論文の概要: Machine Learning-Based Real-Time Detection of Compensatory Trunk Movements Using Trunk-Wrist Inertial Measurement Units

• arxiv url: http://arxiv.org/abs/2604.12591v1
• Date: Tue, 14 Apr 2026 11:17:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.407579
• Title: Machine Learning-Based Real-Time Detection of Compensatory Trunk Movements Using Trunk-Wrist Inertial Measurement Units
• Title（参考訳）: Trunk-Wrist慣性測定器を用いた機械学習による補償トランク運動の実時間検出
• Authors: Jannis Gabler, Clément Lhoste, Max Quast, Laura Mayrhuber, Andrea Ronco, Olivier Lambercy, Paulius Viskaitis, Dane Donegan,
• Abstract要約: 脳卒中後によく見られる補償幹運動(CTM)は、不適応な運動パターンを引き起こす。 本研究では,2慣性測定ユニットの構成により,機械学習を用いたリアルタイムCTM検出が可能かどうかを検討する。
• 参考スコア（独自算出の注目度）: 0.36136619420474764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compensatory trunk movements (CTMs) are commonly observed after stroke and can lead to maladaptive movement patterns, limiting targeted training of affected structures. Objective, continuous detection of CTMs during therapy and activities of daily living remains challenging due to the typically complex measurements setups required, as well as limited applicability for real-time use. This study investigates whether a two-inertial measurement unit configuration enables reliable, real-time CTM detection using machine learning. Data were collected from ten able-bodied participants performing activities of daily living under simulated impairment conditions (elbow brace restricting flexion-extension, resistance band inducing flexor-synergy-like patterns), with synchronized optical motion capture (OMC) and manually annotated video recordings serving as reference. A systematic location-reduction analysis using OMC identified wrist and trunk kinematics as a minimal yet sufficient set of anatomical sensing locations. Using an extreme gradient boosting classifier (XGBoost) evaluated with leave-one-subject-out cross-validation, our two-IMU model achieved strong discriminative performance (macro-F1 = 0.80 +/- 0.07, MCC = 0.73 +/- 0.08; ROC-AUC > 0.93), with performance comparable to an OMC-based model and prediction timing suitable for real-time applications. Explainability analysis revealed dominant contributions from trunk dynamics and wrist-trunk interaction features. In preliminary evaluation using recordings from four participants with neurological conditions, the model retained good discriminative capability (ROC-AUC ~ 0.78), but showed reduced and variable threshold-dependent performance, highlighting challenges in clinical generalization. These results support sparse wearable sensing as a viable pathway toward scalable, real-time monitoring of CTMs during therapy and daily living.
• Abstract（参考訳）: 脳卒中後によく見られる補償幹運動(CTM)は、異常適応運動パターンを引き起こし、損傷した構造物の標的訓練を制限する。 治療や日常生活活動におけるCTMの客観的かつ連続的な検出は、通常複雑な測定設定が必要であり、リアルタイム使用に限定的な適用性のため、依然として困難である。 本研究では,2慣性測定ユニットの構成により,機械学習を用いたリアルタイムCTM検出が可能かどうかを検討する。 健常者10名を対象に, 膝関節屈曲抑制, 屈筋神経様パターン誘発抵抗バンド, 同期光モーションキャプチャー (OMC) , および手動による手動映像記録を行った。 OMCを用いた系統的位置推定法により,手首と体幹の運動学は最小かつ十分な解剖学的センシング位置として同定された。 極勾配強化分類器 (XGBoost) を用いて, この2-IMUモデルは, OMCベースモデルに匹敵する高い判別性能(macro-F1 = 0.80 +/- 0.07, MCC = 0.73 +/- 0.08; ROC-AUC > 0.93)を得た。 説明可能性分析の結果,トランクダイナミックスと手首-トランク相互作用の特徴が有意な寄与を示した。 神経疾患患者4名を対象に予備評価を行ったところ, 良好な判別能力(ROC-AUC ~ 0.78)は保たれたが, 有意な閾値依存性が認められ, 臨床一般化の課題が浮き彫りとなった。 これらの結果は、治療と日常生活におけるCTMのスケーラブルでリアルタイムなモニタリングへの有効な経路として、スパースウェアラブルセンシングを支援している。

関連論文リスト

• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Detection of Autonomic Dysreflexia in Individuals With Spinal Cord Injury Using Multimodal Wearable Sensors [2.208475400165877]
  自律神経障害 (AD) は、脊髄損傷者(SCI)の突然の血圧急上昇を特徴とする生命予後の1つである。 本研究では,マルチモーダルウェアラブルセンサを用いたAD検出のための非侵襲的,説明可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T21:18:23Z)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• GAITEX: Human motion dataset of impaired gait and rehabilitation exercises using inertial and optical sensors [0.769672852567215]
  本研究は, 理学療法と歩行関連運動のマルチモーダルデータセットについて述べる。 9つのIMUと68のマーカーからの全体キネマティクスを追跡するデータを含んでいる。 データセットには、運動品質評価とタイムスタンプ付きセグメンテーションが完全にアノテートされている。
  論文  参考訳（メタデータ） (2025-06-06T08:08:18Z)
• 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)
• MELON: Multimodal Mixture-of-Experts with Spectral-Temporal Fusion for Long-Term Mobility Estimation in Critical Care [1.5237145555729716]
  MELONは、医療現場における12時間移動状態を予測するための新しいフレームワークである。 フロリダ州ゲインズビルにあるフロリダ・ヘルス・サンズ病院の9つの集中治療室を受診した126名の患者を対象に,MELONモデルを訓練・評価した。 その結果、MELONは従来の12時間移動状態推定手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-03-10T19:47:46Z)
• Differentiable Biomechanics for Markerless Motion Capture in Upper Limb Stroke Rehabilitation: A Comparison with Optical Motion Capture [1.5719429447906519]
  Markerless Motion Captureは、臨床環境でのモーションキャプチャーに有望なアプローチを提供する。 本研究は, バイオメカニカルモデルを用いたMCCデータとOCCデータを用いて, 飲酒作業を行う15名の脳卒中患者のキーキネマティックな結果を比較した。
  論文  参考訳（メタデータ） (2024-11-22T15:02:29Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Machine Learning-based Signal Quality Assessment for Cardiac Volume Monitoring in Electrical Impedance Tomography [0.8541111605978491]
  臨床応用では、心臓の容積シグナルは、主に臨床介入中の患者の意図的な動きや避けられない動きのために、品質が低いことが多い。 本研究の目的は、運動人工物が一過性の心臓容積信号に与える影響を評価するための信号品質指標を作成することである。 提案手法は,臨床医が患者の症状に関する混乱を最小限に抑えるために,即時警告を提供するのに有効である。
  論文  参考訳（メタデータ） (2023-01-04T07:13:21Z)
• 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。