論文の概要: Assessing Low Back Movement with Motion Tape Sensor Data Through Deep Learning

• arxiv url: http://arxiv.org/abs/2602.11465v1
• Date: Thu, 12 Feb 2026 00:51:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.592098
• Title: Assessing Low Back Movement with Motion Tape Sensor Data Through Deep Learning
• Title（参考訳）: 深層学習によるモーションテープセンサデータによる低背運動の評価
• Authors: Jared Levy, Aarti Lalwani, Elijah Wyckoff, Kenneth J. Loh, Sara P. Gombatto, Rose Yu, Emilia Farcas,
• Abstract要約: 背中の痛みは人口の大部分に影響を及ぼし、しばしば腰の特定の動きによって悪化する。 モーションキャプチャーセンサーの高忠実度データは、異なる動きの分類に利用できるが、これらのセンサーは、自由生活環境での使用には費用がかかり実用的ではない。 Motion Tape(MT)は、ファブリックベースのウェアラブルセンサーで、低コストでポータブルである。 本研究では,MTデータに基づくディープラーニング分類パイプラインであるMotion-Tape Augmentation Inference Model (MT-AIM)を提案する。
• 参考スコア（独自算出の注目度）: 18.9874861516187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Back pain is a pervasive issue affecting a significant portion of the population, often worsened by certain movements of the lower back. Assessing these movements is important for helping clinicians prescribe appropriate physical therapy. However, it can be difficult to monitor patients' movements remotely outside the clinic. High-fidelity data from motion capture sensors can be used to classify different movements, but these sensors are costly and impractical for use in free-living environments. Motion Tape (MT), a new fabric-based wearable sensor, addresses these issues by being low cost and portable. Despite these advantages, novelty and variability in sensor stability make the MT dataset small scale and inherent to noise. In this work, we propose the Motion-Tape Augmentation Inference Model (MT-AIM), a deep learning classification pipeline trained on MT data. In order to address the challenges of limited sample size and noise present within the MT dataset, MT-AIM leverages conditional generative models to generate synthetic MT data of a desired movement, as well as predicting joint kinematics as additional features. This combination of synthetic data generation and feature augmentation enables MT-AIM to achieve state-of-the-art accuracy in classifying lower back movements, bridging the gap between physiological sensing and movement analysis.
• Abstract（参考訳）: 背中の痛みは人口の大部分に影響を及ぼし、しばしば腰の特定の動きによって悪化する。 これらの動きを評価することは、臨床医が適切な理学療法を受けるのを助けるために重要である。 しかし,院外から遠隔で患者の動きを監視することは困難である。 モーションキャプチャーセンサーの高忠実度データは、異なる動きの分類に利用できるが、これらのセンサーは、自由生活環境での使用には費用がかかり実用的ではない。 Motion Tape(MT)は、ファブリックベースのウェアラブルセンサーで、低コストでポータブルである。 これらの利点にもかかわらず、センサ安定性の新規性と可変性はMTデータセットを小さくし、ノイズに固有のものである。 本研究では,MTデータに基づくディープラーニング分類パイプラインであるMotion-Tape Augmentation Inference Model (MT-AIM)を提案する。 MT-AIMは、MTデータセット内に存在する限られたサンプルサイズとノイズの課題に対処するため、条件付き生成モデルを活用して所望の運動の合成MTデータを生成するとともに、関節キネマティクスを付加的な特徴として予測する。 この合成データ生成と機能拡張の組み合わせにより、MT-AIMは下肢運動の分類において最先端の精度を達成でき、生理的感覚と運動分析のギャップを埋めることができる。

関連論文リスト

• PUMPS: Skeleton-Agnostic Point-based Universal Motion Pre-Training for Synthesis in Human Motion Tasks [44.19486142246208]
  モーションスケルトンは、骨階層を変換することで3Dキャラクターアニメーションを駆動するが、比例や構造の違いにより、骨格間での移動が困難になる。 TPC(Temporal Point Clouds)は、構造化されていない、相互互換のモーション表現を提供する。 TPCデータのためのプリミティブオートエンコーダアーキテクチャであるPUMPSを提案する。
  論文  参考訳（メタデータ） (2025-07-27T08:20:49Z)
• SSPINNpose: A Self-Supervised PINN for Inertial Pose and Dynamics Estimation [0.0]
  慣性測定ユニット(IMU)は、モーションデータをキャプチャするための最小限の侵入性ソリューションを提供する。 現在のリアルタイム手法は教師あり学習に依存しており、そこでは実験室計測システムを用いて基底真理データセットを計測する必要がある。 IMUデータから直接関節運動学と運動学を推定する自己教師型物理インフォームニューラルネットワークであるSSPINNposeを提案する。
  論文  参考訳（メタデータ） (2025-06-13T13:47:27Z)
• Estimation of Head Motion in Structural MRI and its Impact on Cortical Thickness Measurements in Retrospective Data [4.072070248526498]
  MRIでは運動関連アーティファクトは避けられない これらのアーティファクトは、皮質厚みなどの自動神経解剖学的指標をバイアスすることができる。 ここでは、3次元畳み込みニューラルネットワークをトレーニングし、振り返りの定期的な研究スキャンで要約運動距離を推定する。
  論文  参考訳（メタデータ） (2025-05-29T18:08:59Z)
• K2MUSE: A human lower limb multimodal dataset under diverse conditions for facilitating rehabilitation robotics [15.245241949892584]
  K2MUSEデータセットには、運動、運動、振幅モード超音波(AUS)、表面筋電図(sEMG)の測定を含む、総合的なマルチモーダルデータの収集が含まれている。 このデータセットは、リハビリテーションロボットの制御フレームワークを設計し、下肢運動の生体力学的解析を行うための新しいリソースを提供する。
  論文  参考訳（メタデータ） (2025-04-20T13:03:56Z)
• 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)
• 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)
• Multimodal video and IMU kinematic dataset on daily life activities using affordable devices (VIDIMU) [0.0]
  本データセットの目的は,日常活動の認識と運動解析のために,手頃な価格の患者総運動追跡ソリューションへの道を開くことである。 i)選択した運動の臨床的関連性、(ii)安価なビデオとカスタムセンサーの併用、(iii)3Dボディのポーズ追跡とモーション再構成のマルチモーダルデータ処理のための最先端ツールの実装。
  論文  参考訳（メタデータ） (2023-03-27T14:05:49Z)
• Multi-Scale Control Signal-Aware Transformer for Motion Synthesis without Phase [72.01862340497314]
  マルチスケール制御信号認識変換器(MCS-T)を提案する。 MCS-Tは補助情報を用いてメソッドが生成した動作に匹敵する動作をうまく生成できる。
  論文  参考訳（メタデータ） (2023-03-03T02:56:44Z)
• Transformer Inertial Poser: Attention-based Real-time Human Motion Reconstruction from Sparse IMUs [79.72586714047199]
  本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。 提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
  論文  参考訳（メタデータ） (2022-03-29T16:24:52Z)
• 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)
• Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
  この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。 コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。 その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
  論文  参考訳（メタデータ） (2021-01-26T16:01:02Z)

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。