Fugu-MT 論文翻訳(概要): Human Activity Recognition Based on Electrocardiogram Data Only

論文の概要: Human Activity Recognition Based on Electrocardiogram Data Only

arxiv url: http://arxiv.org/abs/2509.19328v1
Date: Sun, 14 Sep 2025 01:26:32 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-28 15:30:14.422883
Title: Human Activity Recognition Based on Electrocardiogram Data Only
Title（参考訳）: 心電図データのみに基づく人間の活動認識
Authors: Sina Montazeri, Waltenegus Dargie, Yunhe Feng, Kewei Sha,
Abstract要約: 本研究は,6つの異なる活動において,心電図のみによる活動の堅牢な認識を初めて示す。 Squeeze-and-Excitationブロック付きCNN分類器を含む3つの新しいディープラーニングモデルの設計と評価を行った。 CNNTransformer hybridは、未確認の被験者の72%の精度に達するのに対し、54人の被験者のデータから6つの活動に対して、すべての3つのモデルが94%以上の精度を達成している。
参考スコア（独自算出の注目度）: 5.367301239087641
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Human activity recognition is critical for applications such as early intervention and health analytics. Traditional activity recognition relies on inertial measurement units (IMUs), which are resource intensive and require calibration. Although electrocardiogram (ECG)-based methods have been explored, these have typically served as supplements to IMUs or have been limited to broad categorical classification such as fall detection or active vs. inactive in daily activities. In this paper, we advance the field by demonstrating, for the first time, robust recognition of activity only with ECG in six distinct activities, which is beyond the scope of previous work. We design and evaluate three new deep learning models, including a CNN classifier with Squeeze-and-Excitation blocks for channel-wise feature recalibration, a ResNet classifier with dilated convolutions for multiscale temporal dependency capture, and a novel CNNTransformer hybrid combining convolutional feature extraction with attention mechanisms for long-range temporal relationship modeling. Tested on data from 54 subjects for six activities, all three models achieve over 94% accuracy for seen subjects, while CNNTransformer hybrid reaching the best accuracy of 72% for unseen subjects, a result that can be further improved by increasing the training population. This study demonstrates the first successful ECG-only activity classification in multiple physical activities, offering significant potential for developing next-generation wearables capable of simultaneous cardiac monitoring and activity recognition without additional motion sensors.
Abstract（参考訳）: 人間の活動認識は、早期介入や健康分析のような応用には不可欠である。伝統的な活動認識は慣性測定単位(IMU)に依存しており、資源集約的で校正を必要とする。心電図(ECG)に基づく手法は研究されているが、通常はIMUの補体として機能するか、転倒検出や日常活動における活動的対不活性といった幅広い分類に限られている。本稿では,6つの異なる活動において,心電図のみによる活動の堅牢な認識を実証し,分野を前進させる。我々は,チャネルワイズ機能再構成のためのSqueeze-and-Excitationブロックを備えたCNN分類器,マルチスケール時間依存性キャプチャのための拡張畳み込み型ResNet分類器,長距離時間関係モデリングのための注意機構と畳み込み特徴抽出を組み合わせた新しいCNNTransformerハイブリッドを含む3つの新しいディープラーニングモデルの設計と評価を行った。 CNNTransformer hybridは未確認の被験者に対して72%の精度を達成し、トレーニング人口を増やすことでさらに改善することができる。本研究は,複数の身体活動において心電図のみのアクティビティ分類が最初に成功したことを実証し,運動センサを付加せずに同時に心臓のモニタリングと活動認識が可能な次世代ウェアラブルの開発に有意な可能性を示唆した。

関連論文リスト

DT4ECG: A Dual-Task Learning Framework for ECG-Based Human Identity Recognition and Human Activity Detection [2.3238396447516108]
本稿では、心電図に基づく人物識別と活動検出のための革新的なデュアルタスク学習フレームワークDT4ECGを紹介する。このフレームワークは、残留ブロックと統合された堅牢な1次元畳み込みニューラルネットワーク(1D-CNN)を用いて、識別ECGの特徴を抽出する。その結果,ID分類では99.12%,活動分類では90.11%の精度が得られた。
論文参考訳（メタデータ） (2025-02-16T07:13:59Z)
Deep-seeded Clustering for Emotion Recognition from Wearable Physiological Sensors [1.380698851850167]
本稿では,生理的信号から特徴を最小限に抽出し,分類するディープシードクラスタリングアルゴリズムを提案する。本モデルは,感情コンピューティング研究で頻繁に使用される3つのデータセットに対して,良好な性能が得られることを示す。
論文参考訳（メタデータ） (2023-08-17T14:37:35Z)
ACP++: Action Co-occurrence Priors for Human-Object Interaction Detection [102.9428507180728]
ヒューマン・オブジェクト・インタラクション(HOI)検出のタスクにおける一般的な問題は、多数のHOIクラスが少数のラベル付き例しか持たないことである。我々は、人間と物体の相互作用の間に自然の相関関係と反相関が存在することを観察した。我々は、これらの先行知識を学習し、特に稀なクラスにおいて、より効果的な訓練に活用する手法を提案する。
論文参考訳（メタデータ） (2021-09-09T06:02:50Z)
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)
Physical Activity Recognition Based on a Parallel Approach for an Ensemble of Machine Learning and Deep Learning Classifiers [0.0]
モノのインターネット(IOT)に組み込まれたウェアラブルセンサーデバイスによる人間の活動認識(HAR)は、リモートヘルス監視と緊急通知に重要な役割を果たします。本研究では、医療に適用可能な意思決定精度と実行速度の人間活動認識手法について検討する。
論文参考訳（メタデータ） (2021-03-02T16:50:52Z)
Learning Generalizable Physiological Representations from Large-scale Wearable Data [12.863826659440026]
意味ラベルのない活動・心拍(HR)信号を用いた新しい自己教師型表現学習法を提案する。その結果, 線形分類器を用いた伝達学習により, 様々な下流タスクにおいて, 埋め込みが一般化できることが示唆された。本研究は,大規模健康・ライフスタイルモニタリングに寄与する行動・生理的データに対する,最初のマルチモーダル自己管理手法を提案する。
論文参考訳（メタデータ） (2020-11-09T17:56:03Z)
Detecting Human-Object Interactions with Action Co-occurrence Priors [108.31956827512376]
人-物間相互作用(HOI)検出タスクにおける一般的な問題は、多数のHOIクラスが少数のラベル付き例しか持たないことである。我々は、人間と物体の相互作用の間に自然の相関と反相関が存在することを観察した。我々はこれらの先行知識を学習し、特に稀なクラスにおいてより効果的な訓練に活用する手法を提案する。
論文参考訳（メタデータ） (2020-07-17T02:47:45Z)
Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文参考訳（メタデータ） (2020-07-16T17:43:13Z)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)
Activity Detection from Wearable Electromyogram Sensors using Hidden Markov Model [0.0]
本研究は, 各種手の動きが記録されたときのsEMG信号を用いた隠れマルコフモデル(HMM)に基づく, 新たな活動検出手法を提案する。活動開始は平均96.25%の精度で検出されるのに対し、活動終了領域は平均87.5%の精度で6つの活動と4つの被験者からなる。
論文参考訳（メタデータ） (2020-04-27T01:14:02Z)
A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。技術および生物学的指標を用いた提案アルゴリズムの解析を行った。その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。