論文の概要: Talking Tennis: Language Feedback from 3D Biomechanical Action Recognition

• arxiv url: http://arxiv.org/abs/2510.03921v1
• Date: Sat, 04 Oct 2025 19:55:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.34486
• Title: Talking Tennis: Language Feedback from 3D Biomechanical Action Recognition
• Title（参考訳）: 講演テニス:3次元生体力学的行動認識からの言語フィードバック
• Authors: Arushi Dashore, Aryan Anumala, Emily Hui, Olivia Yang,
• Abstract要約: 本研究は,運動データから重要な生体力学的特徴を抽出する新しい枠組みを開発する。 これらの特徴は脳卒中の有効性と外傷リスクに影響を及ぼす関係を解析し、フィードバック生成の基礎を形成する。 実験的な設定は、分類性能と解釈可能性に関するこのフレームワークを評価し、説明可能なAIとスポーツバイオメカニクスのギャップを埋める。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated tennis stroke analysis has advanced significantly with the integration of biomechanical motion cues alongside deep learning techniques, enhancing stroke classification accuracy and player performance evaluation. Despite these advancements, existing systems often fail to connect biomechanical insights with actionable language feedback that is both accessible and meaningful to players and coaches. This research project addresses this gap by developing a novel framework that extracts key biomechanical features (such as joint angles, limb velocities, and kinetic chain patterns) from motion data using Convolutional Neural Network Long Short-Term Memory (CNN-LSTM)-based models. These features are analyzed for relationships influencing stroke effectiveness and injury risk, forming the basis for feedback generation using large language models (LLMs). Leveraging the THETIS dataset and feature extraction techniques, our approach aims to produce feedback that is technically accurate, biomechanically grounded, and actionable for end-users. The experimental setup evaluates this framework on classification performance and interpretability, bridging the gap between explainable AI and sports biomechanics.
• Abstract（参考訳）: 自動テニスストローク解析は,深層学習技術とバイオメカニカル・モーション・キューの統合,ストローク分類精度の向上,プレーヤのパフォーマンス評価などにより大きく進歩している。 これらの進歩にもかかわらず、既存のシステムは、しばしばプレイヤーやコーチにとってアクセス可能で有意義な、行動可能な言語フィードバックと生体力学的洞察を結びつけるのに失敗する。 本研究は, 畳み込みニューラルネットワーク長短期記憶(CNN-LSTM)モデルを用いて, 運動データから重要な生体力学的特徴(関節角度, 手足速度, 運動連鎖パターンなど)を抽出するフレームワークを開発することにより, このギャップに対処する。 これらの特徴は脳卒中の有効性と外傷リスクに影響を及ぼす関係を解析し、大きな言語モデル(LLM)を用いたフィードバック生成の基礎を形成する。 TheTISデータセットと特徴抽出技術を活用して、技術的に正確で、バイオメカニカルに基盤があり、エンドユーザーにとって実用的なフィードバックを生み出すことを目的としている。 実験的な設定は、分類性能と解釈可能性に関するこのフレームワークを評価し、説明可能なAIとスポーツバイオメカニクスのギャップを埋める。

関連論文リスト

• Dynamic Scoring with Enhanced Semantics for Training-Free Human-Object Interaction Detection [51.52749744031413]
  人間オブジェクトインタラクション(HOI)検出は、画像内の人間と物体を識別し、その相互作用を解釈することを目的としている。 既存のHOIメソッドは、視覚的手がかりからインタラクションを学ぶために手動アノテーションを備えた大規模なデータセットに大きく依存している。 本稿では,強化意味論を用いた動的スコーリングのための新しいトレーニング不要なHOI検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T12:30:19Z)
• Boosting Automatic Exercise Evaluation Through Musculoskeletal Simulation-Based IMU Data Augmentation [0.0]
  本稿では,運動軌跡の体系的な修正と統合された筋骨格シミュレーションを用いて,現実的なIMUデータを生成する新しいデータ拡張手法を提案する。 本手法はバイオメカニカル・ポーラビリティを保証し,逆パラメータと知識に基づく評価戦略を組み合わせることで,自動的,信頼性の高いラベル付けを可能にする。 本研究は,理学療法演習評価における深層学習の課題を克服するために,本手法の有効性と有効性について考察した。
  論文  参考訳（メタデータ） (2025-05-30T09:53:37Z)
• KinTwin: Imitation Learning with Torque and Muscle Driven Biomechanical Models Enables Precise Replication of Able-Bodied and Impaired Movement from Markerless Motion Capture [2.44755919161855]
  高品質な運動分析は、運動科学とリハビリテーションに大きな恩恵をもたらす可能性がある。 臨床実習において,模擬学習を用いて高品質な運動分析を可能にする可能性を示す。
  論文  参考訳（メタデータ） (2025-05-19T17:58:03Z)
• Knowledge-Based Deep Learning for Time-Efficient Inverse Dynamics [5.78355428732981]
  時間効率逆動的解析のための知識に基づくディープラーニングフレームワークを提案する。 BiGRUニューラルネットワークは、時系列データの巧妙なハンドリングのため、我々のモデルのバックボーンとして選択される。 実験結果から、選択したBiGRUアーキテクチャは、特別に設計された損失関数を用いてトレーニングされた場合、他のニューラルネットワークモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-06T20:12:52Z)
• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• Leveraging Digital Perceptual Technologies for Remote Perception and Analysis of Human Biomechanical Processes: A Contactless Approach for Workload and Joint Force Assessment [4.96669107440958]
  本研究では,産業環境下での人間の動きの分析を目的とした,革新的なコンピュータビジョンフレームワークを提案する。 このフレームワークは、人間の動作の包括的な精査を可能にし、運動パターンや運動データに関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2024-04-02T02:12:00Z)
• A Physics-Informed Low-Shot Learning For sEMG-Based Estimation of Muscle Force and Joint Kinematics [4.878073267556235]
  表面筋電図(sEMG)による筋力と関節キネマティクス推定はリアルタイム生体力学的解析に不可欠である。 ディープニューラルネットワーク(DNN)の最近の進歩は、完全に自動化され再現可能な方法で生体力学解析を改善する可能性を示している。 本稿では,筋力と関節キネマティクスのsEMGに基づく新しい物理インフォームドローショット学習法を提案する。
  論文  参考訳（メタデータ） (2023-07-08T23:01:12Z)
• Human-Robot Collaboration and Machine Learning: A Systematic Review of Recent Research [69.48907856390834]
  人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。 本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
  論文  参考訳（メタデータ） (2021-10-14T15:14:33Z)
• Measuring and modeling the motor system with machine learning [117.44028458220427]
  モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。 本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
  論文  参考訳（メタデータ） (2021-03-22T12:42:16Z)
• Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
  本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。 ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。 その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
  論文  参考訳（メタデータ） (2021-03-06T09:10:03Z)
• Relational Graph Learning on Visual and Kinematics Embeddings for Accurate Gesture Recognition in Robotic Surgery [84.73764603474413]
  本稿では,マルチモーダルグラフネットワーク(MRG-Net)の新たなオンラインアプローチを提案し,視覚情報とキネマティクス情報を動的に統合する。 本手法の有効性は, JIGSAWSデータセット上での最先端の成果で実証された。
  論文  参考訳（メタデータ） (2020-11-03T11:00:10Z)

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。