論文の概要: Impact Detection in Fall Events: Leveraging Spatio-Temporal Graph Convolutional Networks and Recurrent Neural Networks Using 3D Skeletons Data

• arxiv url: http://arxiv.org/abs/2607.25710v1
• Date: Tue, 28 Jul 2026 13:33:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.857095
• Title: Impact Detection in Fall Events: Leveraging Spatio-Temporal Graph Convolutional Networks and Recurrent Neural Networks Using 3D Skeletons Data
• Title（参考訳）: 秋の事象における衝撃検出:3Dスケルトンデータを用いた時空間グラフ畳み込みネットワークとリカレントニューラルネットワークの活用
• Abstract要約: 転倒は65歳以上の人の間で大きな事故死のリスクがあり、世界的な健康上の懸念が浮かび上がっている。 本研究では,3次元関節骨格データをグラフとして利用することにより,転倒イベント内の影響を正確に検出する手法を提案する。 我々のアプローチは、誤った転倒と実際の影響を区別することで精度を高め、より良い医療資源配分に寄与する。
• 参考スコア（独自算出の注目度）: 1.1654568410166084
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Fall represents a significant risk of accidental death among individuals aged over 65, presenting a global health concern. A fall is defined as any event where a person loses balance and moves to an off-position, which may or may not result in an impact where the person hits the ground. While fall detection systems have achieved good results in general, impact detection within falls remains challenging. This study proposes an efficient methodology for accurately detecting impacts within fall events by incorporating 3D joints skeleton data treated as a graph using Spatio-Temporal Graph Convolutional Networks (STGCN), Gated Recurrent Unit (GRU), and Bidirectional Long Short-Term Memory (BiLSTM) layers. By pinpointing impact moments, our approach enhances precision by distinguishing between false falls and actual impacts, contributing to better healthcare resource allocation. Our methodology, evaluated using the improved 3D skeletons UP-Fall dataset, achieves accuracy exceeding 90\% across various fall scenarios. We have made this improved dataset publicly available at https://zenodo.org/records/12773013 to facilitate further research.
• Abstract（参考訳）: 転倒は65歳以上の人の間で大きな事故死のリスクがあり、世界的な健康上の懸念が浮かび上がっている。 転倒は、バランスを失い、オフポジションに移動するあらゆる事象として定義され、それは、人が地面にぶつかる影響をもたらすかもしれないし、起こらないかもしれない。 転倒検知システムは一般的に良い結果を得たが、転倒中の衝撃検出は依然として困難である。 本研究では,時空間グラフ畳み込みネットワーク(STGCN),GRU(Gated Recurrent Unit),Bidirectional Long Short-Term Memory(BiLSTM)を用いて3次元関節骨格データをグラフとして扱うことにより,転倒イベント内の影響を正確に検出する手法を提案する。 インパクトモーメントをピンポイントすることで、偽の転倒と実際の影響を区別することで精度を高め、より良い医療資源配分に寄与する。 改善された3DスケルトンUP-Fallデータセットを用いて評価した手法は,様々な転倒シナリオにおいて90%以上の精度を達成できる。 我々はこの改良されたデータセットをhttps://zenodo.org/records/12773013で公開し、さらなる研究を容易にした。

関連論文リスト

• DistillH-Mamba: A Hypergraph-Mamba-Based Knowledge Distillation Model for Efficient Impact Fall Detection [1.1654568410166084]
  高齢者の転倒は、その有病率、結果、社会的負担による公衆衛生上の重大な懸念を表している。 3つの重要なイノベーションを通じてこれらの課題に対処する,インパクトフォール検出のための新しいアーキテクチャであるDistillH-Mambaを提案する。 まず,複数関節間の高次関係を同時に捉えるハイパーグラフに基づく手法を提案する。 第2に、Mambaアーキテクチャとハイパーグラフを統合して、影響検出を行い、処理速度を大幅に高速化する。 第3に、リアルタイムの衝撃落下検出に対する計算要求を低減しつつ、重要な空間的・時間的関係を保った関係知識蒸留を用いる。
  論文  参考訳（メタデータ） (2026-07-03T09:56:57Z)
• An Improved 3D Skeletons UP-Fall Dataset: Enhancing Data Quality for Efficient Impact Fall Detection [1.806183113759115]
  秋検出研究の重要なリソースであるUP-Fallデータセットは、価値が証明されているが、データの正確性と包括性の制限に悩まされている。 本研究は,3Dスケルトンデータを組み込んだ衝撃落下検出のためのUP-Fallデータセットの改良について述べる。 我々の前処理技術は高いデータ精度と包括性を保証し、より信頼性の高い衝突落下検出を可能にする。
  論文  参考訳（メタデータ） (2025-02-26T11:02:44Z)
• Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
  本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。 疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。 実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
  論文  参考訳（メタデータ） (2024-11-20T00:43:32Z)
• Computer-Aided Fall Recognition Using a Three-Stream Spatial-Temporal GCN Model with Adaptive Feature Aggregation [0.5235143203977018]
  転倒予防は現代医療において特に高齢者にとって最重要である。 高齢者の生活を救うためには,コンピュータ支援による転倒検知システムが不可欠である。 本稿では,3流時空間特徴量に基づく転倒検出システムを提案する。
  論文  参考訳（メタデータ） (2024-08-22T08:40:04Z)
• GraphCloak: Safeguarding Task-specific Knowledge within Graph-structured Data from Unauthorized Exploitation [61.80017550099027]
  グラフニューラルネットワーク(GNN)は、さまざまな分野でますます普及している。 個人データの不正利用に関する懸念が高まっている。 近年の研究では、このような誤用から画像データを保護する効果的な方法として、知覚不能な毒殺攻撃が報告されている。 本稿では,グラフデータの不正使用に対する保護のためにGraphCloakを導入する。
  論文  参考訳（メタデータ） (2023-10-11T00:50:55Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Context-Aware Change Detection With Semi-Supervised Learning [0.0]
  地球観測データを用いた変化検出は、被災地における災害の影響を定量化する上で重要な役割を担っている。 Sentinel-2のようなデータソースは、豊富な光学情報を提供するが、しばしば雲のカバーによって妨げられる。 本研究では,変更検出タスクにおけるSentinel-2データのコントリビューションを評価するモデルを開発した。
  論文  参考訳（メタデータ） (2023-06-15T08:17:49Z)
• Deep Learning-based Fall Detection Algorithm Using Ensemble Model of Coarse-fine CNN and GRU Networks [7.624051346741515]
  本研究では,大小の畳み込みニューラルネットワークとゲートリカレントユニットを組み合わせたアンサンブルモデルを提案する。 提案したモデルは、それぞれ92.54%、96.13%、94.26%のリコール、精度、Fスコアを達成する。
  論文  参考訳（メタデータ） (2023-04-13T08:30:46Z)
• Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
  ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。 これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。 本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
  論文  参考訳（メタデータ） (2022-07-29T22:35:05Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Anatomy-aware 3D Human Pose Estimation with Bone-based Pose Decomposition [92.99291528676021]
  3次元関節位置を直接回帰するのではなく,骨方向予測と骨長予測に分解する。 私たちのモチベーションは、人間の骨格の骨の長さが時間とともに一定であることにあります。 我々の完全なモデルは、Human3.6MとMPI-INF-3DHPデータセットにおいて、以前の最高の結果よりも優れています。
  論文  参考訳（メタデータ） (2020-02-24T15:49:37Z)

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。