論文の概要: Estimation of Ground Reaction Forces from Kinematic Data during Locomotion

• arxiv url: http://arxiv.org/abs/2602.03177v1
• Date: Tue, 03 Feb 2026 06:45:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.121884
• Title: Estimation of Ground Reaction Forces from Kinematic Data during Locomotion
• Title（参考訳）: 運動中の運動データからの地中反応力の推定
• Authors: Gautami Golani, Dong Anh Khoa To, Ananda Sidarta, Arun-Kumar Kaliya-Perumal, Oliver Roberts, Lek Syn Lim, Jim Patton, Domenico Campolo,
• Abstract要約: グラウンド・リアクション・フォース(GRF)は、人間の歩行力学に関する基本的な洞察を与え、関節の荷重、手足対称性、バランス制御、運動機能を評価するために広く用いられている。 臨床関連性にもかかわらず、力板システムの実用的限界のため、GRFの使用は未利用のままである。 マーカーベースモーションキャプチャーデータのみを用いてGRFを推定するための力板レス手法を提案する。
• 参考スコア（独自算出の注目度）: 0.5447618581501937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ground reaction forces (GRFs) provide fundamental insight into human gait mechanics and are widely used to assess joint loading, limb symmetry, balance control, and motor function. Despite their clinical relevance, the use of GRF remains underutilised in clinical workflows due to the practical limitations of force plate systems. In this work, we present a force-plate-free approach for estimating GRFs using only marker-based motion capture data. This kinematics only method to estimate and decompose GRF makes it well suited for widespread clinical depolyment. By using kinematics from sixteen body segments, we estimate the centre of mass (CoM) and compute GRFs, which are subsequently decomposed into individual components through a minimization-based approach. Through this framework, we can identify gait stance phases and provide access to clinically meaningful kinetic measures without a dedicated force plate system. Experimental results demonstrate the viability of CoM and GRF estimation based solely on kinematic data, supporting force-plate-free gait analysis.
• Abstract（参考訳）: グラウンド・リアクション・フォース(GRF)は、人間の歩行力学に関する基本的な洞察を与え、関節の荷重、手足対称性、バランス制御、運動機能を評価するために広く用いられている。 臨床関連性にもかかわらず、力板システムの実用的限界のため、臨床ワークフローではGRFの使用は未使用のままである。 本研究では,マーカーベースのモーションキャプチャデータのみを用いてGRFを推定するための力板レス手法を提案する。 GRFを推定・分解するこのキネマティックス法は、広範に臨床分解に適している。 16個のボディーセグメントからキネマティクスを用いて質量の中心(CoM)を推定し、その後、最小化に基づくアプローチにより個々の成分に分解されるGRFを計算する。 この枠組みにより、歩行姿勢の位相を識別し、専用の力板システムなしで臨床的に有意な運動学的指標にアクセスすることができる。 実験結果から,力板フリー歩行解析を支援する運動データのみに基づくCoMおよびGRF推定の有効性が示された。

関連論文リスト

• Movement-Specific Analysis for FIM Score Classification Using Spatio-Temporal Deep Learning [0.7388859384645262]
  機能的自立度尺度(FIM)は、日常生活活動における患者の身体的自立度を評価するために広く用いられている。 指定されたFIM評価行動とは異なる簡単なエクササイズを利用する自動FIMスコア推定法を提案する。
  論文  参考訳（メタデータ） (2025-11-13T09:54:32Z)
• Migration as a Probe: A Generalizable Benchmark Framework for Specialist vs. Generalist Machine-Learned Force Fields [1.572216094651749]
  機械学習力場(MLFF)は、分子動力学スケールでのアブ初期レベルの精度を実現することによって、計算材料科学を変革している。 研究者たちは、スペシャリストモデルをスクラッチから訓練するか、ファウンデーショナリストのファンデーションモデルを使うべきか、ハイブリッドアプローチを使うべきか? 本稿では, 弾性バンドトラジェクトリを用いて診断プローブとして評価する, 欠陥マイグレーション経路を用いたベンチマークフレームワークを提案する。 微調整モデルでは、運動特性に対するゼロショットおよびゼロショットのアプローチよりも大幅に優れるが、長距離物理学の部分的な損失を示す。
  論文  参考訳（メタデータ） (2025-08-27T13:24:41Z)
• Ground Reaction Force Estimation via Time-aware Knowledge Distillation [5.978533538941755]
  地上反応力(GRF)は、移動中に身体が地面とどのように相互作用するかに関する重要な情報を提供する。 計器式トレッドミルは歩行中にGRFを測定するための金の標準として広く使用されている。 インソールセンサデータからGRF推定を行うための時間認識知識蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:19:02Z)
• Universally applicable and tunable graph-based coarse-graining for Machine learning force fields [2.562432568682358]
  本報告では, トランスファー可能な DL ベースの CG 力場アプローチを, 幅広いバイオシステムに対して提案する。 我々のCGアルゴリズムは、ハードコードされた規則に頼らず、最小の統計的雑音に最適化された粗粒度のシステムを出力するように調整されている。 我々の力場モデルは、MACEアーキテクチャに基づく最初のCG変種であり、カスタムデータセットで訓練されている。
  論文  参考訳（メタデータ） (2025-03-24T16:55:53Z)
• 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-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• CoRRECT: A Deep Unfolding Framework for Motion-Corrected Quantitative R2* Mapping [9.783361575598025]
  CoRRECTは、定量的MRI(qMRI)のための統合深部展開(DU)フレームワークである モデルベースのエンドツーエンドニューラルネットワーク、モーションアーティファクトリダクションの方法、自己教師型学習スキームで構成されている。 実験で収集したmGRE(Multi-Gradient-Recalled Echo) MRIデータから,CoRRECTは高速な取得設定で動きと不均一なアーチファクトのないR2*マップを復元することを示した。
  論文  参考訳（メタデータ） (2022-10-12T15:49:51Z)
• Organic Priors in Non-Rigid Structure from Motion [102.41675461817177]
  本稿では,従来の非剛体構造における有機前駆体(NRSfM)の利用を提唱する。 この論文の主な貢献は、NRSfMを解くために、そのような有機的な先駆体を効果的に活用できる、シンプルで方法論的で実践的な方法を提案することである。
  論文  参考訳（メタデータ） (2022-07-13T15:07:50Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)

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。