論文の概要: A Unified Kinematic Representation Enables Reusable Biological Joint Moment Estimation
- arxiv url: http://arxiv.org/abs/2610.09150v1
- Date: Tue, 06 Oct 2026 21:48:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.617267
- Title: A Unified Kinematic Representation Enables Reusable Biological Joint Moment Estimation
- Title（参考訳）: 生体共同運動推定が可能な統一運動表現法
- Abstract要約: 生体関節モーメント推定からハードウェア固有の感覚を分離する中間表現として関節キネマティクスを提案する。
ジョイントキネマティクスにより、オープンソースのデータのみに基づいてトレーニングされた推定器が、異なるウェアラブルプラットフォーム間で動作できるようになった。
- 参考スコア（独自算出の注目度）: 2.03242501195368
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: Data-driven models that estimate physiological states, particularly biological joint moments, are widely used in exoskeleton control. However, these estimators are often coupled to device-specific sensor configurations, limiting controller transfer and the use of open-source biomechanics datasets. Methods: We proposed joint kinematics as an intermediate representation that decouples hardware-specific sensing from downstream biological joint moment estimation. A joint-moment estimator using joint angles and angular velocities was trained exclusively on open-source biomechanics data and evaluated using kinematics from a hip exoskeleton, knee exoskeleton, and inertial measurement unit (IMU) sensor suite during level-ground, ramp-ascent, and ramp-descent walking. Results: The estimator achieved an root mean square error (RMSE) of 0.17 Nm/kg and coefficient of determination (R2) of 0.79 using hip exoskeleton kinematics, 0.19 Nm/kg and 0.62 using knee exoskeleton kinematics, and 0.15 Nm/kg and 0.85 using kinematics derived from IMUs across bilateral hip, knee, and ankle joints. Conclusion: Joint kinematics enabled an estimator trained only on open-source data to operate across distinct wearable platforms. Significance: This framework may reduce target-device data collection and support transferable biological joint moment estimation for exoskeleton control and wearable biomechanics.
- Abstract（参考訳）: 目的: 生理的状態、特に生物学的結合モーメントを推定するデータ駆動モデルは、外骨格制御において広く用いられている。
しかしながら、これらの推定器は、しばしばデバイス固有のセンサー構成と結合し、コントローラ転送を制限し、オープンソースのバイオメカニクスデータセットを使用する。
方法: 下流の生体関節モーメント推定からハードウェア固有の感覚を分離する中間表現として関節キネマティクスを提案する。
ジョイントアングルと角速度を用いたジョイントモーメント推定装置を,オープンソースバイオメカニクスデータに特化してトレーニングし,低地歩行,傾斜歩行,傾斜歩行において,股関節外骨格,膝外骨格,慣性計測装置(IMU)センサースイートからキネマティクスを用いて評価した。
結果: ヒップ外骨格キネマティクスは0.17Nm/kg, 決定係数は0.79Nm/kg, 膝外骨格キネマティクスは0.19Nm/kg, 膝関節は0.15Nm/kg, 0.85Nm/kgであった。
結論: ジョイントキネマティクスにより、オープンソースのデータのみに基づいてトレーニングされた推定者が、異なるウェアラブルプラットフォームで運用できるようになった。
意義:このフレームワークは、ターゲットデバイスデータ収集を減らし、外骨格制御およびウェアラブルバイオメカニクスのための伝達可能な生体関節モーメント推定をサポートする。
関連論文リスト
- Monocular markerless biomechanics for clinically interpretable gait assessment in spinal cord injury [3.1546655665759205]
3次元歩行解析は、脊髄損傷後のリハビリテーションを導くが、マーカーベースのモーションキャプチャーと、ほとんど診療所を持たない力板に依存している。
SCAI SCI Gait データセットは,脊髄損傷を有する成人239名を対象に,同期ビデオ,モーションキャプチャ,力板計測を行った。
無マーカー下体キネマティクスは、モーションキャプチャー測定と最先端の一致を示し、正確なキネマティクスに基づく予測地上反応力は、力板によって測定されたものと密に一致した。
論文 参考訳（メタデータ） (2026-10-04T21:40:41Z) - Gait2Hip-60: A Unified Deep Learning Benchmark for Predicting Hip Muscle Forces and Joint Moments from Multi-Cadence Gait Kinematics [14.156448292622136]
歩行中の股関節筋力と関節モーメントの推定は、典型的には筋骨格シミュレーションに依存する。
本研究では,下肢歩行運動学から直接これらのヒップダイナミックスパラメータを予測するためのディープラーニングフレームワークを開発した。
論文 参考訳（メタデータ） (2026-05-24T14:00:42Z) - From Skin to Skeleton: Towards Biomechanically Accurate 3D Digital Humans [50.014530130312714]
SMPL体モデルに生体力学スケルトンを付加したSKELを開発した。
その結果,SKELはSMPLよりも生体力学的に正確な関節位置を有しており,骨は従来法よりも体表面に収まることがわかった。
論文 参考訳（メタデータ） (2025-09-08T12:24:27Z) - K2MUSE: A human lower limb multimodal dataset under diverse conditions for facilitating rehabilitation robotics [15.245241949892584]
K2MUSEデータセットには、運動、運動、振幅モード超音波(AUS)、表面筋電図(sEMG)の測定を含む、総合的なマルチモーダルデータの収集が含まれている。
このデータセットは、リハビリテーションロボットの制御フレームワークを設計し、下肢運動の生体力学的解析を行うための新しいリソースを提供する。
論文 参考訳（メタデータ） (2025-04-20T13:03:56Z) - Validation of Human Pose Estimation and Human Mesh Recovery for Extracting Clinically Relevant Motion Data from Videos [79.62407455005561]
人間のポーズ推定を用いたマーカーレスモーションキャプチャは、IMUとMoCapのキネマティクスの結果とインラインで結果を生成する。
生成するデータの品質に関してはまだ改善の余地がありますが、この妥協はエラーの部屋にあると考えています。
論文 参考訳（メタデータ） (2025-03-18T22:18:33Z) - Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。
すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。
本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
論文 参考訳（メタデータ） (2025-03-13T17:48:35Z) - Differentiable Biomechanics for Markerless Motion Capture in Upper Limb Stroke Rehabilitation: A Comparison with Optical Motion Capture [1.5719429447906519]
Markerless Motion Captureは、臨床環境でのモーションキャプチャーに有望なアプローチを提供する。
本研究は, バイオメカニカルモデルを用いたMCCデータとOCCデータを用いて, 飲酒作業を行う15名の脳卒中患者のキーキネマティックな結果を比較した。
論文 参考訳（メタデータ） (2024-11-22T15:02:29Z) - 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) - Pain level and pain-related behaviour classification using GRU-based
sparsely-connected RNNs [61.080598804629375]
慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。
この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。
我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。
本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
論文 参考訳（メタデータ） (2022-12-20T12:56:28Z) - 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。