論文の概要: A Multi-Modal Dataset for Ground Reaction Force Estimation Using Consumer Wearable Sensors

• arxiv url: http://arxiv.org/abs/2603.28784v1
• Date: Thu, 19 Mar 2026 13:53:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:13.136081
• Title: A Multi-Modal Dataset for Ground Reaction Force Estimation Using Consumer Wearable Sensors
• Title（参考訳）: 消費者ウェアラブルセンサを用いた地中反応力推定のための多モードデータセット
• Authors: Parvin Ghaffarzadeh, Debarati Chakraborty, Koorosh Aslansefat, Ali Dostan, Yiannis Papadopoulos,
• Abstract要約: データセットには、時間整合慣性測定ユニット(IMU)とフォースプレートvGRF(Force_Z, 1000 Hz)による492の検証試験が含まれている。 このリリースには、生および処理された時系列、トライアルレベルのメタデータ、品質管理フラグ、マシン可読データ辞書が含まれている。 492の検証試験のうち、395は三脚完全であり、手首、腰、力板のデータを含んでおり、クロスセンサー分析と再現可能なモデル評価を可能にしている。
• 参考スコア（独自算出の注目度）: 0.4349640169711269
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This Data Descriptor presents a fully open, multi-modal dataset for estimating vertical ground reaction force (vGRF) from consumer-grade Apple Watch sensors with laboratory force plate ground truth. Ten healthy adults aged 26--41 years performed five activities: walking, jogging, running, heel drops, and step drops, while wearing two Apple Watches positioned at the left wrist and waist. The dataset contains 492 validated trials with time-aligned inertial measurement unit (IMU) recordings (approximately 100 Hz) and force plate vGRF (Force\_Z, 1000 Hz). The release includes raw and processed time series, trial-level metadata, quality-control flags, and machine-readable data dictionaries. Trial-level matching manifests link recordings across modalities using stable identifiers. Of the 492 validated trials, 395 are triad-complete, containing wrist, waist, and force plate data, enabling cross-sensor analyses and reproducible model evaluation. Dataset quality is characterised through a three-phase cross-sensor plausibility and consistency framework, repeatability analysis of peak vGRF (intraclass correlation coefficient 0.871--0.990), and systematic checks of force ranges and trial completeness. Monte Carlo sensitivity analysis showed that correlation-based validation metrics were robust to single-sample timing perturbations at the IMU sampling resolution. All data are released under CC BY 4.0, with analysis scripts archived alongside the dataset and mirrored on GitHub. This resource supports reproducible research in wearable biomechanics, benchmarking of machine learning models for vGRF estimation, and investigation of sensor placement effects using widely available consumer wearables.
• Abstract（参考訳）: このData Descriptorは、Apple Watchの消費者グレードセンサーから垂直接地力(vGRF)を研究所の力板の真実で推定するための、完全にオープンなマルチモーダルデータセットを提供する。 26～41歳の健康な成人10人は、歩行、ジョギング、ランニング、ヒールドロップ、ステップドロップの5つの活動を行い、左手首と腰に2つのApple Watchを装着した。 データセットには、時間整合慣性測定ユニット(IMU)の記録(約100Hz)と力板vGRF(Force\_Z, 1000Hz)による492の検証試験が含まれている。 このリリースには、生および処理された時系列、トライアルレベルのメタデータ、品質管理フラグ、マシン可読データ辞書が含まれている。 試行レベルのマッチングは、安定した識別子を用いたモダリティ間のリンク記録を示す。 492の検証試験のうち、395は三脚完全であり、手首、腰、力板のデータを含んでおり、クロスセンサー分析と再現可能なモデル評価を可能にしている。 データセットの品質は、三相クロスセンサの可視性と一貫性の枠組み、ピークvGRF(イントラクラス相関係数0.871--0.990)の再現性解析、力範囲と試験完全性の体系的なチェックによって特徴づけられる。 モンテカルロ感度分析により,IMUサンプリング分解における単サンプルタイミング摂動に対して相関に基づく検証指標が頑健であることが判明した。 すべてのデータはCC BY 4.0でリリースされ、分析スクリプトはデータセットと一緒にアーカイブされ、GitHubにミラーリングされる。 このリソースは、ウェアラブルバイオメカニクスにおける再現可能な研究、vGRF推定のための機械学習モデルのベンチマーク、および広く利用可能な消費者向けウェアラブルを用いたセンサ配置効果の調査を支援する。

関連論文リスト

• Flexible Gravitational-Wave Parameter Estimation with Transformers [73.44614054040267]
  本稿では,予測時間における多様な解析設定への適応を可能にする,フレキシブルトランスフォーマーベースのアーキテクチャをトレーニング戦略と組み合わせて導入する。 我々は、Dingo-T1と呼ばれる単一のフレキシブルモデルが、第3のLIGO-Virgo-KAGRA観測ランから48の重力波イベントを解析できることを実証した。
  論文  参考訳（メタデータ） (2025-12-02T17:49:08Z)
• MoCap-Impute: A Comprehensive Benchmark and Comparative Analysis of Imputation Methods for IMU-based Motion Capture Data [4.498558555177452]
  ウェアラブル慣性計測ユニット(IMU)のモーションキャプチャ(MoCap)データは、スポーツ科学の応用に不可欠である。 多くの計算手法にもかかわらず、IMU由来のMoCap時系列データの体系的性能評価は欠落している。
  論文  参考訳（メタデータ） (2025-07-14T14:41:19Z)
• Classification of Cattle Behavior and Detection of Heat (Estrus) using Sensor Data [0.0]
  我々は、加速度計とジャイロセンサーを備えた安価なBluetoothベースの首首首輪を設計、展開し、実際の牛のリアルタイム行動データを収集した。 ラベル付きデータセットは、同期されたCCTV映像を使用して作成され、フィード、ルミネーション、嘘などの振る舞いに注釈を付ける。 実験では,93%以上の行動分類精度,96%のエストラス検出精度が得られた。
  論文  参考訳（メタデータ） (2025-06-19T15:00:23Z)
• Uncertainty-aware Long-tailed Weights Model the Utility of Pseudo-labels for Semi-supervised Learning [50.868594148443215]
  本研究では,不確かさを意識したアンサンブル構造(UES)を提案する。 UESは軽量でアーキテクチャに依存しないため、分類や回帰を含む様々なコンピュータビジョンタスクに容易に拡張できる。
  論文  参考訳（メタデータ） (2025-03-13T02:21:04Z)
• 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)
• The LuViRA Dataset: Synchronized Vision, Radio, and Audio Sensors for Indoor Localization [41.58739817444644]
  データセットには、カラー画像、対応する深度マップ、慣性測定ユニット(IMU)読み取り、5Gの大規模マルチインプットとMIMO(Multiple-output)テストベッドとユーザ機器のチャネル応答が含まれる。 これらのセンサーを同期させて、すべてのデータが同時に記録されるようにします。 このデータセットの主な目的は、ローカライゼーションタスクに最もよく使用されるセンサーとのセンサー融合の研究を可能にすることである。
  論文  参考訳（メタデータ） (2023-02-10T15:12:40Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing Things [82.15959827765325]
  環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。 我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。 我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
  論文  参考訳（メタデータ） (2022-07-14T10:04:18Z)
• Machine Learning-Based Unbalance Detection of a Rotating Shaft Using Vibration Data [0.0]
  アンバランス検出のためのアルゴリズムの開発と評価の基礎となるデータセットを公表する。 各アンバランス強度に対して、開発と評価データセットが利用可能である。 評価データセット上での予測精度は98.6%であり、完全に接続されたニューラルネットワークで最良の結果が得られる。
  論文  参考訳（メタデータ） (2020-05-26T14:11:32Z)

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。