論文の概要: EMBC Special Issue: Calibrated Uncertainty for Trustworthy Clinical Gait Analysis Using Probabilistic Multiview Markerless Motion Capture

• arxiv url: http://arxiv.org/abs/2601.22412v1
• Date: Thu, 29 Jan 2026 23:50:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.125886
• Title: EMBC Special Issue: Calibrated Uncertainty for Trustworthy Clinical Gait Analysis Using Probabilistic Multiview Markerless Motion Capture
• Title（参考訳）: 確率的マルチビューマーカーレスモーションキャプチャーを用いた信頼性のある歩行分析のための校正不確かさ
• Authors: Seth Donahue, Irina Djuraskovic, Kunal Shah, Fabian Sinz, Ross Chafetz, R. James Cotton,
• Abstract要約: ビデオに基づく人間の運動分析は、臨床および研究における運動評価の可能性を秘めている。 本研究では,確率論的多視点マーカーレスモーションキャプチャ法の校正と信頼性を評価する。 確率モデル再構成は不確実性を定量化し、同時に接地構造を計測することなく信頼できない出力を特定できる。
• 参考スコア（独自算出の注目度）: 1.260797434681533
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video-based human movement analysis holds potential for movement assessment in clinical practice and research. However, the clinical implementation and trust of multi-view markerless motion capture (MMMC) require that, in addition to being accurate, these systems produce reliable confidence intervals to indicate how accurate they are for any individual. Building on our prior work utilizing variational inference to estimate joint angle posterior distributions, this study evaluates the calibration and reliability of a probabilistic MMMC method. We analyzed data from 68 participants across two institutions, validating the model against an instrumented walkway and standard marker-based motion capture. We measured the calibration of the confidence intervals using the Expected Calibration Error (ECE). The model demonstrated reliable calibration, yielding ECE values generally < 0.1 for both step and stride length and bias-corrected gait kinematics. We observed a median step and stride length error of ~16 mm and ~12 mm respectively, with median bias-corrected kinematic errors ranging from 1.5 to 3.8 degrees across lower extremity joints. Consistent with the calibrated ECE, the magnitude of the model's predicted uncertainty correlated strongly with observed error measures. These findings indicate that, as designed, the probabilistic model reconstruction quantifies epistemic uncertainty, allowing it to identify unreliable outputs without the need for concurrent ground-truth instrumentation.
• Abstract（参考訳）: ビデオに基づく人間の運動分析は、臨床および研究における運動評価の可能性を秘めている。 しかし、MMMC(Multi-view markerless motion capture)の臨床的実装と信頼性は、正確であるのに加えて、これらのシステムは信頼できる信頼区間を生成して、どの個人にとってもどれだけ正確かを示す必要がある。 本研究は, 確率的MMMC法のキャリブレーションと信頼性について検討した。 本研究では,2施設の68人の参加者のデータを分析し,計器式歩行路と標準マーカーを用いたモーションキャプチャーに対するモデルの有効性を検証した。 我々は、期待校正誤差(ECE)を用いて、信頼区間の校正を計測した。 このモデルは信頼性の高いキャリブレーションを示し、一般にステップ長とストライド長およびバイアス補正された歩行運動学のECE値が0.1である。 下肢関節の1.5度から3.8度に偏り補正されたキネマティック誤差は,それぞれ16mm,12mmの正中ステップとストライド長の誤差を観察した。 キャリブレーションECEと一致して、モデルの予測された不確実性の大きさは、観測された誤差測定と強く相関した。 これらの結果から, 確率論的モデル再構成は, エピステマ性不確実性を定量的に評価し, 同時に地下構造計測を必要とせず, 信頼性の低いアウトプットを同定できることが示唆された。

関連論文リスト

• Biomechanical Reconstruction with Confidence Intervals from Multiview Markerless Motion Capture [2.07180164747172]
  特定のカメラ構成を用いて分析した特定の個人から特定のキネマティック推定値に対する信頼区間を示す。 我々は、異なる生体力学モデルを用いて、軌道の最適化されたエンドツーエンドの暗黙の表現を用いて、これまでの研究を拡張した。 この後続確率は変動近似によって学習され、試行において各時点における個々の関節に対する信頼区間を推定する。
  論文  参考訳（メタデータ） (2025-02-10T14:04:57Z)
• A Confidence Interval for the $\ell_2$ Expected Calibration Error [35.88784957918326]
  我々は信頼区間を$ell$ expected the Error (ECE) で開発する。 信頼性キャリブレーションの一般的な概念とキャリブレーションの両方を含む,トップ1からk$のキャリブレーションを考える。 ECEのデバイアスド推定器では、正規性を示すが、校正モデルとミスドモデルに対する収束率と分散は異なる。
  論文  参考訳（メタデータ） (2024-08-16T20:00:08Z)
• Assessing the Probabilistic Fit of Neural Regressors via Conditional Congruence [2.13382635602206]
  このミスアライメントを測定するための既存のアプローチは、主にキャリブレーションの枠組みの下で開発されている。 本稿では,CCE(Congruence Error)という,学習した予測分布とデータセット内の経験的条件分布との間の距離を,条件付きカーネルの平均埋め込みを用いて推定する手法を提案する。 我々は高次元回帰タスクを行い、CCEが4つの重要な特性を示すことを示す: $textitcorrectness$, $textitmonotonicity$, $textitreliability$, $textitrobustness$。
  論文  参考訳（メタデータ） (2024-05-20T23:30:07Z)
• Calibrating Large Language Models with Sample Consistency [76.23956851098598]
  本稿では,複数サンプルモデル生成系の分布から信頼度を導出する可能性について,一貫性の3つの尺度を用いて検討する。 その結果、一貫性に基づくキャリブレーション手法は、既存のポストホック手法よりも優れていることがわかった。 種々のLMの特性に合わせて,キャリブレーションに適した整合性指標を選択するための実用的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-02-21T16:15:20Z)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)

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。