論文の概要: Synthetic Data Guided Feature Selection for Robust Activity Recognition in Older Adults

• arxiv url: http://arxiv.org/abs/2601.17053v1
• Date: Wed, 21 Jan 2026 12:44:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.099158
• Title: Synthetic Data Guided Feature Selection for Robust Activity Recognition in Older Adults
• Title（参考訳）: 高齢者におけるロバスト行動認識のための合成データ案内特徴選択
• Authors: Shuhao Que, Dieuwke van Dartel, Ilse Heeringa, Han Hegeman, Miriam Vollenbroek-Hutten, Ying Wang,
• Abstract要約: 老年者における股関節骨折リハビリテーション時の身体活動は長期機能低下の軽減に不可欠である。 既存の監視システムと市販のウェアラブルアクティビティトラッカーは、一般的に中年層で開発されている。 本研究の目的は,股関節骨折リハビリテーションにおける身体活動認識の持続的向上を目的とした,堅牢なヒト活動認識(HAR)システムの開発である。
• 参考スコア（独自算出の注目度）: 1.26355097851638
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physical activity during hip fracture rehabilitation is essential for mitigating long-term functional decline in geriatric patients. However, it is rarely quantified in clinical practice. Existing continuous monitoring systems with commercially available wearable activity trackers are typically developed in middle-aged adults and therefore perform unreliably in older adults with slower and more variable gait patterns. This study aimed to develop a robust human activity recognition (HAR) system to improve continuous physical activity recognition in the context of hip fracture rehabilitation. 24 healthy older adults aged over 80 years were included to perform activities of daily living (walking, standing, sitting, lying down, and postural transfers) under simulated free-living conditions for 75 minutes while wearing two accelerometers positioned on the lower back and anterior upper thigh. Model robustness was evaluated using leave-one-subject-out cross-validation. The synthetic data demonstrated potential to improve generalization across participants. The resulting feature intervention model (FIM), aided by synthetic data guidance, achieved reliable activity recognition with mean F1-scores of 0.896 for walking, 0.927 for standing, 0.997 for sitting, 0.937 for lying down, and 0.816 for postural transfers. Compared with a control condition model without synthetic data, the FIM significantly improved the postural transfer detection, i.e., an activity class of high clinical relevance that is often overlooked in existing HAR literature. In conclusion, these preliminary results demonstrate the feasibility of robust activity recognition in older adults. Further validation in hip fracture patient populations is required to assess the clinical utility of the proposed monitoring system.
• Abstract（参考訳）: 老年者における股関節骨折リハビリテーション時の身体活動は長期機能低下の軽減に不可欠である。 しかし、臨床実践において定量化されることはめったにない。 市販のウェアラブル・アクティビティ・トラッカーを備えた既存の監視システムは、一般的に中年層で開発されており、高齢層ではより遅く、より可変な歩行パターンで信頼性が低い。 本研究の目的は,股関節骨折リハビリテーションにおける身体活動認識の持続的向上を目的とした,堅牢なヒト活動認識(HAR)システムの開発である。 80歳以上の健常成人24名を対象に,下肢・上腿に2つの加速度計を装着し,75分間自由生活環境下での生活行動(歩行, 立位, 座位, 横転, 姿勢移動)をシミュレーションした。 モデルロバスト性の評価は,残余のオブジェクトアウト・クロスバリデーションを用いて行った。 合成データは、参加者間の一般化を改善する可能性を示した。 得られた特徴介入モデル (FIM) は, 歩行時平均F1スコアが0.896, 立位時0.927, 座位時0.997, 横転時0.937, 立位時0.816で信頼性の高い活動認識を実現した。 FIMは、合成データを持たない制御条件モデルと比較して、姿勢伝達検出、すなわち、既存のHAR文献でしばしば見過ごされる高い臨床関連性のアクティビティクラスを著しく改善した。 以上の結果から,高齢者におけるロバストな活動認識の可能性が示唆された。 当科における人工股関節置換術の臨床的有用性を評価するためには, 股関節骨折患者集団のさらなる検証が必要である。

関連論文リスト

• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• ActiTect: A Generalizable Machine Learning Pipeline for REM Sleep Behavior Disorder Screening through Standardized Actigraphy [1.2106870940376342]
  分離眼球運動睡眠行動障害(iRBD)は、$$-synucleinopathiesの主因である。 手首のアクティメータは、大規模なスクリーニングにおいてRBDを検出する大きな可能性を秘めている。 本研究では,アクティグラフ記録からRBDを同定するオープンソース機械学習ツールであるActiTectを提案する。
  論文  参考訳（メタデータ） (2025-11-07T13:18:20Z)
• Deep Learning-Based Detection of Cognitive Impairment from Passive Smartphone Sensing with Routine-Aware Augmentation and Demographic Personalization [9.633221910592804]
  認知障害の早期発見は、タイムリーな診断と介入に重要である。 受動的スマートフォンセンシングは、自然主義的かつ継続的な認知モニタリングのための有望なアプローチとして登場した。 日常的な行動特徴の連続から認知障害を検出するために,Long Short-Term Memory (LSTM) モデルを実装した。
  論文  参考訳（メタデータ） (2025-09-27T07:08:25Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• A SHAP-based explainable multi-level stacking ensemble learning method for predicting the length of stay in acute stroke [3.2906073576204955]
  既存の機械学習モデルは、最適以下の予測性能、限定的な一般化可能性を示し、システムレベルの要因を見落としている。 我々は,虚血性脳梗塞と出血性脳梗塞に対する解釈可能な多段階重ねアンサンブルモデルを開発した。 説明可能なアンサンブルモデルは,虚血性脳卒中におけるLOSの延長を効果的に予測する。 出血性脳卒中にはさらなる検証が必要である。
  論文  参考訳（メタデータ） (2025-05-30T01:08:26Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• An AIoT-enabled Autonomous Dementia Monitoring System [4.216258586104556]
  本システムは, センサデータの活動推定に基づく2つの機能を実装し, リアルタイムな異常活動監視と, 疾患関連活動の傾向予測を行う。 活動推定と異常な活動検出のために設計された2つのRF分類器の精度は、それぞれ99%と94%以上である。
  論文  参考訳（メタデータ） (2022-07-02T11:36:16Z)
• Designing A Clinically Applicable Deep Recurrent Model to Identify Neuropsychiatric Symptoms in People Living with Dementia Using In-Home Monitoring Data [52.40058724040671]
  鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。 扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。 本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-19T11:45:01Z)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)

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。