Fugu-MT 論文翻訳(概要): A Machine Learning-Based Multimodal Framework for Wearable Sensor-Based Archery Action Recognition and Stress Estimation

論文の概要: A Machine Learning-Based Multimodal Framework for Wearable Sensor-Based Archery Action Recognition and Stress Estimation

arxiv url: http://arxiv.org/abs/2511.14057v1
Date: Tue, 18 Nov 2025 02:16:33 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-19 16:23:52.882603
Title: A Machine Learning-Based Multimodal Framework for Wearable Sensor-Based Archery Action Recognition and Stress Estimation
Title（参考訳）: ウェアラブルセンサによるアーチェリー動作認識と応力推定のための機械学習に基づくマルチモーダルフレームワーク
Authors: Xianghe Liu, Jiajia Liu, Chuxian Xu, Minghan Wang, Hongbo Peng, Tao Sun, Jiaqi Xu,
Abstract要約: 運動分析システムは、しばしば高価で侵入的であり、自然の訓練環境での使用を制限する。動作認識とストレス推定を同時に行うために,ウェアラブルセンサデータを統合する機械学習ベースのフレームワークを提案する。
参考スコア（独自算出の注目度）: 21.9818193435855
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In precision sports such as archery, athletes' performance depends on both biomechanical stability and psychological resilience. Traditional motion analysis systems are often expensive and intrusive, limiting their use in natural training environments. To address this limitation, we propose a machine learning-based multimodal framework that integrates wearable sensor data for simultaneous action recognition and stress estimation. Using a self-developed wrist-worn device equipped with an accelerometer and photoplethysmography (PPG) sensor, we collected synchronized motion and physiological data during real archery sessions. For motion recognition, we introduce a novel feature--Smoothed Differential Acceleration (SmoothDiff)--and employ a Long Short-Term Memory (LSTM) model to identify motion phases, achieving 96.8% accuracy and 95.9% F1-score. For stress estimation, we extract heart rate variability (HRV) features from PPG signals and apply a Multi-Layer Perceptron (MLP) classifier, achieving 80% accuracy in distinguishing high- and low-stress levels. The proposed framework demonstrates that integrating motion and physiological sensing can provide meaningful insights into athletes' technical and mental states. This approach offers a foundation for developing intelligent, real-time feedback systems for training optimization in archery and other precision sports.
Abstract（参考訳）: アーチェリーなどの精密スポーツでは、アスリートのパフォーマンスは生体力学的安定性と心理的レジリエンスの両方に依存する。伝統的な運動分析システムは、しばしば高価で侵入的であり、自然の訓練環境での使用を制限する。この制限に対処するために,ウェアラブルセンサデータを統合した機械学習に基づくマルチモーダルフレームワークを提案する。加速度計と光胸腺撮影(PPG)センサーを内蔵した手首縫い装置を応用し, 実際のアーチェリーセッションにおいて, 同期動作と生理的データを収集した。動作認識には,Smoothed Differential Acceleration (SmoothDiff) という新しい特徴を導入し,動作位相を96.8%,F1スコア95.9%,Long Short-Term Memory (LSTM) モデルを用いた。 PPG信号から心拍変動特性(HRV)を抽出し,マルチ層パーセプトロン(MLP)分類器を適用し,高ストレスレベルと低ストレスレベルを区別する精度を80%向上する。提案した枠組みは,運動と生理的感覚の統合が,アスリートの技術的・精神的状態に有意義な洞察を与えることを示すものである。このアプローチは、アーチェリーやその他の精密スポーツのトレーニング最適化のためのインテリジェントでリアルタイムなフィードバックシステムを開発する基盤を提供する。

関連論文リスト

Human-Machine Ritual: Synergic Performance through Real-Time Motion Recognition [2.064612766965483]
我々は,ウェアラブルIMUセンサデータを用いて,人間と機械の協調動作をリアルタイムに認識するシステムを提案する。ダンサー固有の動きをソマティック・メモリとアソシエーションを通じて音にマッピングすることにより,人間と機械のコラボレーションに代替的なアプローチを提案する。
論文参考訳（メタデータ） (2025-11-04T08:15:25Z)
Talking Tennis: Language Feedback from 3D Biomechanical Action Recognition [0.0]
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。
論文参考訳（メタデータ） (2025-10-04T19:55:30Z)
Learning golf swing signatures from a single wrist-worn inertial sensor [0.0]
単一手首センサを用いたゴルフスイング分析のためのデータ駆動型フレームワークを構築した。我々は、技術的欠陥の検出と可視化を容易にする動きプリミティブの合成、離散的な語彙を学習する。本システムでは,手首データから全身運動とスイングイベントを正確に推定し,実験室での動作解析を行う。
論文参考訳（メタデータ） (2025-06-20T22:57:59Z)
Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
論文参考訳（メタデータ） (2025-03-13T17:48:35Z)
OmniBuds: A Sensory Earable Platform for Advanced Bio-Sensing and On-Device Machine Learning [46.3331254985615]
感覚ウェアラブルは、基本的なオーディオ拡張デバイスから、臨床レベルの健康モニタリングと健康管理のための高度なプラットフォームへと進化してきた。本稿では,複数のバイオセンサと,機械学習アクセラレーションによって駆動される車載計算を統合した,先進的な知覚可能プラットフォームであるOmniBudsを紹介する。
論文参考訳（メタデータ） (2024-10-07T06:30:59Z)
Comparison of Kinematics and Kinetics Between OpenCap and a Marker-Based Motion Capture System in Cycling [0.0]
本研究は, サイクリング時の関節運動学および運動学評価におけるマーカーベースおよびマーカーレスモーションキャプチャシステム(OpenCap)の適合性を評価する。 OpenSimを用いて, 関節角度, モーメント, 関節反応負荷などの重要な指標を計算した。その結果, 股関節(屈曲・伸展), 膝(屈曲・伸展), 足首(背屈・足関節屈曲)の関節角度について非常に強い一致(r GT 0.9)を示した。
論文参考訳（メタデータ） (2024-08-20T15:57:40Z)
DiffMimic: Efficient Motion Mimicking with Differentiable Physics [41.442225872857136]
我々は微分可能な物理シミュレータ(DPS)を活用し、DiffMimicと呼ばれる効率的な運動模倣法を提案する。我々の重要な洞察は、DPSが複雑なポリシー学習タスクを、より単純な状態マッチング問題に向けていることです。標準ベンチマークでの大規模な実験は、DiffMimicが既存の方法よりもサンプル効率と時間効率が優れていることを示している。
論文参考訳（メタデータ） (2023-04-06T17:56:22Z)
SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7～13%向上し,環境のダイナミクスが最大30%向上することがわかった。
論文参考訳（メタデータ） (2020-12-04T23:06:56Z)
Video-based Remote Physiological Measurement via Cross-verified Feature Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文参考訳（メタデータ） (2020-07-16T09:39:17Z)
Motion Pyramid Networks for Accurate and Efficient Cardiac Motion Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文参考訳（メタデータ） (2020-06-28T21:03:19Z)

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。