論文の概要: Skeleton-Based Posture Classification to Promote Safer Walker-Assisted Gait in Older Adults

• arxiv url: http://arxiv.org/abs/2605.00890v1
• Date: Mon, 27 Apr 2026 13:28:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.453118
• Title: Skeleton-Based Posture Classification to Promote Safer Walker-Assisted Gait in Older Adults
• Title（参考訳）: 高齢者の歩行促進を目的とした骨格型姿勢分類
• Authors: Sergio D. Sierra M., Monica Sinha, Marcela Múnera, Carlos A. Cifuentes,
• Abstract要約: 高齢者の転倒は公衆衛生上の重大な問題であり、重傷、独立の喪失、医療費の増大につながっている。 本研究では,幾何的アプローチ,XGBoost,SVM,およびいくつかのディープラーニングアーキテクチャを含む各種モデルの有効性を評価する。 XGBoostは二進分類タスクでほぼ完璧な訓練精度を達成し、歩行選択で99.84%、立位対座で99.69%を達成した。
• 参考スコア（独自算出の注目度）: 1.0079626733116613
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Falls among older adults are a significant public health concern, leading to severe injuries, loss of independence, and increased healthcare costs. This study evaluates the effectiveness of various models, including a Geometric approach, XGBoost, SVM, and several deep learning architectures, in classifying walker usage, standing vs. sitting, and posture for smart walkers used. Geometric and XGBoost were the top performers. XGBoost achieved near-perfect training accuracy in binary classification tasks, with 99.84% for walker choice and 99.69% for standing vs. sitting. For posture classification, Geometric approach attained 89.9% accuracy for 8 postures, and XGBoost obtained 99.24% during training for 17 postures. Deep learning models such as the 4-layer CNN and Encoder-Decoder CNN also demonstrated strong performance in binary classification, with accuracies above 98%. This study underscores the potential of machine learning to enhance human-robot interaction in smart walkers, particularly for fall prevention.
• Abstract（参考訳）: 高齢者の転倒は公衆衛生上の重大な問題であり、重傷、独立の喪失、医療費の増大につながっている。 本研究では,幾何的アプローチ,XGBoost,SVM,およびいくつかのディープラーニングアーキテクチャを含む様々なモデルの有効性を評価する。 GeometricとXGBoostがトップパフォーマーだった。 XGBoostは二進分類タスクでほぼ完璧な訓練精度を達成し、歩行選択で99.84%、立位対座で99.69%を達成した。 姿勢分類では、幾何学的手法は8姿勢で89.9%の精度に達し、XGBoostは17姿勢で訓練中に99.24%を得た。 4層CNNやEncoder-Decoder CNNといったディープラーニングモデルも、バイナリ分類において強いパフォーマンスを示し、98%以上の精度を示した。 この研究は、スマートウォーカーにおける人間とロボットの相互作用を高める機械学習の可能性、特に転倒防止の可能性を浮き彫りにしている。

関連論文リスト

• Privacy-Preserving Sensor-Based Human Activity Recognition for Low-Resource Healthcare Using Classical Machine Learning [1.0312968200748118]
  医療インフラへのアクセスは限られており、高齢者や脆弱な患者は在宅医療に頼らざるを得ない。 ウェアラブル慣性センサと機械学習に基づく低コストで自動化されたヒューマンアクティビティ認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T19:35:02Z)
• Hierarchical Self-Supervised Adversarial Training for Robust Vision Models in Histopathology [64.46054930696052]
  敵対的攻撃は、医療のような重要な分野におけるビジョンモデルに重大な課題をもたらす。 既存の自己監督型逆行訓練手法は、病理像の階層構造を見落としている。 本稿では,これらの特性を活かした階層型自己監督適応訓練(HSAT)を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:59:47Z)
• Common 7B Language Models Already Possess Strong Math Capabilities [61.61442513067561]
  本稿では,LLaMA-2 7Bモデルと事前学習を併用したモデルが,すでに強力な数学的能力を示していることを示す。 拡張スケーリングの可能性は、公開されている数学の質問の不足によって制限されている。
  論文  参考訳（メタデータ） (2024-03-07T18:00:40Z)
• Explaining Deep Learning Models for Age-related Gait Classification based on time series acceleration [2.2770431622059792]
  ディープラーニングモデルは、歩行分析にビッグデータを使用することを約束している。 これらのモデル固有のブラックボックスの性質は、臨床応用に課題をもたらす。 本研究は,高齢者関連歩行パターンに対するDLに基づく歩行分類の透明性を高めることを目的としている。
  論文  参考訳（メタデータ） (2023-11-20T16:09:06Z)
• 3D Pose Based Feedback for Physical Exercises [87.35086507661227]
  ユーザが犯した誤りを識別する学習ベースのフレームワークを導入する。 私たちのフレームワークはハードコードされたルールに頼るのではなく、データからそれらを学ぶのです。 提案手法は90.9%の誤り識別精度を示し,94.2%の誤り訂正に成功した。
  論文  参考訳（メタデータ） (2022-08-05T16:15:02Z)
• Auto-Gait: Automatic Ataxia Risk Assessment with Computer Vision on Gait Task Videos [3.2268662749172097]
  脊髄小脳失調症(SCAs)と診断された89名,24名,65名から155本のビデオを収集した。 本研究では,参加者を周囲から分離する手法を開発し,歩幅,歩幅,揺動,安定性,速度などの歩行特性を捉えた。 リスク予測モデルは精度が83.06%、F1スコアが80.23%であり、同様に重大度評価モデルは平均絶対誤差(MAE)スコアが0.6225、ピアソン相関係数スコアが0.7268である。
  論文  参考訳（メタデータ） (2022-03-15T19:28:10Z)
• Posture Prediction for Healthy Sitting using a Smart Chair [0.0]
  腰痛は筋骨格障害や腰痛のリスク因子として認識されている。 本研究は、人物の座位姿勢を分類するための機械学習モデルを構築する。
  論文  参考訳（メタデータ） (2022-01-05T20:31:28Z)
• Performance or Trust? Why Not Both. Deep AUC Maximization with Self-Supervised Learning for COVID-19 Chest X-ray Classifications [72.52228843498193]
  ディープラーニングモデルのトレーニングでは、パフォーマンスと信頼の間に妥協をしなければなりません。 本研究は、新型コロナウイルス患者のコンピュータ支援スクリーニングのための自己教師型学習と新しい代理損失を統合したものである。
  論文  参考訳（メタデータ） (2021-12-14T21:16:52Z)
• Tactile Grasp Refinement using Deep Reinforcement Learning and Analytic Grasp Stability Metrics [70.65363356763598]
  解析的把握安定性指標が強化学習アルゴリズムの強力な最適化目標であることを示す。 幾何的および力量に依存しないグリップ安定性の指標を組み合わせることで、カブイドの平均成功率は95.4%となることを示す。 第2の実験では,触覚情報を持たないベースラインよりも,接触フィードバックで訓練したグリップリファインメントアルゴリズムが最大6.6%向上することを示した。
  論文  参考訳（メタデータ） (2021-09-23T09:20:19Z)
• To be Robust or to be Fair: Towards Fairness in Adversarial Training [83.42241071662897]
  逆行訓練アルゴリズムは、異なるデータ群間の精度と堅牢性に深刻な違いをもたらす傾向がある。 本稿では、敵防衛を行う際の不公平問題を軽減するためのFair-Robust-Learning(FRL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-13T02:21:54Z)

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。