論文の概要: Smart Insole Human Activity Recognition for Continuous Monitoring in Elderly Care

• arxiv url: http://arxiv.org/abs/2609.19359v1
• Date: Wed, 16 Sep 2026 19:31:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.989223
• Title: Smart Insole Human Activity Recognition for Continuous Monitoring in Elderly Care
• Title（参考訳）: 高齢者の連続モニタリングのためのスマートインソールヒューマンアクティビティ認識
• Abstract要約: 本稿では、座位、立位、歩行、不安定な歩行を認識するための、ワイヤレススマートインソールプラットフォームと機械学習ワークフローを提案する。 データは、80Hzで15人の健康な成人から収集され、重なり合う窓に分割された。 その結果、トレーニング中に見つからない被験者の運動状態とIMUの測定値から、目立たない履物センシングを推定できることが判明した。
• 参考スコア（独自算出の注目度）: 3.036720878044276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Falls in older adults are often preceded by changes in mobility, balance, and postural transitions. This paper presents a wireless smart insole platform and machine-learning workflow for recognizing sitting, standing, walking, and unstable walking from plantar-pressure and inertial signals. Each insole integrates 16 active pressure-sensing locations and a six-dimensional IMU stream consisting of tri-axial acceleration and angular velocity. Data were collected from 15 healthy adults at 80~Hz and segmented into overlapping windows. Window length and candidate model families were first screened with stratified 10-fold cross-validation; the primary performance estimate was then obtained with participant-independent 5-fold Stratified Group cross-validation, ensuring that all windows from a participant remained in a single fold. Under this protocol, Histogram-Based Gradient Boosting (HGB) achieved macro-F1 scores of 0.954 and 0.959 for the left and right feet, respectively, and 0.980 with bilateral sensing. A compact 1D-CNN evaluated with the same participant-independent folds did not significantly outperform HGB ($p=0.0625$). The results show that low-profile footwear sensing can infer activity state from pressure and IMU measurements for participants unseen during training, establishing a basis for activity monitoring and fall prevention in elderly care.
• Abstract（参考訳）: 高齢者の転倒は、移動性、バランス、姿勢の変化に先行することが多い。 本稿では, 立位, 立位, 歩行, 不安定な歩行を, 慣性信号や慣性信号から認識するための, 無線スマートインソールプラットフォームと機械学習ワークフローを提案する。 それぞれのインソールは、16のアクティブな圧力感知位置と、三軸加速度と角速度からなる6次元のIMUストリームを統合する。 データは、80～Hzで15人の健康な成人から収集され、重なり合う窓に分割された。 ウィンドウ長と候補モデルの家族を,まず層状10倍のクロスバリデーションでスクリーニングし,主性能評価を参加者非依存の5倍のストラテファイドグループクロスバリデーションを用いて行った。 このプロトコルでは,HGBは左足では0.954点,右足では0.959点,両足では0.980点であった。 コンパクトな1D-CNNは、同じ参加者非依存の折りたたみ器で評価されたが、HGB(p=0.0625$)を著しく上回らなかった。 以上の結果から,高齢者の運動監視と転倒防止の基盤を築き上げ,運動状態の予測とトレーニング中に見えない参加者に対するIMU測定から,低目覚ましの履物センシングが,運動状態の推測に有効であることが示唆された。

関連論文リスト

• EgoPoseFormer v2: Accurate Egocentric Human Motion Estimation for AR/VR [43.739084350055435]
  本稿では,時間的一貫した空間的ボディーポーズ推定のためのトランスフォーマーモデルを提案する。 また,大規模な未ラベルデータセットをトレーニングに利用するための自動ラベルシステムを提案する。 EgoBody3Mベンチマークでは、GPUの0.8msレイテンシで、2つの最先端メソッドを12.2%、19.4%精度で上回り、時間ジッタを22.2%、51.7%削減しています。
  論文  参考訳（メタデータ） (2026-03-04T14:01:16Z)
• Do Generative Metrics Predict YOLO Performance? An Evaluation Across Models, Augmentation Ratios, and Dataset Complexity [43.338311770275745]
  本報告では, YOLOv11の合成増強の制御された評価法について述べる。 実際のトレーニングスプリットの10%から150%の増大率に対して, GAN, 拡散, ハイブリッドベースの6つのジェネレータをベンチマークした。 データセット生成/拡張設定毎に、マッチしたサイズのブートストラッププロトコルで事前トレーニングデータセットメトリクスを計算する。
  論文  参考訳（メタデータ） (2026-02-20T03:02:36Z)
• Privacy-Preserving Sensor-Based Human Activity Recognition for Low-Resource Healthcare Using Classical Machine Learning [1.0312968200748118]
  医療インフラへのアクセスは限られており、高齢者や脆弱な患者は在宅医療に頼らざるを得ない。 ウェアラブル慣性センサと機械学習に基づく低コストで自動化されたヒューマンアクティビティ認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T19:35:02Z)
• Synthetic Data Guided Feature Selection for Robust Activity Recognition in Older Adults [1.26355097851638]
  老年者における股関節骨折リハビリテーション時の身体活動は長期機能低下の軽減に不可欠である。 既存の監視システムと市販のウェアラブルアクティビティトラッカーは、一般的に中年層で開発されている。 本研究の目的は,股関節骨折リハビリテーションにおける身体活動認識の持続的向上を目的とした,堅牢なヒト活動認識(HAR)システムの開発である。
  論文  参考訳（メタデータ） (2026-01-21T12:44:49Z)
• Advancing Assistive Robotics: Multi-Modal Navigation and Biophysical Monitoring for Next-Generation Wheelchairs [0.0]
  本研究は, 患者のニーズを優先し, 制御モードの切り替えを可能とした, マルチモーダルEPW制御システムを提案する。 ジョイスティック, 音声, 手のジェスチャー, 筋電図 (EOG) の4つの相補的インタフェースを, 連続的なバイタルサインモニタリングフレームワークに統合する。 この組み合わせにより、患者の自立性が向上し、介護者がリアルタイムの監視と早期介入能力を維持することができる。
  論文  参考訳（メタデータ） (2026-01-06T06:58:26Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• DrM: Mastering Visual Reinforcement Learning through Dormant Ratio Minimization [43.60484692738197]
  ビジュアル強化学習は、継続的な制御タスクにおいて有望である。 現在のアルゴリズムは、パフォーマンスのあらゆる面において、いまだに満足できない。 DrMは、ドッグドメインとマニピュレータドメインの両方のタスクを一貫して解決する最初のモデルフリーアルゴリズムである。
  論文  参考訳（メタデータ） (2023-10-30T15:50:56Z)
• Otago Exercises Monitoring for Older Adults by a Single IMU and Hierarchical Machine Learning Models [1.0663633381202409]
  本研究の目的は,高齢者を対象としたOtago Exercise Program(OEP)をモニタリングする,邪魔にならない,正確なシステムを構築することである。 腰に装着した慣性測定装置(IMU)を装着した高齢者のデータを収集した。 1) 深層学習モデルを用いて, 患者がOEPを実行しているか, 日常生活活動(ADL)を10分間スライディングウインドウを用いて認識するか, 2) ステージ1に基づいて6秒スライディングウインドウを用いてOEPサブクラスを認識する。
  論文  参考訳（メタデータ） (2023-10-05T12:46:56Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)

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。