論文の概要: 3D Digital Twin Visualization of Multiclass GRF-Based Gait Disorder Classification
- arxiv url: http://arxiv.org/abs/2609.12442v1
- Date: Fri, 11 Sep 2026 05:04:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.626944
- Title: 3D Digital Twin Visualization of Multiclass GRF-Based Gait Disorder Classification
- Title（参考訳）: マルチクラスGRFに基づく歩行障害分類の3次元ディジタルツイン可視化
- Abstract要約: 健常者および多発性筋骨格障害群を分類するための統合的枠組みを提案する。
信号はスタンスフェーズで正規化され、トレーニングセット統計を用いて標準化された。
このモデルは99.00%の検証精度と90.07%の試験精度をセッションレベルのスプリットで達成した。
- 参考スコア（独自算出の注目度）: 3.4540258577108776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated gait analysis requires accurate classification and interpretable outputs. We propose an integrated framework for classifying healthy gait and multiple musculoskeletal impairment groups using bilateral ground reaction force (GRF) and center-of-pressure (COP) signals. The signals were normalized over the stance phase and standardized using training-set statistics. The model achieved a validation accuracy of 99.00\% and a test accuracy of 90.07\% under a session-level split. Class-specific $ε$-LRP identified positive and negative contributions across both sides, multiple signal components, and different stance phases. Separately, the processed GRF signals and model predictions were synchronized within a Blender-based 3D visualization, enabling sample-level inspection of gait trials and classification results. The proposed framework integrates classification, explainability, and 3D visualization to improve model transparency. The source code is available in the following repository: https://github.com/nyoico/grf-gait-3d-visualization.git
- Abstract（参考訳）: 自動歩行分析には正確な分類と解釈可能な出力が必要である。
健常者および多発性筋骨格障害群を両地反応力(GRF)とCOP(Central-of-pressure)信号を用いて分類するための統合的枠組みを提案する。
信号はスタンスフェーズで正規化され、トレーニングセット統計を用いて標準化された。
このモデルは99.00\%の検証精度と90.07\%の試験精度をセッションレベルのスプリットで達成した。
クラス固有の$ε$-LRPは、両側面、複数の信号成分、異なる姿勢相の正および負の寄与を同定した。
次に,Blenderを用いた3次元可視化において,処理したGRF信号とモデル予測を同期させ,歩行試験と分類結果のサンプルレベル検査を可能にした。
提案するフレームワークは,分類,説明可能性,3次元可視化を統合し,モデルの透明性を向上させる。
ソースコードは以下のリポジトリで入手できる。
関連論文リスト
- ProtoGuide: Prototype-Driven Guidance for Class-Conditional Graph Generation [10.378378296066305]
プロトギターは勾配を持つフリーズモデルを操るが、離散グラフ拡散は離散エッジ状態をサンプリングするので、勾配はサンプルグラフを伝播することができない。
現実世界のネットワークと2つの異なるバックボーンの5つのクラスにおいて、ProtoGuideはマクロ分類の精度を50.7%から73.5%に引き上げ、73.6%から83.8%に引き上げ、私たちの構成下でのDiGressの組み込み条件トレーニングより優れている。
論文 参考訳（メタデータ） (2026-09-14T08:57:08Z) - GVC-Seg: Training-Free 3D Instance Segmentation via Geometric Visual Correspondence [50.10864740041483]
幾何学的視覚対応(GVC-Seg)による学習不要な3Dインスタンスセグメンテーション手法を提案する。
GVC-Segは3次元幾何学的手がかりと2次元視覚的手がかりの対応を利用して、信頼性バイアスを緩和する。
提案手法は,いくつかの挑戦的ベンチマークにおいて最先端の性能を実現するとともに,オープン語彙セマンティックセマンティックセマンティックスセグメンテーション設定に強い可能性を示す。
論文 参考訳（メタデータ） (2026-06-06T07:09:15Z) - DisPOSE: Projected Polystochastic Diffusion for Self-Supervised Multi-View 3D Human Pose Estimation [58.47973015036709]
DisPOSEは、本質的に離散的な多視点人物割り当て問題を近似する自己教師型フレームワークである。
特定可能なシンクホーン射影を用いることにより、本モデルは有効かつ実現可能な課題への解の導出を学ぶ。
提案手法は、標準データセット上での最先端の自己教師手法よりも優れている。
論文 参考訳（メタデータ） (2026-06-05T16:14:39Z) - Two-View Accumulation as the Primary Training Lever for Hybrid-Capture Gaussian Splatting: A Variance-Decomposition View of When Gradient Surgery Helps [7.6889618752994595]
ハイブリッドキャプチャーノベルビュー合成は、かなり異なるカメラビューを組み合わせる。
標準3DGSは、ステップ毎に1つのレンダリングビューで30Kイテレーションでトレーニングされている。
本稿では,この発見を予測・説明する分散分解フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-29T17:45:51Z) - Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。
大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。
本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
論文 参考訳（メタデータ） (2025-10-08T10:09:47Z) - Proto-FG3D: Prototype-based Interpretable Fine-Grained 3D Shape Classification [59.68055837500357]
本稿では,3次元形状のきめ細かい分類のためのプロトタイプベースフレームワークProto-FG3Dを提案する。
Proto-FG3Dは、Prototype Associationを介して、共同でマルチビューとマルチカテゴリ表現学習を確立する。
Proto-FG3Dは、精度、透明な予測、そして視覚化によるアドホックな解釈可能性において最先端の手法を超越している。
論文 参考訳（メタデータ） (2025-05-23T09:31:02Z) - A Lesson in Splats: Teacher-Guided Diffusion for 3D Gaussian Splats Generation with 2D Supervision [65.33043028101471]
本稿では,2次元監視のみを用いた3次元画像調和拡散モデルの学習フレームワークを提案する。
既存の3D生成モデルは、大規模な3Dデータセットが不足しているため、完全に3Dの監視に依存している。
論文 参考訳（メタデータ） (2024-12-01T00:29:57Z) - PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。
本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文 参考訳（メタデータ） (2024-10-29T15:28:15Z) - cDVGAN: One Flexible Model for Multi-class Gravitational Wave Signal and Glitch Generation [0.7853804618032806]
本稿では,複数の時間領域観測のクラスをシミュレートする手法として,ジェネレーティブ・アドリアック・ネットワーク・フレームワークに新しい条件モデルを提案する。
提案したcDVGANは,3つのクラスの特徴を再現する4種類のベースラインGANモデルより優れている。
実験の結果,cDVGAN生成データによる畳み込みニューラルネットワークのトレーニングにより,検出器ノイズに埋め込まれたサンプルの検出が向上することがわかった。
論文 参考訳（メタデータ） (2024-01-29T17:59:26Z) - Augment and Criticize: Exploring Informative Samples for Semi-Supervised
Monocular 3D Object Detection [64.65563422852568]
我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。
我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。
3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
論文 参考訳（メタデータ） (2023-03-20T16:28:15Z)
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。