実現している。 今回我々はCHB-MITの頭皮脳波データを用いて,セッション数や発作回数の異なる24例の脳波データについて検討した。
  論文  参考訳（メタデータ） (2025-03-11T10:14:53Z)
• Research on gesture recognition method based on SEDCNN-SVM [23.334616185686]
  異なるジェスチャーのsEMGを認識するためにSEDCNN-SVMを提案する。 SEDCNN-SVMは、改良されたディープ畳み込みニューラルネットワーク(DCNN)とサポートベクターマシン(SVM)から構成される。
  論文  参考訳（メタデータ） (2024-10-24T09:02:56Z)
• Neural Reasoning Networks: Efficient Interpretable Neural Networks With Automatic Textual Explanations [45.974930902038494]
  本稿では,新しいニューラルシンボリックアーキテクチャであるニューラル推論ネットワーク(NRN)を提案する。 トレーニングアルゴリズム(R-NRN)は、バックプロップによる降下最適化を用いて、通常通りネットワークの重みを学習するが、また、帯域ベース最適化を用いてネットワーク構造自体を学習する。 R-NRNの説明は、比較したアプローチよりも短いが、より正確な特徴重要度スコアを生成する。
  論文  参考訳（メタデータ） (2024-10-10T14:27:12Z)
• EMAHA-DB1: A New Upper Limb sEMG Dataset for Classification of Activities of Daily Living [8.854624631197941]
  データセットは、22のアクティビティを実行しながら、25人の有能な被験者から取得される。 5つのFAABOSカテゴリーの最先端の分類精度は83:21%である。 開発されたデータセットは、様々な分類方法のベンチマークとして使用することができる。
  論文  参考訳（メタデータ） (2023-01-09T13:20:45Z)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Classification of Upper Arm Movements from EEG signals using Machine Learning with ICA Analysis [0.0]
  本稿では,多層パーセプトロンニューラルネットワークを用いて,左右の動作を識別する独自のアルゴリズムを提案する。 不要信号の干渉は、アルゴリズムの性能に影響を与える脳波信号を汚染する。
  論文  参考訳（メタデータ） (2021-07-18T18:56:28Z)
• Training of Quantized Deep Neural Networks using a Magnetic Tunnel Junction-Based Synapse [23.08163992580639]
  深層ニューラルネットワークの計算複雑性とメモリ強度のソリューションとして、量子ニューラルネットワーク(QNN)が積極的に研究されている。 磁気トンネル接合(MTJ)デバイスがQNNトレーニングにどのように役立つかを示す。 本稿では,MTJ動作を用いた新しいシナプス回路を導入し,量子化更新をサポートする。
  論文  参考訳（メタデータ） (2019-12-29T11:36:32Z)

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。