論文の概要: Estimation of Resistance Training RPE using Inertial Sensors and Electromyography

• arxiv url: http://arxiv.org/abs/2510.03197v1
• Date: Fri, 03 Oct 2025 17:34:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.508962
• Title: Estimation of Resistance Training RPE using Inertial Sensors and Electromyography
• Title（参考訳）: 慣性センサと筋電図を用いた抵抗トレーニングRPEの推定
• Authors: James Thomas, Johan Walhström,
• Abstract要約: 本研究では,単腕ダンベルバイセップカール中のRPE推定における機械学習モデルの適用について検討した。 データは、ウェアラブル慣性筋電図センサ(EMG)から収集された。 その結果,ウェアラブルセンサを用いたRPE推定の可能性が示された。
• 参考スコア（独自算出の注目度）: 0.18532393625625118
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate estimation of rating of perceived exertion (RPE) can enhance resistance training through personalized feedback and injury prevention. This study investigates the application of machine learning models to estimate RPE during single-arm dumbbell bicep curls, using data from wearable inertial and electromyography (EMG) sensors. A custom dataset of 69 sets and over 1000 repetitions was collected, with statistical features extracted for model training. Among the models evaluated, a random forest classifier achieved the highest performance, with 41.4% exact accuracy and 85.9% $\pm1$ RPE accuracy. While the inclusion of EMG data slightly improved model accuracy over inertial sensors alone, its utility may have been limited by factors such as data quality and placement sensitivity. Feature analysis highlighted eccentric repetition time as the strongest RPE predictor. The results demonstrate the feasibility of wearable-sensor-based RPE estimation and identify key challenges for improving model generalizability.
• Abstract（参考訳）: 知覚運動評価(RPE)の正確な評価は、パーソナライズされたフィードバックと傷害予防を通じて抵抗トレーニングを強化することができる。 本研究では、ウェアラブル慣性・筋電図センサ(EMG)のデータを用いて、単腕ダンベルバイセップカール中のRPEを推定するための機械学習モデルの適用について検討した。 69セット以上のカスタムデータセットと1000回以上の繰り返しが収集され、モデルトレーニングのために統計的特徴が抽出された。 評価されたモデルの中で、ランダムな森林分類器は41.4%の精度と85.9%の$\pm1$ RPEの精度で最高性能を達成した。 EMGデータの導入は慣性センサ単独でのモデル精度をわずかに向上させたが、その有用性はデータ品質や配置感度などの要因によって制限されていた可能性がある。 特徴分析では、最も強いRPE予測器として偏心反復時間を強調した。 その結果, ウェアラブルセンサを用いたRPE推定の実現可能性を示し, モデル一般化性向上の鍵となる課題を明らかにした。

関連論文リスト

• Detection of Autonomic Dysreflexia in Individuals With Spinal Cord Injury Using Multimodal Wearable Sensors [2.208475400165877]
  自律神経障害 (AD) は、脊髄損傷者(SCI)の突然の血圧急上昇を特徴とする生命予後の1つである。 本研究では,マルチモーダルウェアラブルセンサを用いたAD検出のための非侵襲的,説明可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T21:18:23Z)
• 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)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Predicting Ground Reaction Force from Inertial Sensors [13.505402421169213]
  グラウンド・リアクション・フォース(GRF)は、ランニングなどの動作で個人が経験した機械的荷重を特徴付けるために用いられる。 LSTMニューラルネットワークを用いた最先端予測とは対照的に,軽量なアプローチを検討する。 異なる競技者から収集したトレーニングデータを用いて,これらの手法の精度を評価する。
  論文  参考訳（メタデータ） (2023-11-04T00:44:40Z)
• Comparative Analysis of Epileptic Seizure Prediction: Exploring Diverse Pre-Processing Techniques and Machine Learning Models [0.0]
  脳波データを用いたてんかん発作予測のための5つの機械学習モデルの比較分析を行った。 本分析の結果は,各モデルの性能を精度で示すものである。 ETモデルは99.29%の精度で最高の性能を示した。
  論文  参考訳（メタデータ） (2023-08-06T08:50:08Z)
• PPG-based Heart Rate Estimation with Efficient Sensor Sampling and Learning Models [6.157700936357335]
  ウェアラブルデバイスに埋め込まれた光胸部センサーは、心拍数(HR)を高精度に推定することができる。 しかしながら, PPGセンサを用いたHR推定を組込みデバイスに適用することは, エネルギー集中型高周波PSGサンプリングによる課題に直面している。 本研究では,低消費電力・資源制約の組込みデバイスに適したHR推定手法を提案する。
  論文  参考訳（メタデータ） (2023-03-23T19:47:36Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。