論文の概要: AI Pose Analysis and Kinematic Profiling of Range-of-Motion Variations in Resistance Training

• arxiv url: http://arxiv.org/abs/2510.20012v1
• Date: Wed, 22 Oct 2025 20:27:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:16.825299
• Title: AI Pose Analysis and Kinematic Profiling of Range-of-Motion Variations in Resistance Training
• Title（参考訳）: 抵抗トレーニングにおけるAI Pose分析と運動距離変動の運動学的プロファイリング
• Authors: Adam Diamant,
• Abstract要約: 本研究では,AIを用いたポーズ推定パイプラインを開発し,抵抗トレーニングにおける運動力学の正確な定量化を実現する。 Wolfらによるビデオデータを用いて,26人の上半身運動8回のトレーニングにおいて,pROMとフルレンジ・オブ・モーション(fROM)のトレーニングを比較し,フレームレベルの関節角度軌跡を抽出するために280枚の記録処理を行った。 以上の結果より, 運動の偏心期において, pROM反復はROMが小さく, 全体の持続時間が短いことが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This study develops an AI-based pose estimation pipeline to enable precise quantification of movement kinematics in resistance training. Using video data from Wolf et al. (2025), which compared lengthened partial (pROM) and full range-of-motion (fROM) training across eight upper-body exercises in 26 participants, 280 recordings were processed to extract frame-level joint-angle trajectories. After filtering and smoothing, per-set metrics were derived, including range of motion (ROM), tempo, and concentric/eccentric phase durations. A random-effects meta-analytic model was applied to account for within-participant and between-exercise variability. Results show that pROM repetitions were performed with a smaller ROM and shorter overall durations, particularly during the eccentric phase of movement. Variance analyses revealed that participant-level differences, rather than exercise-specific factors, were the primary driver of variation, although there is substantial evidence of heterogeneous treatment effects. We then introduce a novel metric, \%ROM, which is the proportion of full ROM achieved during pROM, and demonstrate that this definition of lengthened partials remains relatively consistent across exercises. Overall, these findings suggest that lengthened partials differ from full ROM training not only in ROM, but also in execution dynamics and consistency, highlighting the potential of AI-based methods for advancing research and improving resistance training prescription.
• Abstract（参考訳）: 本研究では,AIを用いたポーズ推定パイプラインを開発し,抵抗トレーニングにおける運動力学の正確な定量化を実現する。 Wolf et al (2025) のビデオデータを用いて, フレームレベルの関節角度軌跡を抽出するために, 8つの上半身運動を対象とし, 延長部分(pROM)とフルレンジ・オブ・モーション(fROM)のトレーニングを行った。 フィルタリングおよび平滑化後, 運動範囲(ROM), テンポ, 同心/偏心相期間など, セット単位の指標が導出された。 参加者内および運動間変動を考慮したランダム効果メタ分析モデルを適用した。 以上の結果より, 運動の偏心期において, pROM反復はROMが小さく, 全体の持続時間が短いことが示唆された。 変動分析の結果、運動特異的な要因よりも参加者レベルの差異が変動の主要因であることが明らかとなったが、不均一な治療効果のかなりの証拠がある。 次に、pROM中に達成された完全ROMの比率である新しい測度 \%ROM を導入し、この長大部分の定義が運動全体で比較的一定であることを示す。 これらの結果は, 完全ROMトレーニングとROMだけでなく, 実行動態や一貫性にも違いがあることを示唆し, 研究の進展と抵抗トレーニング処方の改善を目的としたAIベースの手法の可能性を強調した。

関連論文リスト

• The Butterfly Effect: Neural Network Training Trajectories Are Highly Sensitive to Initial Conditions [51.68215326304272]
  たとえ小さな摂動であっても、同じ訓練軌跡を確実に引き起こすことで、トレーニング時間とともに急速に減少する効果が発散することを示します。 この結果から,ニューラルネットワークのトレーニング安定性,微調整,モデルマージ,モデルアンサンブルの多様性の実践的意味が示唆された。
  論文  参考訳（メタデータ） (2025-06-16T08:35:16Z)
• Human Motion Synthesis_ A Diffusion Approach for Motion Stitching and In-Betweening [2.5165775267615205]
  本研究では,現実的な人間の動きを生成するための変圧器を用いた拡散モデルを提案する。 提案手法は, 中間配列の生成において高い性能を示した。 本稿では,Frechet Inception Distance(FID),Diversity,Multimodalityなどの定量的指標を用いて,本手法の性能評価を行った。
  論文  参考訳（メタデータ） (2024-09-10T18:02:32Z)
• The Fine Line: Navigating Large Language Model Pretraining with Down-streaming Capability Analysis [27.310894780313618]
  本稿では,様々な事前学習中間点におけるモデル能力の総合的な比較を行う。 特定のダウンストリームメトリクスが、異なるサイズのモデルにまたがる同様のトレーニングダイナミクスを示すことを確認します。 コアの発見に加えて、AmberとOpenLLaMAを再現し、中間チェックポイントをリリースしました。
  論文  参考訳（メタデータ） (2024-04-01T16:00:01Z)
• Latent State Models of Training Dynamics [51.88132043461152]
  異なるランダムなシードでモデルをトレーニングし、トレーニングを通じてさまざまなメトリクスを計算します。 次に、結果のメトリクス列に隠れマルコフモデル(HMM)を適合させる。 我々はHMM表現を用いて相転移を研究し、収束を遅くする潜伏状態(detour state)を特定する。
  論文  参考訳（メタデータ） (2023-08-18T13:20:08Z)
• Enhancing Machine Learning Performance with Continuous In-Session Ground Truth Scores: Pilot Study on Objective Skeletal Muscle Pain Intensity Prediction [0.31498833540989407]
  主観的な自己申告スコアに基づいて訓練された機械学習モデルは、苦痛を客観的に分類するのに苦労する。 本研究は,ANS変調内皮活動(EDA)のリアルタイム連続的鎮痛スコア取得と収集のための2つの装置を開発した。 客観的EDAとインセッションスコアのトレーニングを受けたモデルは、それぞれ70.3%と74.6%のトレーニングを受けたモデルと比較して、優れたパフォーマンス(75.9%と78.3%)を達成した。
  論文  参考訳（メタデータ） (2023-08-02T00:28:22Z)
• Gait Cycle-Inspired Learning Strategy for Continuous Prediction of Knee Joint Trajectory from sEMG [24.608475386117426]
  本稿では,2つの歩行サイクルにインスパイアされた学習戦略を統合し,膝関節の軌道予測の課題を軽減するモデルを提案する。 異なるネットワークエンティティを通して学習することにより、モデルは共通の歩行特徴とパーソナライズされた歩行特徴の両方をキャプチャする。 実験結果から, 平均根平均二乗誤差(RMSE)を3.03度(0.49度), 50ms前後で予測できることが示唆された。
  論文  参考訳（メタデータ） (2023-07-25T02:23:58Z)
• Gait Event Detection and Travel Distance Using Waist-Worn Accelerometers across a Range of Speeds: Automated Approach [4.826264675070211]
  本稿ではウェアラブル加速度計の新しい校正法を提案する。 ステップを検出し、ストライドの長さを推定し、走行距離を決定することを目的としている。 このアプローチには、臨床観察、機械学習に基づくステップ検出、回帰に基づくストライド長予測の組み合わせが含まれる。
  論文  参考訳（メタデータ） (2023-07-10T19:25:45Z)
• Targeted Muscle Effort Distribution with Exercise Robots: Trajectory and Resistance Effects [1.2891210250935146]
  本研究の目的は,ロボット運動・リハビリテーション機械の軌道および抵抗条件に筋力分布を関連付けることである。 4自由度ロボットとそのインピーダンス制御システムは、高度なエクササイズプロトコルを作成するために使用される。
  論文  参考訳（メタデータ） (2021-07-02T21:07:35Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)

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。