Fugu-MT 論文翻訳(概要): Decoding Children's Gait Behavior

論文の概要: Decoding Children's Gait Behavior

arxiv url: http://arxiv.org/abs/2608.00371v1
Date: Sat, 01 Aug 2026 00:53:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:24.620065
Title: Decoding Children's Gait Behavior
Title（参考訳）: 子どもの歩行行動の復号化
Abstract要約: 我々は、人間の行動認識のための新しい問題領域、つまり、標準RGBビデオからの子どもの歩行行動の分析を導入する。対象は3～17歳児の起立パターンである。その臨床的価値にもかかわらず、現在の3Dセンサーベースの歩行分析システムは高価であり、侵入的であり、若い被験者には実用的ではないことが多い。
参考スコア（独自算出の注目度）: 38.15651454272919
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We introduce a new problem domain for human action recognition: the fine-grained analysis of children's gait behaviors from standard RGB video. We specifically target the ambulatory patterns of children aged 3-17 years. Such behaviors arise naturally in the diagnosis and treatment of several critical developmental and neuromuscular disorders, such as cerebral palsy and hemiplegia. Despite their clinical value, current 3D sensor-based gait analysis systems are expensive, intrusive, and often impractical for young subjects. To address this, we introduce a new dataset comprising over 1,100 high-frame-rate (60 FPS) video sequences from 110 subjects, accompanied by synchronized, anonymized pose sequences. In each session, the child performs a 5-second "walk-around" task, capturing the gait cycle from multiple viewpoints. Crucially, we demonstrate that current state-of-the-art approaches, including gait foundation models and Multimodal Large Language Models (MLLMs), fail to effectively resolve these clinical nuances. We identify the key technical challenges in analyzing these erratic and subtle motor patterns and describe a unified end-to-end framework for decoding fundamental components of pediatric gait. Through comprehensive experimental results, we demonstrate the potential of this dataset to drive novel research questions and establish a rigorous baseline for automated child gait assessment.
Abstract（参考訳）: 本稿では,通常のRGBビデオから子どもの歩行行動のきめ細かい分析を行う,人間の行動認識のための新しい問題領域を提案する。対象は3～17歳児の起立パターンである。このような行動は、脳性麻痺や片麻痺などのいくつかの重要な発達障害や神経筋疾患の診断と治療において自然に発生する。その臨床的価値にもかかわらず、現在の3Dセンサーベースの歩行分析システムは高価であり、侵入的であり、若い被験者には実用的ではないことが多い。そこで本研究では,110名の被験者から1,100以上の高フレームレート (60 FPS) ビデオシーケンスで構成された新しいデータセットを提案する。それぞれのセッションで、子供は5秒の「ウォークアラウンド」タスクを実行し、複数の視点から歩行サイクルを捉えます。重要なことは、歩行基盤モデルやマルチモーダル言語モデル(MLLM)を含む現在の最先端のアプローチが、これらの臨床的ニュアンスを効果的に解決できないことを実証する。我々は、これらの不安定で微妙な運動パターンを解析する上での重要な技術的課題を特定し、小児歩行の基本成分を復号するための統一的なエンドツーエンドフレームワークを記述する。包括的実験結果を通じて,このデータセットが新たな研究課題を推進し,児童歩行自動評価のための厳密なベースラインを確立する可能性を実証する。

関連論文リスト

NeoRed: A Knowledge-Logic-Alignment Multimodal Large Language Model for Neonatal Respiratory Disease Diagnosis [51.033331232872094]
新生児呼吸器疾患は、新生児の死亡と死亡の主な原因である。既存のMLLM(Multimodal Large Language Models)は、新生児診断において2つの重要な限界に直面している。我々は,新生児呼吸器疾患に適応した最初のMLLMであるNeoRedを提案する。
論文参考訳（メタデータ） (2026-09-03T08:24:38Z)
Beyond Benchmarks of IUGC: Rethinking Requirements of Deep Learning Methods for Intrapartum Ultrasound Biometry from Fetal Ultrasound Videos [58.71502465551297]
MICCAI 2024と共同でIUGC(Intrapartum Ultrasound Grand Challenge)が打ち上げられた。 IUGCは、標準的な平面分類、胎児の頭頂部生理的セグメンテーション、バイオメトリーを統合した、臨床指向のマルチタスク自動測定フレームワークを導入している。この課題は、これまでに3つの病院から収集された774のビデオ(68,106フレーム)を含む、最大規模のマルチセンターの超音波ビデオデータセットをリリースしている。
論文参考訳（メタデータ） (2026-02-13T13:28:22Z)
EEG Foundation Challenge: From Cross-Task to Cross-Subject EEG Decoding [63.898595224608464]
2つの課題からなる大規模なコードベースのコンペティションを導入します。 Transfer Challengeは参加者に対して,新たなタスクと新たな課題をEEGデータからゼロショットデコード可能なモデルの構築とテストを求めるものだ。精神病理因子予測チャレンジでは、参加者に脳波データからメンタルヘルスの指標を推測するよう求めている。
論文参考訳（メタデータ） (2025-06-23T21:25:19Z)
Enhancing Autism Spectrum Disorder Early Detection with the Parent-Child Dyads Block-Play Protocol and an Attention-enhanced GCN-xLSTM Hybrid Deep Learning Framework [6.785167067600156]
本研究は,ASDと発達幼児を区別する行動パターンを識別するための,親子ダイズブロックプレイ(PCB)プロトコルを提案する。 40人のASDと89人のTD幼児が親とのブロックプレイに従事している。このデータセットは、参加者の規模と個々のセッションの長さの両方に関する以前の取り組みを上回る。
論文参考訳（メタデータ） (2024-08-29T21:53:01Z)
Ensemble Modeling of Multiple Physical Indicators to Dynamically Phenotype Autism Spectrum Disorder [3.6630139570443996]
自閉症スペクトラム障害(ASD)に関連する表現型マーカーを検出するためのコンピュータビジョンモデルをトレーニングするためのデータセットを提供する。視線,頭位,顔のランドマークを入力として,LSTMを用いた個別モデルを訓練し,テストAUCは86%,67%,78%であった。
論文参考訳（メタデータ） (2024-08-23T17:55:58Z)
Dynamic Gaussian Splatting from Markerless Motion Capture can Reconstruct Infants Movements [2.44755919161855]
本研究は,多様な臨床集団に適用可能な高度な運動分析ツールの道を開くものである。マーカーレスモーションキャプチャーデータに対する動的ガウススプラッティングの適用について検討した。以上の結果から,この手法が乳幼児の情景を表現し,乳幼児の動きを追跡できる可能性が示唆された。
論文参考訳（メタデータ） (2023-10-30T11:09:39Z)
Vision-Based Activity Recognition in Children with Autism-Related Behaviors [15.915410623440874]
臨床医や親が子どもの行動を分析するのに役立つ地域型コンピュータビジョンシステムの効果を実証する。データは、ビデオ中の対象の子供を検出し、背景雑音の影響を低減することで前処理される。時間的畳み込みモデルの有効性から,ビデオフレームから動作特徴を抽出できる軽量モデルと従来モデルの両方を提案する。
論文参考訳（メタデータ） (2022-08-08T15:12:27Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文参考訳（メタデータ） (2020-04-03T14:07:41Z)
1-D Convlutional Neural Networks for the Analysis of Pupil Size Variations in Scotopic Conditions [79.71065005161566]
1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
論文参考訳（メタデータ） (2020-02-06T17:25:37Z)

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。