論文の概要: Privacy-Preserving Sensor-Based Human Activity Recognition for Low-Resource Healthcare Using Classical Machine Learning

• arxiv url: http://arxiv.org/abs/2601.22265v1
• Date: Thu, 29 Jan 2026 19:35:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.032021
• Title: Privacy-Preserving Sensor-Based Human Activity Recognition for Low-Resource Healthcare Using Classical Machine Learning
• Title（参考訳）: 古典的機械学習を用いた低リソース医療のためのプライバシ保護センサによるヒューマンアクティビティ認識
• Authors: Ramakant Kumar, Pravin Kumar,
• Abstract要約: 医療インフラへのアクセスは限られており、高齢者や脆弱な患者は在宅医療に頼らざるを得ない。 ウェアラブル慣性センサと機械学習に基づく低コストで自動化されたヒューマンアクティビティ認識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）: 1.0312968200748118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Limited access to medical infrastructure forces elderly and vulnerable patients to rely on home-based care, often leading to neglect and poor adherence to therapeutic exercises such as yoga or physiotherapy. To address this gap, we propose a low-cost and automated human activity recognition (HAR) framework based on wearable inertial sensors and machine learning. Activity data, including walking, walking upstairs, walking downstairs, sitting, standing, and lying, were collected using accelerometer and gyroscope measurements. Four classical classifiers, Logistic Regression, Random Forest, Support Vector Machine (SVM), and k-Nearest Neighbors (k-NN), were evaluated and compared with the proposed Support Tensor Machine (STM). Experimental results show that SVM achieved an accuracy of 93.33 percent, while Logistic Regression, Random Forest, and k-NN achieved 91.11 percent. In contrast, STM significantly outperformed these models, achieving a test accuracy of 96.67 percent and the highest cross-validation accuracy of 98.50 percent. Unlike conventional methods, STM leverages tensor representations to preserve spatio-temporal motion dynamics, resulting in robust classification across diverse activities. The proposed framework demonstrates strong potential for remote healthcare, elderly assistance, child activity monitoring, yoga feedback, and smart home wellness, offering a scalable solution for low-resource and rural healthcare settings.
• Abstract（参考訳）: 医療インフラへのアクセスが限られているため、高齢者や脆弱な患者は在宅医療に頼らざるを得ず、ヨガや理学療法のような治療演習に欠かせないことも多い。 このギャップに対処するために、ウェアラブル慣性センサと機械学習に基づく低コストで自動化されたヒューマンアクティビティ認識(HAR)フレームワークを提案する。 加速度計とジャイロスコープを用いて,2階の歩行,2階の歩行,座位,立位,嘘などの活動データを収集した。 4つの古典的分類器、ロジスティック回帰、ランダムフォレスト、サポートベクトルマシン(SVM)、k-Nearest Neighbors(k-NN)を評価し、提案したサポートテンソルマシン(STM)と比較した。 実験の結果、SVMの精度は93.3%、ロジスティック回帰、ランダムフォレスト、k-NNは91.1%に達した。 対照的に、STMはこれらのモデルを大きく上回り、96.67パーセントのテスト精度と98.50%のクロスバリデーション精度を達成した。 従来の方法とは異なり、STMはテンソル表現を利用して時空間運動のダイナミクスを保ち、様々な活動に頑健な分類をもたらす。 提案したフレームワークは,遠隔医療,高齢者支援,児童活動監視,ヨガフィードバック,スマートホームウェルネスに強い可能性を示し,低リソースと農村の医療環境にスケーラブルなソリューションを提供する。

関連論文リスト

• Synthetic Data Guided Feature Selection for Robust Activity Recognition in Older Adults [1.26355097851638]
  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。
  論文  参考訳（メタデータ） (2026-01-21T12:44:49Z)
• Portable Biomechanics Laboratory: Clinically Accessible Movement Analysis from a Handheld Smartphone [1.3060095849496556]
  人の動きは、神経学的および筋骨格の健康を直接反映したものだが、臨床実践において最も利用されていない重要な兆候の1つである。 データ収集のためのセキュアでクラウド対応のスマートフォンアプリと、このデータにバイオメカニクスモデルを適用するための新しいアルゴリズムを含む、ポータブルバイオメカニクス研究所(PBL)を紹介します。
  論文  参考訳（メタデータ） (2025-07-11T02:29:26Z)
• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• 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)
• IoT-Based Real-Time Medical-Related Human Activity Recognition Using Skeletons and Multi-Stage Deep Learning for Healthcare [1.5236380958983642]
  IoT(Internet of Things)とモバイル技術は、患者のリアルタイムモニタリングと診断を可能にすることによって、医療を大きく変革した。 HMR(Human Motion Recognition)は、高い計算要求、低い精度、限られた適応性といった課題を継続する。 本研究は,IoTと統合した多段階深層学習技術を活用したMRHA検出のための新しいHMR手法を提案する。
  論文  参考訳（メタデータ） (2025-01-13T03:41:57Z)
• Deep Learning for Motion Classification in Ankle Exoskeletons Using Surface EMG and IMU Signals [0.8388591755871735]
  足関節外骨格は、移動性を高め、転倒リスクを減らす可能性に対してかなりの関心を集めている。 本稿では、3つの慣性計測ユニット(IMU)と8つの表面筋電図センサ(sEMG)を統合する新しい動き予測フレームワークを提案する。 その結果、畳み込みニューラルネットワーク(CNN)は5つの動作タスクのデータセット上でLSTM(Long Short-Term Memory)ネットワークをわずかに上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-25T10:51:40Z)
• 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)
• 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)
• 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)
• 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。