論文の概要: Activity Recognition from Smart Insole Sensor Data Using a Circular Dilated CNN

• arxiv url: http://arxiv.org/abs/2603.04477v1
• Date: Wed, 04 Mar 2026 15:27:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:10.9152
• Title: Activity Recognition from Smart Insole Sensor Data Using a Circular Dilated CNN
• Title（参考訳）: 円形CNNを用いたスマートインソールセンサデータからのアクティビティ認識
• Authors: Yanhua Zhao,
• Abstract要約: 圧力センサー、加速度計、ジャイロスコープを備えたスマートインソールは、人間の歩行と姿勢を監視する非侵襲的な手段を提供する。 本稿では,このようなインソールからマルチモーダル時系列データを処理する,円形拡張畳み込みニューラルネットワーク(CDCNN)に基づく活動分類システムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Smart insoles equipped with pressure sensors, accelerometers, and gyroscopes offer a non-intrusive means of monitoring human gait and posture. We present an activity classification system based on a circular dilated convolutional neural network (CDCNN) that processes multi-modal time-series data from such insoles. The model operates on 160-frame windows with 24 channels (18 pressure, 3 accelerometer, 3 gyroscope axes), achieving 86.42% test accuracy in a subject-independent evaluation on a four-class task (Standing, Walking, Sitting, Tandem), compared with 87.83% for an extreme gradient-boosted tree (XGBoost) model trained on flattened data. Permutation feature importance reveals that inertial sensors (accelerometer and gyroscope) contribute substantially to discrimination. The approach is suitable for embedded deployment and real-time inference.
• Abstract（参考訳）: 圧力センサー、加速度計、ジャイロスコープを備えたスマートインソールは、人間の歩行と姿勢を監視する非侵襲的な手段を提供する。 本稿では,このようなインソールからマルチモーダル時系列データを処理する,円形拡張畳み込みニューラルネットワーク(CDCNN)に基づく活動分類システムを提案する。 このモデルは、24チャンネルの160フレーム窓(圧力18圧力、3加速度計、3ジャイロスコープ軸)で動作し、4つのクラス(スタンディング、ウォーキング、シッティング、タンデム)で被験者に依存しない評価で86.42%の精度を達成する。 置換特性の重要性は、慣性センサー(加速度計とジャイロスコープ)が識別に大きく寄与していることを示している。 このアプローチは、組み込みデプロイメントとリアルタイム推論に適している。

関連論文リスト

• A Wearable Gait Monitoring System for 17 Gait Parameters Based on Computer Vision [4.318964235548601]
  このシステムは、片方の靴に取り付けられたステレオカメラを使って、反対側の靴のマーカーを追跡する。 靴のヒールに付着したFSR(Force Sensitive Resistor)と、カスタム設計のアルゴリズムを組み合わせることで、時間的歩行パラメータを測定する。 このシステムは費用対効果が高く、ユーザフレンドリで、実生活の計測に適している。
  論文  参考訳（メタデータ） (2024-11-16T08:25:22Z)
• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• PLEIADES: Building Temporal Kernels with Orthogonal Polynomials [6.2921559513184695]
  本稿では,基本関数から発生する時間的カーネルを含むPLEIA(Lynomial Expansion In Adaptive Distributed Event Systems)というニューラルネットワークのクラスを紹介する。 低レイテンシでオンライン分類と検出を行うために、これらのネットワークをイベントベースのデータで相互接続することに重点を置いている。
  論文  参考訳（メタデータ） (2024-05-20T17:06:24Z)
• Feature Pyramid biLSTM: Using Smartphone Sensors for Transportation Mode Detection [5.182070755214674]
  そこで本研究では,スマートフォンから収集したセンサデータの量を削減するために,新たなエンドツーエンドアプローチを提案する。 提案手法はFPbiLSTM(Feature Pyramid biLSTM)と呼ばれ,必要なセンサ数と処理要求を削減できることが特徴である。 FPbiLSTMはFeature Pyramid Networkで既存のCNN biLSTMモデルを拡張し、浅い層と深い層の特徴レジリエンスの両方の利点を活用する。
  論文  参考訳（メタデータ） (2023-10-17T09:13:10Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Deep Learning for Inertial Sensor Alignment [1.9773109138840514]
  慣性測定ユニット(IMU)を装備したスマートフォンのヨー装着角度を学習し,車に装着するデータ駆動型アプローチを提案する。 提案モデルは、IMUからの加速度計とジャイロスコープのみを入力として使用する。 トレーニングされたモデルはAndroidデバイスにデプロイされ、推定されたヨー装着角度の精度をテストするためにリアルタイムで評価される。
  論文  参考訳（メタデータ） (2022-12-10T07:50:29Z)
• Real-Time Human Pose Estimation on a Smart Walker using Convolutional Neural Networks [4.076099054649463]
  スマートウォーカのコンテキストにおける患者モニタリングとデータ駆動型ヒューマン・イン・ザ・ループ制御に対する新しいアプローチを提案する。 完全かつコンパクトなボディ表現を、リアルタイムおよび安価なセンサーから抽出することができる。 有望な結果にもかかわらず、現実のシナリオにおけるリハビリテーションツールとしてのパフォーマンスを評価するために、障害のあるユーザにより多くのデータを収集する必要がある。
  論文  参考訳（メタデータ） (2021-06-28T14:11:48Z)
• Driver2vec: Driver Identification from Automotive Data [44.84876493736275]
  Driver2vecは、センサーデータの短い10秒間隔からドライバを正確に識別することができる。 Driver2vecは、Nervtechが提供する51人のドライバーのデータセットでトレーニングされている。
  論文  参考訳（メタデータ） (2021-02-10T03:09:13Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)
• SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
  センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。 動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。 評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7～13%向上し,環境のダイナミクスが最大30%向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-04T23:06:56Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)

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。