論文の概要: Generating Personalized Lower-Limb Kinematics Across Walking Speeds Using Subject-Conditioned Diffusion
- arxiv url: http://arxiv.org/abs/2607.07533v1
- Date: Wed, 08 Jul 2026 15:29:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.438756
- Title: Generating Personalized Lower-Limb Kinematics Across Walking Speeds Using Subject-Conditioned Diffusion
- Title（参考訳）: 主観性拡散を用いた歩行速度における個人化下肢運動量の生成
- Abstract要約: エクソスケルトンアシストのパーソナライズには、多くのロケータタスクにわたるユーザ固有の歩行データが必要である。
この研究は、未確認歩行速度でパーソナライズされた下肢キネマティクスを生成する主観条件付残留拡散フレームワークを導入する。
- 参考スコア（独自算出の注目度）: 1.0159681653887238
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Personalizing exoskeleton assistance requires user-specific gait data across many locomotor tasks, yet collecting this data demands repeated motion capture sessions that are costly, time-intensive, and especially burdensome for clinical populations. This challenge is most acute across walking speeds, where gait changes substantially and deviates further in clinical gait. This work introduces a subject-conditioned residual diffusion framework that generates personalized lower-limb kinematics at unseen walking speeds from a subject's gait sequence at a single seen speed. Given sagittal-plane hip, knee, and ankle trajectories at a seen speed and a desired unseen speed, the model generates a residual that transforms the seen trajectory into the unseen one, using a transformer denoiser conditioned on the subject's gait and the two speeds through feature-wise linear modulation. Trained only on able-bodied data, the model achieved a mean absolute error (MAE) of 3.4° on held-out able-bodied subjects. Without any stroke-specific fine-tuning, it achieved a 6.0° MAE on out-of-training-distribution stroke subjects, retaining subject identity for clinical gait. The framework reduced the MAE by over 70% relative to supervised feed-forward baselines, and a single seen speed matched the accuracy of four speeds within 0.4°. These results demonstrate that subject-conditioned residual diffusion can synthesize personalized gait across speeds from minimal data, reducing the collection burden for downstream exoskeleton personalization.
- Abstract（参考訳）: エクソスケルトンアシストのパーソナライズには、多くのロケータタスクにわたるユーザー固有の歩行データが必要であるが、このデータ収集には、コストが高く、時間を要する、特に臨床患者にとって負担のかかる、反復的なモーションキャプチャセッションが必要である。
この課題は歩行速度において最も急速であり、歩行は大幅に変化し、臨床歩行においてさらに逸脱する。
本研究は、被験者の歩行シーケンスから視認できない歩行速度で、パーソナライズされた下肢運動学を単一の視認速度で生成する、主観条件付き残留拡散フレームワークを提案する。
矢状面のヒップ、膝、足首の軌跡を視線速度と所望の未確認速度で与えられたモデルでは、被験者の歩行に条件付きトランスフォーマーデノイザーと2つの速度を特徴的に線形変調することで、視線を見えないものに変換する残差を生成する。
有能なデータのみに基づいて訓練されたこのモデルは、保持された有能な被験者に対して平均絶対誤差(MAE)が3.4°に達した。
脳卒中特異的な微調整がなければ、トレーニング外の脳卒中患者に対して6.0° MAEを達成し、臨床歩行の主観的同一性を維持した。
このフレームワークは、監督されたフィードフォワードベースラインと比較して、MAEを70%以上削減し、1回の観測速度は0.4°以内の4つのスピードの精度と一致した。
これらの結果から, 主観条件付き残差拡散は, 極小データからパーソナライズされた歩行を合成し, 下流エクソスケルトンパーソナライゼーションの収集負担を軽減できることが示唆された。
関連論文リスト
- Low-Rank Velocity Fields as a Structural Prior for Unsupervised 4D Medical Image Interpolation [18.528994588096076]
教師なしの4D医療画像は、訓練用に利用可能な開始と終了のボリュームのみを使用して、スパースサンプリングされたシーケンスから中間ボリュームを合成する。
この弱い制約条件は、しばしば不安定な境界と非生理学的運動を持つ中間体を生じさせ、解釈可能性や下流解析を制限する。
そこで我々は, 構造的タッカー低速度場に対する制約運動として, 低ランク速度場を提案する。
論文 参考訳（メタデータ） (2026-08-25T03:30:03Z) - GrainGS: Gradient-Decoupled Gaussian Splatting for Efficient Dynamic Novel View Synthesis [94.20462261657525]
GrainGSは階層的なアンカー足場とガウス単位の変形を組み合わせた動的フレームワークである。
高いリコンストラクション品質、リアルタイムの新規ビュー合成、コンパクトストレージを実現している。
論文 参考訳（メタデータ） (2026-07-23T15:52:35Z) - Spatial-Temporal Decoupled Adapter for Micro-gesture Online Recognition [23.516828286378836]
本稿では,映像適応を時間的・空間的に独立に分割する空間的分離適応器を提案する。
本手法は,第4回EI-Mi-JCAIチャレンジのトラック2にランクインしたF1スコア0.43808を達成する。
論文 参考訳（メタデータ） (2026-06-05T15:03:38Z) - Event-based Visual Deformation Measurement [76.25283405575108]
視覚的変形測定は、カメラ観測から表面の動きを追跡することによって、高密度な変形場を復元することを目的としている。
従来の画像ベースの手法は、対応検索空間を制限するため、最小限のフレーム間動作に依存している。
本研究では,時間的に密集した動きキューやフレームのイベントを利用して,空間的に密集した正確な推定を行うイベントフレーム融合フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-16T01:04:48Z) - Adaptive Visual Autoregressive Acceleration via Dual-Linkage Entropy Analysis [50.48301331112126]
我々は,Visual AutoRegressive モデリングのためのトレーニング不要なトークン削減促進フレームワーク NOVA を提案する。
NOVAは、スケールエントロピー成長の屈折点をオンライン同定することにより、推論中のアクティベーションアクティベーションスケールを適応的に決定する。
実験と解析により、NOVAはシンプルで効果的なトレーニングフリー加速フレームワークとして評価される。
論文 参考訳（メタデータ） (2026-02-01T17:29:42Z) - MiCA: A Mobility-Informed Causal Adapter for Lightweight Epidemic Forecasting [7.767240728772616]
移動データはノイズが多く、間接的であり、病気の記録と確実に統合することは困難である。
流行予測のための軽量モジュールであるMICA(Mobility-Informed Causal Adapter)を提案する。
MiCAは因果発見を通じてモビリティ関係を推論し、時間的予測モデルに統合する。
論文 参考訳（メタデータ） (2026-01-16T08:41:06Z) - A data-physics hybrid generative model for patient-specific post-stroke motor rehabilitation using wearable sensor data [17.28369129744061]
我々は,脳卒中生存者の神経筋制御を再構築するデータ物理ハイブリッド生成フレームワークを開発した。
11名の脳卒中生存者において, パーソナライズされたコントローラは, 関節角と終端の忠実さを改善しつつ, 慣性歩行パターンを保存した。
論文 参考訳（メタデータ） (2025-12-16T11:55:11Z) - OmniTraj: Pre-Training on Heterogeneous Data for Adaptive and Zero-Shot Human Trajectory Prediction [62.385417528148224]
OmniTrajは、大規模な異種データセットで事前トレーニングされたトランスフォーマーベースのモデルである。
実験によると、フレームレートを明示的に条件付けすることで、OmniTrajは最先端のゼロショット転送性能を実現することができる。
論文 参考訳（メタデータ） (2025-07-31T15:37:09Z) - X$^{2}$-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction [64.2059940799033]
現在の方法では、時間分解能を呼吸ゲーティング装置で固定相に識別する。
新規なフレームワークであるX$2$-Gaussianは、動的放射スプラッティングと自己監督型呼吸運動学習を統合することで、連続的な4DCT再構成を可能にする。
論文 参考訳（メタデータ） (2025-03-27T17:59:57Z) - Neural Graphics Primitives-based Deformable Image Registration for
On-the-fly Motion Extraction [9.599774878892665]
放射線治療における屈折内運動は、通常、変形性画像登録(DIR)を用いてモデル化される
既存の手法は、しばしば速度と精度のバランスをとるのに苦労し、臨床シナリオにおける適用性を制限する。
本研究では、ニューラルネットワークプリミティブ(NGP)を利用して変位ベクトル場(DVF)を最適化する新しいアプローチを提案する。
本手法を4D-CT肺データセットDIR-labで検証し,1.77秒で1.15pm1.15mmの目標登録誤差(TRE)を達成した。
論文 参考訳（メタデータ） (2024-02-08T11:09:27Z) - Efficient Deformable Tissue Reconstruction via Orthogonal Neural Plane [58.871015937204255]
変形性組織を再建するための高速直交平面(Fast Orthogonal Plane)を導入する。
我々は外科手術を4Dボリュームとして概念化し、それらをニューラルネットワークからなる静的および動的フィールドに分解する。
この分解により4次元空間が増加し、メモリ使用量が減少し、最適化が高速化される。
論文 参考訳（メタデータ） (2023-12-23T13:27:50Z) - Coordinate Transformer: Achieving Single-stage Multi-person Mesh
Recovery from Videos [91.44553585470688]
ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。
本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。
3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
論文 参考訳（メタデータ） (2023-08-20T18:23:07Z)
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。