論文の概要: StrengthSense: A Dataset of IMU Signals Capturing Everyday Strength-Demanding Activities

• arxiv url: http://arxiv.org/abs/2511.02027v1
• Date: Thu, 30 Oct 2025 15:41:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.667757
• Title: StrengthSense: A Dataset of IMU Signals Capturing Everyday Strength-Demanding Activities
• Title（参考訳）: 強度感覚: 毎日の強度決定活動を捉えたIMU信号のデータセット
• Authors: Zeyu Yang, Clayton Souza Leite, Yu Xiao,
• Abstract要約: textitStrengthSenseは、強度要求アクティビティをキャプチャするIMU信号を含むオープンデータセットである。 このデータセットは、手足と胴体に10個のIMUを配置した29名の健常者から収集された。
• 参考スコア（独自算出の注目度）: 3.091489211147152
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Tracking strength-demanding activities with wearable sensors like IMUs is crucial for monitoring muscular strength, endurance, and power. However, there is a lack of comprehensive datasets capturing these activities. To fill this gap, we introduce \textit{StrengthSense}, an open dataset that encompasses IMU signals capturing 11 strength-demanding activities, such as sit-to-stand, climbing stairs, and mopping. For comparative purposes, the dataset also includes 2 non-strength demanding activities. The dataset was collected from 29 healthy subjects utilizing 10 IMUs placed on limbs and the torso, and was annotated using video recordings as references. This paper provides a comprehensive overview of the data collection, pre-processing, and technical validation. We conducted a comparative analysis between the joint angles estimated by IMUs and those directly extracted from video to verify the accuracy and reliability of the sensor data. Researchers and developers can utilize \textit{StrengthSense} to advance the development of human activity recognition algorithms, create fitness and health monitoring applications, and more.
• Abstract（参考訳）: IMUのようなウェアラブルセンサーで、筋力、耐久力、パワーをモニターするためには、強みを要求されるアクティビティを追跡することが不可欠だ。 しかし、これらのアクティビティをキャプチャする包括的なデータセットが不足している。 このギャップを埋めるために, IMU 信号を含むオープンデータセットである \textit{StrengthSense} を紹介した。 比較目的のために、データセットには2つの非強度要求アクティビティも含まれている。 このデータセットは、手足と胴体に10個のIMUを配置した29名の健常者から収集され、ビデオ記録を参考に注釈を付した。 本稿では,データ収集,事前処理,技術的検証について概観する。 IMUで推定した関節角度とビデオから直接抽出した関節角度を比較して,センサデータの精度と信頼性を検証した。 研究者や開発者は、textit{StrengthSense}を使って、人間の活動認識アルゴリズムの開発を進め、フィットネスと健康モニタリングアプリケーションを作成することができる。

関連論文リスト

• DeSPITE: Exploring Contrastive Deep Skeleton-Pointcloud-IMU-Text Embeddings for Advanced Point Cloud Human Activity Understanding [65.72663487116439]
  DeSPITEはDeep Skeleton-Pointcloud-IMU-Text Embeddingモデルである。 MSR-Action3D と HMPEAR の実験により,DeSPITE は点雲 HAR に対する効果的な事前学習戦略であることを示す。
  論文  参考訳（メタデータ） (2025-06-16T18:18:44Z)
• CADDI: An in-Class Activity Detection Dataset using IMU data from low-cost sensors [3.3860149185538613]
  安価なIMUセンサを用いたクラス内アクティビティ検出のための新しいデータセットを提案する。 データセットは、典型的な教室のシナリオで12人の参加者が実行した、瞬間的および連続的な19の多様なアクティビティで構成されている。 加速度計、ジャイロスコープ、回転ベクトルデータ、および同期ステレオ画像を含み、センサーと視覚データを用いたマルチモーダルアルゴリズムを開発するための包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2025-03-04T18:29:57Z)
• DISCOVER: Data-driven Identification of Sub-activities via Clustering and Visualization for Enhanced Activity Recognition in Smart Homes [46.86909768552777]
  本研究では,未ラベルセンサデータから詳細な人間のサブアクティビティを検出する手法であるdiscoVERについて,事前のセグメンテーションに頼ることなく紹介する。 広範に使用されているHARデータセットに対する再注釈演習を通じて,その効果を実証する。
  論文  参考訳（メタデータ） (2025-02-11T20:02:24Z)
• 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)
• A Graph-based Approach to Human Activity Recognition [5.323279718522213]
  本稿では,リアルタイムデータセットの拡張から重要な洞察を効率的に抽出する手法を提案する。 Inertial Measurement Units (IMU) と Global Navigation Satellite Systems (GNSS) の受信機からのデータを利用することで, 競技成績を有向グラフを用いて解析することができる。 本手法はバイアスロンデータを用いて興味のある特定の点や複雑な動きのシーケンスを検出する。
  論文  参考訳（メタデータ） (2024-08-19T17:51:00Z)
• Sensor Data Augmentation from Skeleton Pose Sequences for Improving Human Activity Recognition [5.669438716143601]
  HAR(Human Activity Recognition)は、ディープラーニングの普及に大きく貢献していない。 本稿では,センサをベースとしたウェアラブル型HARに対して,ポーズ・ツー・センサ・ネットワークモデルを導入することにより,新たなアプローチを提案する。 コントリビューションには、同時トレーニングの統合、直接ポーズ・ツー・センサ生成、MM-Fitデータセットの包括的な評価が含まれる。
  論文  参考訳（メタデータ） (2024-04-25T10:13:18Z)
• Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health Monitoring Systems [69.41229290253605]
  既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。 これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。 最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
  論文  参考訳（メタデータ） (2024-01-19T16:26:35Z)
• WEAR: An Outdoor Sports Dataset for Wearable and Egocentric Activity Recognition [22.988658969594276]
  視覚と慣性に基づく人間活動認識(HAR)のための屋外スポーツデータセットWEARを紹介する。 合計18種類のワークアウト活動を行う22人の被験者のデータを,11箇所の外部で記録した同期慣性(アクセラレーション)とカメラ(エゴセントリックビデオ)データを用いて収集した。 ベンチマークの結果,センサ配置により,各モードが予測性能に相補的な強度と弱点を与えることがわかった。
  論文  参考訳（メタデータ） (2023-04-11T09:31:07Z)

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。