論文の概要: A Non-Invasive 3D Gait Analysis Framework for Quantifying Psychomotor Retardation in Major Depressive Disorder

• arxiv url: http://arxiv.org/abs/2601.19526v1
• Date: Tue, 27 Jan 2026 12:07:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.309913
• Title: A Non-Invasive 3D Gait Analysis Framework for Quantifying Psychomotor Retardation in Major Depressive Disorder
• Title（参考訳）: 大うつ病における心理的障害の定量化のための非侵襲的3次元歩行分析フレームワーク
• Authors: Fouad Boutaleb, Emery Pierson, Mohamed Daoudi, Clémence Nineuil, Ali Amad, Fabien D'Hondt,
• Abstract要約: 単眼のRGB動画を臨床的に関連する3次元歩行運動学に変換する非侵襲的な計算フレームワークを提案する。 このパイプラインは、単一のカメラキャプチャから297個の明示的な歩行生体力学的バイオマーカーを抽出することを可能にする。 本手法は,精神運動遅滞(PMR)の検出において83.3%の精度を実現し,うつ病重症度の64%のばらつきを説明できる。
• 参考スコア（独自算出の注目度）: 4.909486568908741
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the status of Major Depressive Disorder (MDD) from objective, non-invasive methods is an active research field. Yet, extracting automatically objective, interpretable features for a detailed analysis of the patient state remains largely unexplored. Among MDD's symptoms, Psychomotor retardation (PMR) is a core item, yet its clinical assessment remains largely subjective. While 3D motion capture offers an objective alternative, its reliance on specialized hardware often precludes routine clinical use. In this paper, we propose a non-invasive computational framework that transforms monocular RGB video into clinically relevant 3D gait kinematics. Our pipeline uses Gravity-View Coordinates along with a novel trajectory-correction algorithm that leverages the closed-loop topology of our adapted Timed Up and Go (TUG) protocol to mitigate monocular depth errors. This novel pipeline enables the extraction of 297 explicit gait biomechanical biomarkers from a single camera capture. To address the challenges of small clinical datasets, we introduce a stability-based machine learning framework that identifies robust motor signatures while preventing overfitting. Validated on the CALYPSO dataset, our method achieves an 83.3% accuracy in detecting PMR and explains 64% of the variance in overall depression severity (R^2=0.64). Notably, our study reveals a strong link between reduced ankle propulsion and restricted pelvic mobility to the depressive motor phenotype. These results demonstrate that physical movement serves as a robust proxy for the cognitive state, offering a transparent and scalable tool for the objective monitoring of depression in standard clinical environments.
• Abstract（参考訳）: 目的的非侵襲的手法からMDD(Major Depressive Disorder)の状態を予測することは、活発な研究分野である。 しかし, 患者状態の詳細な分析のために, 自動的, 客観的, 解釈可能な特徴を抽出することは, ほとんど探索されていない。 MDDの症状の中でも、PMRは中核的な項目であるが、その臨床評価は主観的である。 3Dモーションキャプチャーは客観的な代替手段を提供するが、特殊なハードウェアへの依存は日常的な臨床使用を妨げることが多い。 本稿では,単眼のRGB映像を臨床的に関連する3次元歩行運動学に変換する非侵襲的な計算フレームワークを提案する。 我々のパイプラインは、モノクロ深度誤差を軽減するために、適応された Timed Up and Go (TUG) プロトコルの閉ループトポロジを利用する新しいトラジェクトリ補正アルゴリズムとともに、重力-ビュー座標を用いる。 このパイプラインは、単一のカメラキャプチャから297個の明示的な歩行生体力学的バイオマーカーを抽出することを可能にする。 小規模臨床データセットの課題に対処するために、過度な適合を防止しつつ、頑健なモータシグネチャを識別する安定性に基づく機械学習フレームワークを導入する。 CALYPSOデータセットで検証し,PMRの検出において83.3%の精度を実現し,うつ病重症度(R^2=0.64)の64%を解析した。 特に本研究は, 足関節の低速化と骨盤運動量制限と, 抑うつ性運動性表現型との関連が指摘された。 これらの結果は、身体運動が認知状態の堅牢なプロキシとして機能し、標準的な臨床環境におけるうつ病の客観的モニタリングのための透明でスケーラブルなツールを提供することを示す。

関連論文リスト

• Depression Detection Based on Electroencephalography Using a Hybrid Deep Neural Network CNN-GRU and MRMR Feature Selection [0.0]
  本研究では, 深層学習を用いた抑うつ状態と非抑うつ状態の検出と分類について検討した。 提案フレームワークは、畳み込みニューラルネットワーク(CNN)とゲートリカレントユニット(GRU)を組み合わせて、脳波記録から空間的特徴と時間的特徴を共同抽出する。 その結果, 提案モデルでは, 抑うつ状態の同定精度が98.74%と高い結果が得られた。
  論文  参考訳（メタデータ） (2026-01-16T02:58:17Z)
• Automated Labeling of Intracranial Arteries with Uncertainty Quantification Using Deep Learning [2.6279333406008476]
  3D Time-of-light Magnetic Resonance Angiography (3D ToF-MRA) を用いたディープラーニングによる自動動脈ラベル作成フレームワークを提案する。 我々のフレームワークは、自動脳血管ラベリングのためのスケーラブルで正確で不確実なソリューションを提供し、下流血行動態解析をサポートし、臨床統合を容易にする。
  論文  参考訳（メタデータ） (2025-09-22T12:57:21Z)
• Deconstructing Intraocular Pressure: A Non-invasive Multi-Stage Probabilistic Inverse Framework [0.0]
  緑内障は眼圧上昇(IOP)による可逆性失明の主因である 非侵襲的に測定不能な変数をスパースなルーチンデータから推定するフレームワークを開発する。 本フレームワークは, 直接物理機器に匹敵する精度で, 最先端のトノグラフィーと良好な一致を実現している。
  論文  参考訳（メタデータ） (2025-09-17T16:50:23Z)
• Validation of Human Pose Estimation and Human Mesh Recovery for Extracting Clinically Relevant Motion Data from Videos [79.62407455005561]
  人間のポーズ推定を用いたマーカーレスモーションキャプチャは、IMUとMoCapのキネマティクスの結果とインラインで結果を生成する。 生成するデータの品質に関してはまだ改善の余地がありますが、この妥協はエラーの部屋にあると考えています。
  論文  参考訳（メタデータ） (2025-03-18T22:18:33Z)
• Spatial-aware Transformer-GRU Framework for Enhanced Glaucoma Diagnosis from 3D OCT Imaging [3.093890460224435]
  本稿では3次元光コヒーレンス・トモグラフィー(OCT)画像の診断値を利用した新しいディープラーニングフレームワークを提案する。 我々は、リッチスライスな特徴抽出のための網膜データに事前学習された視覚変換器と、スライス間空間依存性をキャプチャするための双方向Gated Recurrent Unitを統合する。
  論文  参考訳（メタデータ） (2024-03-08T22:25:15Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• A marker-less human motion analysis system for motion-based biomarker discovery in knee disorders [60.99112047564336]
  NHSは低リスクの全ての患者に会うのが難しくなっているが、これはOA患者に限らない。 膝関節疾患の診断と治療経過のモニタリングのためのバイオマーカー自動同定法を提案する。
  論文  参考訳（メタデータ） (2023-04-26T16:47:42Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。