Fugu-MT 論文翻訳(概要): Quantitative Movement Testing: Measuring Patient Movements from a Single Smartphone Video

論文の概要: Quantitative Movement Testing: Measuring Patient Movements from a Single Smartphone Video

arxiv url: http://arxiv.org/abs/2606.02301v1
Date: Mon, 01 Jun 2026 14:23:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 21:34:32.275459
Title: Quantitative Movement Testing: Measuring Patient Movements from a Single Smartphone Video
Title（参考訳）: 定量的運動検査:1台のスマートフォンビデオから患者の動きを測定する
Authors: Pranav Mahajan, Amanda Wall, Eleonora Maria Camerone, Julie Stebbins, Eoin Kelleher, Shuangyi Tong, Annina Schmid, Katja Wiech, Anushka Irani, Ben Seymour,
Abstract要約: 慢性的な痛みは機能能力の低下によって生活の質を低下させる。光モーションキャプチャは、変化した動きの質を評価するための高精度を提供する。我々は,標準的なモノクラースマートフォンビデオから3Dキネマティックバイオマーカーを抽出するコンピュータビジョンパイプラインを開発した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Chronic pain diminishes quality of life by decreasing functional ability, yet objectively measuring this functional impact remains challenging in real-world settings. While optical motion capture provides high precision for assessing altered movement quality, it is costly and restricted to laboratory environments. We aimed to develop and validate Quantitative Movement Testing (QMT), a computer vision pipeline extracting 3D kinematic biomarkers from standard monocular smartphone video, balancing clinical accessibility with biomechanical accuracy. We validated the QMT pipeline, utilising deep learning-based 3D pose-estimation, against gold-standard optical motion capture in healthy controls (N=13). Following leave-one-subject-out calibration to correct systematic bias, we deployed QMT in two prospective clinical cohorts to assess real-world utility: a pre- and post-intervention trial for fibromyalgia patients, and a 30-day longitudinal at-home monitoring study of chronic sciatica patients and healthy controls. In laboratory validation, QMT extracted clinical kinematic metrics with high agreement to optical motion capture, yielding strong correlations (r > 0.85) and low mean absolute errors. QMT demonstrated high test-retest reliability (r > 0.86) in fibromyalgia patients and successfully tracked day-to-day movement fluctuations in chronic sciatica. While real-world home settings introduced higher measurement variance than lab settings, QMT found group-level differences between healthy controls and sciatica patients based entirely on remote recordings. Monocular 3D pose estimation offers a scalable alternative to traditional assessments. QMT provides an objective, accessible biomarker for tracking disease progression and treatment response in clinical trials, though further research is needed to optimise reliability in home environments.
Abstract（参考訳）: 慢性的な痛みは機能能力の低下によって生活の質を低下させるが、現実の環境では、この機能的影響を客観的に測定することは困難である。光モーションキャプチャーは、変化した動きの質を評価するための高精度を提供するが、コストが高く、実験室環境に限定されている。標準的な単眼式スマートフォンビデオから3Dキネマティックバイオマーカーを抽出し,臨床アクセシビリティと生体力学的精度のバランスをとるコンピュータビジョンパイプラインであるQMTを開発した。健常者(N=13。)を対象に,深層学習に基づく3次元ポーズ推定を用いたQMTパイプラインの検証を行った。重症筋無力症患者に対するプレ・インターベンション・トライアル, 慢性坐骨神経痛患者の30日間の在宅モニタリング, 健康管理の2つの臨床コホートにQMTを投入した。実験室での検証では、QMTは、光学的モーションキャプチャーと高い一致で、強い相関(r > 0.85)と平均絶対誤差の低い臨床運動測定値を抽出した。 QMTは線維筋痛患者では高い再検査信頼性 (r > 0.86) を示し, 慢性坐骨筋症では日常の運動変動の追跡に成功した。実世界のホームセッティングは、実験室の設定よりも高い測定ばらつきを導入したが、QMTは、完全遠隔記録に基づく健康管理と坐骨神経患者のグループレベルの違いを発見した。単眼の3Dポーズ推定は、従来のアセスメントに代わるスケーラブルな代替手段を提供する。 QMTは、臨床治験における疾患進行と治療反応を追跡するための客観的かつアクセス可能なバイオマーカーを提供するが、家庭環境の信頼性を最適化するためには、さらなる研究が必要である。

関連論文リスト

Machine Learning-Based Real-Time Detection of Compensatory Trunk Movements Using Trunk-Wrist Inertial Measurement Units [0.36136619420474764]
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。
論文参考訳（メタデータ） (2026-04-14T11:17:05Z)
Beyond Prompt: Fine-grained Simulation of Cognitively Impaired Standardized Patients via Stochastic Steering [58.85421622061983]
認知障害患者の微粒化シミュレーションのためのStsPatientを提案する。対照的な命令と応答のペアからステアリングベクトルを抽出することにより、ドメイン固有の特徴を捉える。 StsPatientは、臨床の信頼性と重症度の両方において、ベースラインを著しく上回る。
論文参考訳（メタデータ） (2026-04-14T02:37:46Z)
Benchmarking Multi-turn Medical Diagnosis: Hold, Lure, and Self-Correction [72.89352076103889]
大規模言語モデル (LLM) は, 臨床情報がすべて一ターンで提供される場合に, 高い精度で診断を行う。 1,035例からなる高忠実多ターン診断ベンチマークであるMINTを導入する。診断決定に大きな影響を及ぼす3つの永続的な行動パターンを明らかにする。
論文参考訳（メタデータ） (2026-04-06T00:23:10Z)
A Non-Invasive 3D Gait Analysis Framework for Quantifying Psychomotor Retardation in Major Depressive Disorder [4.909486568908741]
単眼のRGB動画を臨床的に関連する3次元歩行運動学に変換する非侵襲的な計算フレームワークを提案する。このパイプラインは、単一のカメラキャプチャから297個の明示的な歩行生体力学的バイオマーカーを抽出することを可能にする。本手法は,精神運動遅滞(PMR)の検出において83.3%の精度を実現し,うつ病重症度の64%のばらつきを説明できる。
論文参考訳（メタデータ） (2026-01-27T12:07:21Z)
OmniTFT: Omni Target Forecasting for Vital Signs and Laboratory Result Trajectories in Multi Center ICU Data [12.22073008865211]
OmniTFTは、高頻度のバイタルサインを共同で学習し、予測する深層学習フレームワークである。スライディングウィンドウ等化サンプリング、周波数認識型埋め込み収縮、階層変数選択、影響対応型アテンションキャリブレーションの4つの新しい手法を実装している。 MIMIC-III、MIMIC-IV、およびeICUデータセットにおいて、バイタルサインと実験結果の両方で大幅な性能向上を実現している。
論文参考訳（メタデータ） (2025-11-23T05:17:22Z)
From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
論文参考訳（メタデータ） (2025-08-13T17:56:29Z)
Portable Biomechanics Laboratory: Clinically Accessible Movement Analysis from a Handheld Smartphone [1.3060095849496556]
人の動きは、神経学的および筋骨格の健康を直接反映したものだが、臨床実践において最も利用されていない重要な兆候の1つである。データ収集のためのセキュアでクラウド対応のスマートフォンアプリと、このデータにバイオメカニクスモデルを適用するための新しいアルゴリズムを含む、ポータブルバイオメカニクス研究所(PBL)を紹介します。
論文参考訳（メタデータ） (2025-07-11T02:29:26Z)
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)
Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
論文参考訳（メタデータ） (2025-02-10T13:33:12Z)
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)
A marker-less human motion analysis system for motion-based biomarker discovery in knee disorders [60.99112047564336]
NHSは低リスクの全ての患者に会うのが難しくなっているが、これはOA患者に限らない。膝関節疾患の診断と治療経過のモニタリングのためのバイオマーカー自動同定法を提案する。
論文参考訳（メタデータ） (2023-04-26T16:47:42Z)

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。