論文の概要: Hybrid Physics-AI Framework of Body Center of Mass Dynamics from Wrist-Worn Sensors

• arxiv url: http://arxiv.org/abs/2609.12304v1
• Date: Fri, 11 Sep 2026 00:17:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.573658
• Title: Hybrid Physics-AI Framework of Body Center of Mass Dynamics from Wrist-Worn Sensors
• Title（参考訳）: Wrist-Wornセンサーによる物質動態中心のハイブリッド物理AIフレームワーク
• Abstract要約: 本研究は、手首IMUをCOM加速度の体中心にマッピングする簡易キネマティックモデル(KM)を提案する。 人体キネマティックモデルベースニューラルネットワーク(HKM-NN)モデルを含む3種類のハイブリッドAIモデリング手法を提案する。 我々のKMモデルでは,歩行活動の6.7%から12.5%,立ち上がり遷移運動の5.6%の誤差で良好な結果が得られた。
• 参考スコア（独自算出の注目度）: 1.9993029372917386
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wrist-worn IMU has been widely used for daily-life health monitoring. Yet, it does not fully represent whole-body dynamics, for which the body center of mass (COM) is considered the physiological reference standard. Therefore, this work proposes a simplified kinematic model (KM), which is designed to map the wrist IMU to the COM acceleration. It is built upon several reductive assumptions that enable the solvability of the dynamic equations based on wrist IMU measurements alone. This work further proposes three types of hybrid AI modeling methods, namely human kinematic model-based neural network (HKM-NN) models, to leverage the power of both grey-box and black-box modeling. The HKM-NN methods include serial learning (ser-) and two approaches of simultaneous learning (sim1- and sim2-). The proposed models are trained and tested using our dataset, which includes wrist IMU measurements and ground-truth COM measurements from 10 healthy volunteers during six gait activities and sit-to-stand (SS) transitional movement. The results demonstrate the feasibility of estimating COM acceleration from wrist IMU measurements. Our KM model yields satisfactory results, with an error ranging from 6.7% to 12.5% for gait activities and 5.6% for the SS. In comparison with the KM model, our HKM-NN models significantly enhance the performance, achieving 5.3% to 9.3% errors for gait activities, and the best error of 3.9% for the SS. In addition, the HKM-NN models demonstrate distinct robustness characteristics under noisy test conditions, with sim1-/sim2- generally maintaining greater robustness under Gaussian perturbations, while the KM model exhibits comparatively strong robustness under salt-and-pepper noise. These findings highlight the importance of combining biomechanical structure with data-driven learning for wearable sensing applications operating under imperfect and noisy measurement conditions.
• Abstract（参考訳）: IMUは日常生活の健康モニタリングに広く利用されている。 しかし、これは体の中心が生理的基準と見なされる全身動態を完全には表していない。 そこで本研究では,手首IMUをCOM加速度にマッピングする簡易キネマティックモデル(KM)を提案する。 これは、手首IMU測定のみに基づく動的方程式の可解性を可能にする、いくつかの還元的な仮定に基づいて構築されている。 この研究は、グレーボックスとブラックボックスモデリングの両方のパワーを活用するために、さらに3つのタイプのハイブリッドAIモデリング手法、すなわちヒトキネマティックモデルベースニューラルネットワーク(HKM-NN)モデルを提案する。 HKM-NN法にはシリアルラーニング(ser-)と同時ラーニング(sim1-とsim2-)の2つのアプローチがある。 提案したモデルは,6回の歩行活動中に健常者10名から手首IMU測定と地道COM測定を含むデータセットを用いて訓練および試験を行った。 その結果,手首IMU測定からCOM加速度を推定できる可能性が示唆された。 我々のKMモデルでは、歩行活動の6.7%から12.5%、SSの5.6%の誤差で満足な結果が得られる。 KMモデルと比較して、我々のHKM-NNモデルは、歩行活動の5.3%から9.3%の誤差、SSの3.9%のエラーを達成し、性能を大幅に向上させた。 さらに、HKM-NNモデルでは、ノイズの多い試験条件下では、Sim1-/sim2-がガウス摂動下ではより強いロバスト性を示す一方、KMモデルはソルト・アンド・ペッパー雑音下では比較的強いロバスト性を示す。 これらの知見は,不完全かつノイズの多い測定条件下で動作するウェアラブルセンシングアプリケーションにおいて,バイオメカニカル構造とデータ駆動学習を組み合わせることの重要性を強調した。

関連論文リスト

• Hy-Embodied-VLM-1.0: Efficient Physical-World Agents [60.26641387128157]
  Hy-Embodied-VLM-1.0は、エンボディエージェントの効率的で強力なエンボディド基礎モデルである。 我々はHy3-A3B言語バックボーンとHy3-ViT2ビジョンエンコーダのモデルを構築した。 我々は,Hy-Embodied-VLM-1.0を,具体的知覚,物理世界理解,具体的推論を含む38のベンチマークスイートで評価した。
  論文  参考訳（メタデータ） (2026-07-14T15:34:17Z)
• InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
  InternVLA-A1は動的予測機能を備えた視覚言語モデルである。 我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。 InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-01-05T18:54:29Z)
• Diff-MSM: Differentiable MusculoSkeletal Model for Simultaneous Identification of Human Muscle and Bone Parameters [5.071602765737453]
  筋と骨のパラメータを同時に同定するために,Diff-MSM (Diff-MSM) を用いた。 Diff-MSMを用いた新しいパラメータ識別技術は、筋肉の健康モニタリング、リハビリテーション、スポーツ科学における新しい応用を可能にする大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-08-18T18:43:43Z)
• Model Utility Law: Evaluating LLMs beyond Performance through Mechanism Interpretable Metric [99.56567010306807]
  大規模言語モデル(LLM)は、学術、産業、そして日々のアプリケーションに欠かせないものになっている。 大規模言語モデル (LLM) 時代における評価の課題の1つは一般化問題である。 従来の性能スコアを補完するメカニズムの解釈可能性向上指標であるモデル利用指数(MUI)を提案する。
  論文  参考訳（メタデータ） (2025-04-10T04:09:47Z)
• sEMG-Driven Physics-Informed Gated Recurrent Networks for Modeling Upper Limb Multi-Joint Movement Dynamics [5.524068837259551]
  外骨格とリハビリテーションシステムは、適応的なヒューマン・マシン・インタフェースを用いて、人間の強さと回復を改善する可能性がある。 本稿では,SEMGデータから多関節運動のダイナミクスを予測する新しいモデルPiGRNを提案する。 PiGRN は Gated Recurrent Unit (GRU) を使用して時系列のsEMG入力を処理し、マルチジョイントキネマティクスと外部負荷を推定し、トレーニング中に物理ベースの制約を取り入れながら関節トルクを予測する。
  論文  参考訳（メタデータ） (2024-08-29T15:09:04Z)
• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• 3D-CLMI: A Motor Imagery EEG Classification Model via Fusion of 3D-CNN and LSTM with Attention [0.174048653626208]
  本稿では,3次元畳み込みニューラルネットワーク(CNN)と長期記憶ネットワーク(LSTM)を組み合わせて運動画像(MI)信号を分類するモデルを提案する。 実験の結果、このモデルは、BCIコンペティションIVデータセット2aの分類精度92.7%、F1スコア0.91に達した。 このモデルにより、ユーザの運動像意図の分類精度が大幅に向上し、自律走行車や医療リハビリテーションといった新興分野における脳-コンピュータインタフェースの応用可能性が改善された。
  論文  参考訳（メタデータ） (2023-12-20T03:38:24Z)
• CROMOSim: A Deep Learning-based Cross-modality Inertial Measurement Simulator [7.50015216403068]
  慣性測定装置 (IMU) のデータは, 人体移動の監視と評価に利用されてきた。 データ不足を緩和するため,クロスモーダルセンサシミュレータであるCROMOSimを設計した。 モーションキャプチャシステムや単眼RGBカメラから高忠実度仮想IMUセンサーデータをシミュレートする。
  論文  参考訳（メタデータ） (2022-02-21T22:30:43Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)

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。