論文の概要: Sedentary Behavior Classification for Wearable Sensors with a CNN-BiLSTM Model

• arxiv url: http://arxiv.org/abs/2608.02946v1
• Date: Mon, 03 Aug 2026 23:23:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.959983
• Title: Sedentary Behavior Classification for Wearable Sensors with a CNN-BiLSTM Model
• Title（参考訳）: CNN-BiLSTMモデルを用いたウェアラブルセンサの鎮静行動分類
• Abstract要約: 本研究では、ヒップウーン加速度計データに基づいて訓練された深層学習モデルが、着座と非着座の分類のために手首加速度計データに転送できるかどうかを検討する。 ヒップ加速度計用に開発されたCNN-BiLSTMモデルであるCHAPを用いて、手首データに対するゼロショット性能を評価する。
• 参考スコア（独自算出の注目度）: 3.003700133703872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate detection of sedentary behavior is important for studying health risks related to prolonged sitting, but posture-based classification remains challenging with wearable sensors, especially at the wrist. We study whether a deep learning model trained on hip-worn accelerometer data can transfer to wrist-worn accelerometer data for sitting versus non-sitting classification. We use CHAP, a CNN-BiLSTM model originally developed for hip accelerometers, and evaluate its zero-shot performance on wrist data as well as its adaptation through finetuning with varying amounts of labeled wrist data. Experiments are conducted on the iWatch dataset with ground-truth posture labels derived from wearable cameras. The hip-trained model performs strongly on hip data without retraining, but accuracy drops on wrist data due to sensor placement shift. Finetuning CHAP provides consistent advantages over transformer models trained from scratch. These findings suggest that hip-based pretraining provides a useful starting point for wrist deployment, while highlighting the need for wrist-specific adaptation to handle higher signal variability.
• Abstract（参考訳）: 摂食行動の正確な検出は、長時間の着座に関連する健康リスクを研究する上で重要であるが、姿勢に基づく分類はウェアラブルセンサー、特に手首では困難である。 本研究では、ヒップウーン加速度計データに基づいて訓練された深層学習モデルが、着座と非着座の分類のために手首加速度計データに転送できるかどうかを検討する。 ヒップ加速度計用に開発されたCNN-BiLSTMモデルであるCHAPを用いて、手首データに対するゼロショット性能と、様々なラベル付き手首データによる微調整による適応性を評価する。 iWatchデータセットに、ウェアラブルカメラから派生した地道姿勢ラベルを用いた実験を行った。 ヒップトレーニングモデルは、リトレーニングすることなく、ヒップデータに強く作用するが、センサ配置シフトにより、手首データに精度が低下する。 微調整CHAPは、スクラッチからトレーニングされたトランスフォーマーモデルに対して一貫したアドバンテージを提供する。 以上の結果から, ヒップベースプレトレーニングは手首の展開に有用な出発点であり, 信号の変動に対処するための手首固有の適応の必要性を強調した。

関連論文リスト

• Supervised Cross-Modal Feature Alignment for Zero-Wearable Freezing of Gait Detection in Parkinsonism [0.0]
  パーキンソン病における歩行凍結(FoG)の客観的評価は主にウェアラブル慣性計測装置(IMU)に依存している 本稿では,これらの物理観測限界を解決するために,教師付きクロスモーダルサブスペース蒸留フレームワークを提案する。 最適化の間、IMUセンサーからの事前トレーニングされたキネマティックデータと文脈的臨床メタデータは、デプロイ可能なビジュアルアーキテクチャを導くためのオラクルとして機能する。
  論文  参考訳（メタデータ） (2026-09-08T06:40:50Z)
• STRIDE: Training Data Attribution via Sparse Recovery from Subset Perturbations [46.963298896594814]
  トレーニングデータ属性(Training Data Attribution)は、モデルの予測をトレーニングデータに遡る。 ほとんどのアプローチでは、勾配を使ってパラメータ空間でこの効果を近似する。 活性化空間におけるトレーニングデータの機能的効果をモデル化する。
  論文  参考訳（メタデータ） (2026-06-03T17:59:36Z)
• Joint Angle Estimation with Customized Wristband Based on Online Incremental Learning [13.41427943923829]
  本研究では,オンライン・インクリメンタル・ラーニング・アプローチを用いて手首関節の角度を推定するシステムを提案する。 その結果, ひずみ変動下では, センサの性能が良好であることが示唆された。
  論文  参考訳（メタデータ） (2026-05-28T11:15:48Z)
• Assessing Low Back Movement with Motion Tape Sensor Data Through Deep Learning [18.9874861516187]
  背中の痛みは人口の大部分に影響を及ぼし、しばしば腰の特定の動きによって悪化する。 モーションキャプチャーセンサーの高忠実度データは、異なる動きの分類に利用できるが、これらのセンサーは、自由生活環境での使用には費用がかかり実用的ではない。 Motion Tape(MT)は、ファブリックベースのウェアラブルセンサーで、低コストでポータブルである。 本研究では,MTデータに基づくディープラーニング分類パイプラインであるMotion-Tape Augmentation Inference Model (MT-AIM)を提案する。
  論文  参考訳（メタデータ） (2026-02-12T00:51:41Z)
• ReactEMG Stroke: Healthy-to-Stroke Few-shot Adaptation for sEMG-Based Intent Detection [5.38542280988393]
  表面筋電図(sEMG)は脳卒中後手指リハビリテーションのための有望な制御信号である。 発作性筋肉からの意図を検出するには、長大で主観的な校正が必要であり、変化に弱いままである。 本研究では,大規模能動sEMGで事前訓練したモデルからインテント検出器を初期化する健全なストローク適応パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:26:51Z)
• Classification of Cattle Behavior and Detection of Heat (Estrus) using Sensor Data [0.0]
  我々は、加速度計とジャイロセンサーを備えた安価なBluetoothベースの首首首輪を設計、展開し、実際の牛のリアルタイム行動データを収集した。 ラベル付きデータセットは、同期されたCCTV映像を使用して作成され、フィード、ルミネーション、嘘などの振る舞いに注釈を付ける。 実験では,93%以上の行動分類精度,96%のエストラス検出精度が得られた。
  論文  参考訳（メタデータ） (2025-06-19T15:00:23Z)
• emg2qwerty: A Large Dataset with Baselines for Touch Typing using Surface Electromyography [47.160223334501126]
  emg2qwertyは、QWERTYキーボードでタッチ入力しながら手首に記録された非侵襲的筋電図信号の大規模なデータセットである。 1,135のセッションが108ユーザと346時間の録画にまたがっており、これまでで最大の公開データセットである。 sEMG信号のみを用いたキープレッシャの予測において,高いベースライン性能を示す。
  論文  参考訳（メタデータ） (2024-10-26T05:18:48Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Predicting Ground Reaction Force from Inertial Sensors [13.505402421169213]
  グラウンド・リアクション・フォース(GRF)は、ランニングなどの動作で個人が経験した機械的荷重を特徴付けるために用いられる。 LSTMニューラルネットワークを用いた最先端予測とは対照的に,軽量なアプローチを検討する。 異なる競技者から収集したトレーニングデータを用いて,これらの手法の精度を評価する。
  論文  参考訳（メタデータ） (2023-11-04T00:44:40Z)
• Dataset Bias in Human Activity Recognition [57.91018542715725]
  このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。 時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
  論文  参考訳（メタデータ） (2023-01-19T12:33:50Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)

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。