論文の概要: EgoInertia-MI: A Multimodal Egocentric Vision and IMU Benchmark for Motor Impairment Assessment

• arxiv url: http://arxiv.org/abs/2607.03934v1
• Date: Sat, 04 Jul 2026 16:02:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.766392
• Title: EgoInertia-MI: A Multimodal Egocentric Vision and IMU Benchmark for Motor Impairment Assessment
• Title（参考訳）: EgoInertia-MI : 運動障害評価のためのマルチモーダル・エゴセントリックビジョンとIMUベンチマーク
• Abstract要約: EgoInertia-MIは、運動障害解析のために、エゴセントリックビデオとウェアラブルIMU信号を組み合わせたマルチモーダルベンチマークデータセットである。 エゴセントリックビデオは運動障害評価に強力な手がかりとなることを示す。 これらの知見は、エゴセントリックな視覚とウェアラブルセンシングを組み合わせることで、生態学的に妥当でプライバシーに配慮したモーターアセスメントの可能性を強調している。
• 参考スコア（独自算出の注目度）: 2.7963067040946723
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motor impairments, including tremor, bradykinesia, gait abnormalities, and postural instability, are common across many neurological and movement-related conditions. Conventional clinical assessments are often intermittent and may fail to capture subtle temporal variations in motor behavior. While wearable IMUs and third-person video have shown promise for objective motor assessment, third-person recordings raise privacy concerns and require constrained acquisition setups. In contrast, egocentric vision provides a more naturalistic and privacyaware alternative. In this work, we introduce EgoInertia-MI, a multimodal benchmark dataset combining synchronized egocentric video and wearable IMU signals for motor impairment analysis. The dataset contains 19 upper- and lower-body activities performed by healthy volunteers simulating varying levels of motor impairment severity levels: no impairment, mild impairment, and severe impairment. We establish two benchmark tasks: action recognition and motor impairment severity estimation, and evaluate multiple unimodal and multimodal baselines. Experimental results show that egocentric video provides strong cues for motor impairment assessment, while multimodal fusion achieves the best overall performance, reaching 0.78 Macro-F1 for severity estimation and 0.93 Macro-F1 for action recognition. These findings highlight the potential of combining egocentric vision and wearable sensing for ecologically valid and privacy-aware motor assessment. Code and data are available at:https://fatemah-alh.github.io/EgoInertia-MI-Page/.
• Abstract（参考訳）: 振動、ブレジキネシア、歩行異常、姿勢不安定などの運動障害は、多くの神経学的および運動関連条件で一般的である。 従来の臨床評価はしばしば断続的であり、運動行動の微妙な時間変化を捉えることができない。 ウェアラブルIMUと3人目のビデオは客観的な運動評価の約束を示しているが、第三者の録画はプライバシーの懸念を高め、制限された取得設定を必要とする。 対照的に、エゴセントリックなビジョンは、より自然主義的でプライバシーに配慮した代替手段を提供する。 本研究では,運動障害解析のための同期型エゴセントリックビデオとウェアラブルIMU信号を組み合わせたマルチモーダルベンチマークであるEgoInertia-MIを紹介する。 このデータセットは、健康なボランティアが行う19の上半身および下半身の活動を含み、運動障害の重症度(障害なし、軽度障害、重度障害)をシミュレートする。 動作認識と運動障害の重大度推定という2つのベンチマークタスクを確立し、複数の単一モードとマルチモーダルのベースラインを評価する。 実験の結果,エゴセントリックビデオは運動障害評価に強い手がかりを与え,マルチモーダルフュージョンは,重症度推定に0.78マクロF1,行動認識に0.93マクロF1に達する。 これらの知見は、エゴセントリックな視覚とウェアラブルセンシングを組み合わせることで、生態学的に妥当でプライバシーに配慮したモーターアセスメントの可能性を強調している。 コードとデータは、https://fatemah-alh.github.io/EgoInertia-MI-Page/.comで入手できる。

関連論文リスト

• Toward Postural State Classification in Immersive VR with Multimodal Data and Explainability Analysis [9.386262755183862]
  本研究では、視覚的摂動下での姿勢状態を分類するための機械学習(ML)とディープラーニング(DL)モデルを比較する。 キネマティック、筋電図(EMG)、電磁気放射能(EDA)信号を含むマルチモーダルデータセットを用いた。 モデルのうち、マムバにインスパイアされたCNN(MI-CNN)は96.76%の精度を達成した。
  論文  参考訳（メタデータ） (2026-08-28T20:31:00Z)
• ObsDriveBench: Benchmarking Multimodal Understanding under Adverse Weather with Observability Awareness [65.3988208273595]
  我々は、悪天候自律運転のための実世界のマルチモーダルベンチマークであるtextbfObsDriveBenchを紹介する。 我々のベンチマークは,textbfobservability awareness, textbfspatial reliability, textbfrisk-aware decision-makingの3つの機能ディメンションで設計されている。 実験により、既存の視覚言語モデルの一貫した性能劣化が明らかになった。
  論文  参考訳（メタデータ） (2026-07-26T08:13:46Z)
• A Physics-Grounded Benchmark for Multi-Agent Dynamics in World Models [96.64934195520802]
  我々は、世界モデルの物理的信頼性をストレステストするために設計された物理地上評価フレームワークであるCrashTwinを紹介する。 CrashTwinは、25K制御可能な合成12K実世界の衝突シーケンスを含む、多様なマルチエージェント衝突シナリオのデータセットを結合している。 本稿では,時間的一貫性,運動量,運動エネルギーの保存,世界力学の整合性という3つの次元を体系的に評価する診断スイートを提案する。
  論文  参考訳（メタデータ） (2026-06-27T06:13:35Z)
• Introducing WARM-VR: Benchmark Dataset for Multimodal Wearable Affect Recognition in Virtual Reality [12.32040756213776]
  WARM-VRは、没入型マルチセンサー環境における影響認識をサポートするために設計された、新しいデータセットである。 19～37歳の被験者31名からウェアラブルセンサーを用いてデータを収集した。
  論文  参考訳（メタデータ） (2026-04-30T20:00:56Z)
• ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
  本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。 我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。 その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
  論文  参考訳（メタデータ） (2026-03-03T18:59:29Z)
• MetAdv: A Unified and Interactive Adversarial Testing Platform for Autonomous Driving [85.04826012938642]
  MetAdvは、現実的でダイナミックでインタラクティブな評価を可能にする、新しい対向テストプラットフォームである。 フレキシブルな3D車両モデリングと、シミュレートされた環境と物理的環境のシームレスな遷移をサポートする。 生理的信号のリアルタイムキャプチャとドライバからの行動フィードバックを可能にする。
  論文  参考訳（メタデータ） (2025-08-04T03:07:54Z)
• Mind Your Vision: Multimodal Estimation of Refractive Disorders Using Electrooculography and Eye Tracking [12.016546264209536]
  本研究では,2つの眼球運動記録技術 (EOG) とビデオベースの眼球追跡技術を用いて屈折率を推定する受動的手法について検討した。 我々は長短期記憶(LSTM)モデルを訓練し、屈折パワーを単眼(EOGまたはアイトラッキング)とマルチモーダル構成から分類した。 その結果,マルチモーダルモデルは単調モデルよりも常に優れており,両方の設定で平均精度が最も高いことがわかった。
  論文  参考訳（メタデータ） (2025-05-24T06:03:45Z)
• MVICAD2: Multi-View Independent Component Analysis with Delays and Dilations [61.59658203704757]
  本稿では,時間的遅延と拡張の両面において,被験者間でソースを異にするMVICAD(Multi-View Independent Component Analysis with Delays and Dilations)を提案する。 本稿では, 正則化と最適化手法を用いて, 性能向上を図るため, 正則化と最適化手法を用いて, その可能性の近似を導出する。
  論文  参考訳（メタデータ） (2025-01-13T15:47:02Z)
• Cross-Attention is Not Enough: Incongruity-Aware Dynamic Hierarchical Fusion for Multimodal Affect Recognition [69.32305810128994]
  モダリティ間の同調性は、特に認知に影響を及ぼすマルチモーダル融合の課題となる。 本稿では,動的モダリティゲーティング(HCT-DMG)を用いた階層型クロスモーダルトランスを提案する。 HCT-DMG: 1) 従来のマルチモーダルモデルを約0.8Mパラメータで上回り、2) 不整合が認識に影響を及ぼすハードサンプルを認識し、3) 潜在レベルの非整合性をクロスモーダルアテンションで緩和する。
  論文  参考訳（メタデータ） (2023-05-23T01:24:15Z)
• Towards Continual Egocentric Activity Recognition: A Multi-modal Egocentric Activity Dataset for Continual Learning [21.68009790164824]
  UESTC-MMEA-CLという連続学習のためのマルチモーダル・エゴセントリックな活動データセットを提案する。 ビデオ、加速度計、ジャイロスコープの同期データを含み、32種類の日常活動が10人の参加者によって行われる。 RGB, 加速度, ジャイロスコープの3つのモードを別々に使用した場合に, エゴセントリックな活動認識の結果が報告される。
  論文  参考訳（メタデータ） (2023-01-26T04:32:00Z)
• GaitForeMer: Self-Supervised Pre-Training of Transformers via Human Motion Forecasting for Few-Shot Gait Impairment Severity Estimation [27.081767446317095]
  本稿では、GaitForeMer、Gait Forecastingおよび障害推定TransforMerを紹介する。 GaitForeMerは、歩行運動を予測するために、まず公開データセット上で事前訓練され、その後、歩行障害の重症度を予測するために臨床データに適用される。 F1スコアは0.76、精度は0.79、リコールは0.75である。
  論文  参考訳（メタデータ） (2022-06-30T21:29:47Z)
• Vision-based Estimation of MDS-UPDRS Gait Scores for Assessing Parkinson's Disease Motor Severity [39.51722822896373]
  パーキンソン病(英: Parkinson's disease、PD)は、運動機能に影響を及ぼす進行性神経疾患である。 PD障害の身体的重症度は、運動障害学会統一パーキンソン病評価尺度によって定量化することができる。 MDS-UPDRSの歩行スコアに基づいて、個人が撮影する非侵襲的な映像を観察し、3次元の身体骨格を抽出し、時間を通して追跡し、運動を分類するコンピュータビジョンベースモデルを提案する。
  論文  参考訳（メタデータ） (2020-07-17T11:49:30Z)

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。