論文の概要: An AI-IoT Based Smart Wheelchair with Gesture-Controlled Mobility, Deep Learning-Based Obstacle Detection, Multi-Sensor Health Monitoring, and Emergency Alert System

• arxiv url: http://arxiv.org/abs/2601.11983v1
• Date: Sat, 17 Jan 2026 09:37:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.4065
• Title: An AI-IoT Based Smart Wheelchair with Gesture-Controlled Mobility, Deep Learning-Based Obstacle Detection, Multi-Sensor Health Monitoring, and Emergency Alert System
• Title（参考訳）: AI-IoTによるスマートホイールチェア : ジェスチャー制御型モビリティ,深層学習型障害物検出,マルチセンサヘルスモニタリング,緊急アラートシステム
• Authors: Md. Asiful Islam, Abdul Hasib, Tousif Mahmud Emon, Khandaker Tabin Hasan, A. S. M. Ahsanul Sarkar Akib,
• Abstract要約: そこで我々は,手動ナビゲーションのための手袋によるジェスチャー制御,障害物回避のための聴覚フィードバックを備えたYOLOv8を用いたリアルタイム物体検出,即時衝突回避のための超音波を含む,AI-IoTベースのスマート車椅子システムを提案する。 モジュラーで低コストなアーキテクチャをベースとしたジェスチャー制御は95.5%の成功率、超音波障害物検出は94%の精度、YOLOv8ベースの物体検出は91.5%の精度、90.2%のリコール、90.8%のF1スコアを記録した。
• 参考スコア（独自算出の注目度）: 0.6465251961564605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing number of differently-abled and elderly individuals demands affordable, intelligent wheelchairs that combine safe navigation with health monitoring. Traditional wheelchairs lack dynamic features, and many smart alternatives remain costly, single-modality, and limited in health integration. Motivated by the pressing demand for advanced, personalized, and affordable assistive technologies, we propose a comprehensive AI-IoT based smart wheelchair system that incorporates glove-based gesture control for hands-free navigation, real-time object detection using YOLOv8 with auditory feedback for obstacle avoidance, and ultrasonic for immediate collision avoidance. Vital signs (heart rate, SpO$_2$, ECG, temperature) are continuously monitored, uploaded to ThingSpeak, and trigger email alerts for critical conditions. Built on a modular and low-cost architecture, the gesture control achieved a 95.5\% success rate, ultrasonic obstacle detection reached 94\% accuracy, and YOLOv8-based object detection delivered 91.5\% Precision, 90.2\% Recall, and a 90.8\% F1-score. This integrated, multi-modal approach offers a practical, scalable, and affordable solution, significantly enhancing user autonomy, safety, and independence by bridging the gap between innovative research and real-world deployment.
• Abstract（参考訳）: さまざまな機能を持つ高齢者が増えている中で、安全ナビゲーションと健康モニタリングを組み合わせた安価なスマート車椅子が求められている。 従来の車椅子にはダイナミックな特徴がなく、多くのスマートな代替品は高価であり、単一モダリティであり、健康統合に限られている。 先進的でパーソナライズされ、手頃な支援技術に対する需要が高まる中で、手動ナビゲーションのための手袋によるジェスチャー制御、障害物回避のための聴覚フィードバックを備えたYOLOv8を用いたリアルタイム物体検出、即時衝突回避のための超音波を含む、AI-IoTベースのスマート車椅子システムを提案する。 バイタルサイン(心拍数、SpO$_2$、ECG、温度)は継続的に監視され、ThingSpeakにアップロードされ、クリティカルな状態のメールアラートをトリガーする。 モジュラーで低コストなアーキテクチャをベースとしたジェスチャー制御は95.5\%の成功率、超音波障害物検出は94\%の精度、YOLOv8ベースの物体検出は91.5\%の精度、90.2\%のリコール、90.8\%のF1スコアを達成した。 この統合されたマルチモーダルなアプローチは、実用的でスケーラブルで手頃な価格のソリューションを提供し、革新的な研究と現実のデプロイメントのギャップを埋めることによって、ユーザの自律性、安全性、独立性を著しく向上します。

関連論文リスト

• MOTION: ML-Assisted On-Device Low-Latency Motion Recognition [5.0385144315892925]
  WeBe Bandは、強力なMCUを備えたマルチセンサーウェアラブルデバイスで、ジェスチャ認識を完全にデバイス上で効果的に行う。 ニューラルネットワークは、正確性、レイテンシ、メモリ使用の最良のバランスを提供します。 以上の結果から,WeBe Bandではリアルタイムなジェスチャー認識が可能であり,リアルタイムな医療モニタリングソリューションの可能性も大きいことが示唆された。
  論文  参考訳（メタデータ） (2025-10-14T01:15:47Z)
• Autonomous Multi-Robot Infrastructure for AI-Enabled Healthcare Delivery and Diagnostics [0.0]
  本研究では、ウェアラブルヘルスセンサ、RFベースのコミュニケーション、AIによる意思決定支援を取り入れた医療用マルチロボットシステムを提案する。 シミュレーションされた病院環境内では、患者監視、医療提供、緊急支援を行うためにリーダー・フォロワー・スワム構成を採用する。
  論文  参考訳（メタデータ） (2025-09-30T11:27:33Z)
• Beyond Benchmarks: Dynamic, Automatic And Systematic Red-Teaming Agents For Trustworthy Medical Language Models [87.66870367661342]
  大規模言語モデル(LLM)は、医療におけるAIアプリケーションで使用される。 LLMを継続的にストレステストするレッドチームフレームワークは、4つのセーフティクリティカルなドメインで重大な弱点を明らかにすることができる。 敵エージェントのスイートは、自律的に変化するテストケースに適用され、安全でないトリガー戦略を特定し、評価する。 私たちのフレームワークは、進化可能でスケーラブルで信頼性の高い、次世代の医療AIのセーフガードを提供します。
  論文  参考訳（メタデータ） (2025-07-30T08:44:22Z)
• Learning Multimodal AI Algorithms for Amplifying Limited User Input into High-dimensional Control Space [7.504214864070018]
  現在の侵襲的補助技術は、重度麻痺患者の高次元運動制御信号を推定するために設計されている。 非侵襲的な代替手段は、しばしばアーティファクトを起こしやすい信号に依存し、長いユーザートレーニングを必要とし、厳密なタスクに対して堅牢な高次元制御を提供するのに苦労する。 本研究では、失われた運動機能に対するインテリジェント補償機構として、人間中心型マルチモーダルAIアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-16T15:31:40Z)
• An AI-Driven Multimodal Smart Home Platform for Continuous Monitoring and Assistance in Post-Stroke Motor Impairment [23.865199757677036]
  術後患者の在宅リハビリテーションを継続するためのスマートホームプラットフォームを提案する。 プランタ圧インソールは、最大94%の精度で、ユーザーを運動回復段階に分類する。 カメラやマイクなどの環境センサーとともに、オプションのヘッドマウントアイトラッキングモジュールは、家庭用デバイスのシームレスなハンズフリーコントロールをサポートする。
  論文  参考訳（メタデータ） (2024-11-28T09:04:39Z)
• Monocular Obstacle Avoidance Based on Inverse PPO for Fixed-wing UAVs [29.207513994002202]
  固定翼無人航空機(英語: Fixed-wing Unmanned Aerial Vehicles、UAV)は、低高度経済(LAE)と都市空運(UAM)のための最も一般的なプラットフォームの一つである。 従来の地図や高度なセンサーに依存する古典的な障害物回避システムは、未知の低高度環境や小型UAVプラットフォームにおいて制限に直面している。 本稿では,DRLに基づくUAV衝突回避システムを提案する。
  論文  参考訳（メタデータ） (2024-11-27T03:03:37Z)
• PulseImpute: A Novel Benchmark Task for Pulsative Physiological Signal Imputation [54.839600943189915]
  モバイルヘルス(英語: Mobile Health、mHealth)は、ウェアラブルセンサーを使用して、日常生活中の参加者の生理状態を高頻度で監視し、時間的に精度の高い健康介入を可能にする能力である。 豊富な計算文学にもかかわらず、既存の技術は多くのmHealthアプリケーションを構成する脈動信号には効果がない。 このギャップに対処するPulseImputeは、現実的なmHealth欠損モデル、幅広いベースラインセット、臨床関連下流タスクを含む、最初の大規模パルス信号計算チャレンジである。
  論文  参考訳（メタデータ） (2022-12-14T21:39:15Z)
• Early Mobility Recognition for Intensive Care Unit Patients Using Accelerometers [3.772793938066986]
  Intensive Care Unit (ICU) 患者に対するヒト活動認識, 早期移動認識の医療応用を提案する。 我々のシステムには、ICU患者からの加速度計に基づくデータ収集と、患者の早期モビリティを認識するAIモデルが含まれている。 その結果,モデル精度は77.78%から81.86%に向上し,モデル不安定性(標準偏差)は16.69%から6.92%に低下した。
  論文  参考訳（メタデータ） (2021-06-28T22:59:31Z)

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。