論文の概要: Memory-Augmented LSTM Autoencoder for Unsupervised Activity Recognition with IMU Sensor Fusion

• arxiv url: http://arxiv.org/abs/2606.28377v1
• Date: Fri, 19 Jun 2026 06:28:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-05 17:01:29.603477
• Title: Memory-Augmented LSTM Autoencoder for Unsupervised Activity Recognition with IMU Sensor Fusion
• Title（参考訳）: IMUセンサフュージョンを用いた非教師付きアクティビティ認識のためのメモリ拡張LSTMオートエンコーダ
• Abstract要約: メモリ拡張オートエンコーダを用いた完全教師なし機能融合フレームワークを提案する。 短時間の時間的マルチセンサーデータによるアクティビティ表現を強化し、リアルタイムアプリケーションを可能にする。 本手法は,時間窓が短いにもかかわらず,特徴分離性を最大9%改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: HAR using Inertial Measurement Unit (IMU) sensors is vital for healthcare monitoring and rehabilitation. Despite deep learning advancements, major challenges remain: reliance on labeled data, multi-sensor fusion complexity, and the limited ability of unsupervised methods to capture spatiotemporal dependencies. These issues are pronounced in real-world scenarios with noisy data, overlapping activities, and missing labels. We propose a fully unsupervised spatiotemporal feature fusion framework using a memory-augmented autoencoder. It enhances activity representations via short temporal windows of multi-sensor IMU data, enabling real-time applications. Our framework extracts hierarchical static features via a Stacked Autoencoder, fusing them within and across sensors. A sequence-to-sequence LSTM Autoencoder then temporally refines these features, incorporating historical motion patterns without labels. We analyze key hyperparameters to identify configurations that maximize feature separability under short-window constraints. Evaluated on DaLiAc and PAMAP2 using realistic inter-class window segmentation, our method achieves 96.6% and 98.4% accuracy, respectively, surpassing supervised baselines and unsupervised approaches. Our method improves feature separability by up to 9% despite shorter temporal windows. While our realistic inter-class segmentation reduces accuracy by ~7%, it was intentionally adopted to better reflect real-world activity transitions and practical relevance.
• Abstract（参考訳）: IMU(Inertial Measurement Unit)センサーを用いたHARは、医療監視とリハビリには不可欠である。 深層学習の進歩にもかかわらず、ラベル付きデータへの依存、マルチセンサー融合の複雑さ、時空間依存をキャプチャするための教師なしメソッドの制限など、大きな課題が残っている。 これらの問題は、ノイズの多いデータ、重複するアクティビティ、ラベルの欠如といった現実のシナリオで発音される。 メモリ拡張オートエンコーダを用いた完全教師なし時空間機能融合フレームワークを提案する。 マルチセンサーIMUデータの短時間の時間ウィンドウによるアクティビティ表現を強化し、リアルタイムアプリケーションを可能にする。 当社のフレームワークは,Stacked Autoencoderを通じて階層的な静的機能を抽出し,センサ内およびセンサ間を融合する。 その後、シーケンシャル・ツー・シーケンスのLSTMオートエンコーダがこれらの特徴を時間的に洗練し、ラベルなしで歴史的な動きパターンを組み込む。 短時間の制約下で特徴分離性を最大化する構成を特定するために,キーハイパーパラメータを解析する。 リアルなクラス間ウィンドウセグメンテーションを用いてDaLiAcとPAMAP2を用いて評価し, 教師なしベースラインと教師なしアプローチを上回り, 96.6%, 98.4%の精度を実現した。 本手法は,時間窓が短いにもかかわらず,特徴分離性を最大9%改善する。 我々の現実的なクラス間セグメンテーションは精度を約7%削減するが、実世界の活動遷移と実践的関連性をよりよく反映するために意図的に採用された。

関連論文リスト

• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• MambaTAD: When State-Space Models Meet Long-Range Temporal Action Detection [94.12444452690329]
  本稿では,長距離モデリングとグローバル機能検出機能を導入した新しい状態空間TADモデルであるMambaTADを提案する。 MambaTADは、複数の公開ベンチマークで一貫して優れたTAD性能を達成する。
  論文  参考訳（メタデータ） (2025-11-22T06:04:29Z)
• DeepACTIF: Efficient Feature Attribution via Activation Traces in Neural Sequence Models [0.0]
  特徴属性は、医療、バイオメトリックス、人間とAIの相互作用といった時系列領域におけるディープラーニングモデルの解釈に不可欠である。 統合グラディエントやSHAPのような標準属性法は計算集約的であり、リアルタイムアプリケーションには適していない。 提案するDeepACTIFは,シークエンスモデルの内部アクティベーションを利用して,特徴の重要度を効率的に推定する,軽量かつアーキテクチャ対応な特徴属性手法である。
  論文  参考訳（メタデータ） (2025-09-18T15:47:05Z)
• SETransformer: A Hybrid Attention-Based Architecture for Robust Human Activity Recognition [7.291558599547268]
  ウェアラブルセンサデータを用いたヒューマンアクティビティ認識(HAR)は,モバイルコンピューティング,ヘルスケア,人間とコンピュータのインタラクションにおいて中心的な課題となっている。 本稿では、トランスフォーマーに基づく時間モデルと、チャネルワイド・サスペンション・アンド・エキサイティング(SE)アテンションと、学習可能な時間アテンションプーリング機構を組み合わせたハイブリッドディープニューラルネットワークSETransformerを提案する。 我々は、WISDMデータセット上でSETransformerを評価し、LSTM、GRU、BiLSTM、CNNベースラインといった従来のモデルよりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2025-05-25T23:39:34Z)
• Decomposing and Fusing Intra- and Inter-Sensor Spatio-Temporal Signal for Multi-Sensor Wearable Human Activity Recognition [12.359681612030682]
  本稿では,モダリティ変数間の関係をよりよくモデル化するDecomposeWHARモデルを提案する。 この分解は、改良されたDepth Separable Convolutionを通じて、各センサ内変数の高次元表現を生成する。 我々のモデルは、広く使われている3つのWHARデータセットにおいて優れた性能を示し、最先端のモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-01-19T01:52:28Z)
• HARMamba: Efficient and Lightweight Wearable Sensor Human Activity Recognition Based on Bidirectional Mamba [7.412537185607976]
  ウェアラブルセンサーによる人間の活動認識(HAR)は、活動知覚において重要な研究領域である。 HARMambaは、選択的な双方向状態空間モデルとハードウェア対応設計を組み合わせた、革新的な軽量で多用途なHARアーキテクチャである。 HarMambaは現代の最先端フレームワークより優れており、計算とメモリの要求を大幅に削減し、同等またはより良い精度を提供する。
  論文  参考訳（メタデータ） (2024-03-29T13:57:46Z)
• Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
  既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。 提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T02:35:22Z)
• STC-IDS: Spatial-Temporal Correlation Feature Analyzing based Intrusion Detection System for Intelligent Connected Vehicles [7.301018758489822]
  車両内通信トラフィック(STC-IDS)の時空間相関特性を用いた自動車侵入検出の新しいモデルを提案する。 具体的には、エンコーダ部では、空間的関係と時間的関係を同時に符号化する。 符号化された情報は検出器に渡され、強制的な空間的時間的注意特徴を生成し、異常分類を可能にする。
  論文  参考訳（メタデータ） (2022-04-23T04:22:58Z)
• Efficient Global-Local Memory for Real-time Instrument Segmentation of Robotic Surgical Video [53.14186293442669]
  手術器具の知覚における重要な手がかりとして,隣接するフレームからの局所的時間依存性と,長距離における大域的意味的相関があげられる。 本稿では,グローバルとローカルの両方の時間的知識を関連付ける新しいデュアルメモリネットワーク(DMNet)を提案する。 本手法は,実時間速度を維持しながらセグメント化精度を向上する手法である。
  論文  参考訳（メタデータ） (2021-09-28T10:10:14Z)
• An automatic differentiation system for the age of differential privacy [65.35244647521989]
  Tritiumは、微分プライベート(DP)機械学習(ML)のための自動微分ベース感度分析フレームワークである 我々は、微分プライベート(DP)機械学習(ML)のための自動微分に基づく感度分析フレームワークTritiumを紹介する。
  論文  参考訳（メタデータ） (2021-09-22T08:07:42Z)
• Temporal Memory Relation Network for Workflow Recognition from Surgical Video [53.20825496640025]
  本研究では, 長期および多スケールの時間パターンを関連づける, エンドツーエンドの時間メモリ関係ネットワーク (TMNet) を提案する。 我々はこのアプローチを2つのベンチマーク手術ビデオデータセットで広範囲に検証した。
  論文  参考訳（メタデータ） (2021-03-30T13:20:26Z)

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。