論文の概要: What the Sleeve Feels: Explainable Machine Learning for Textile Pressure-Based Postural Screening

• arxiv url: http://arxiv.org/abs/2610.10015v1
• Date: Wed, 07 Oct 2026 13:04:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.916508
• Title: What the Sleeve Feels: Explainable Machine Learning for Textile Pressure-Based Postural Screening
• Title（参考訳）: Sleeve Feels: 繊維圧による姿勢スクリーニングのための説明可能な機械学習
• Abstract要約: 圧力を感知するスマートテキスタイルは、体表面の接触を、姿勢や動きに結びついた密集した画像のような信号に変換する。 テストベッドとして前腕に装着したニット状ピエゾ抵抗性スリーブを併用した3つの要件について検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pressure-sensing smart textiles convert body-surface contact into a dense, image-like signal closely tied to posture and movement, making them a promising low-cost route to wearable posture screening. Realizing that promise, however, requires more than classification accuracy: a deployable system must generalize to wearers unseen during training, expose the physical evidence behind its decisions, and tolerate the small donning offsets that occur whenever a garment is removed and re-worn. This paper addresses these three requirements jointly using a knitted piezoresistive sleeve worn on the forearm as a testbed. We regroup fine-grained everyday activities into three coarser screening categories (neutral, potentially undesirable, and functional or transitional), engineer 29 interpretable pressure-distribution features spanning global intensity, spatial center of pressure, quadrant asymmetry, distribution complexity, and short-horizon temporal change, and evaluate under a strict subject-wise split. A tuned XGBoost classifier reaches 0.818 accuracy, 0.788 balanced accuracy, and 0.801 macro F1 on unseen test subjects, with tight frame-level bootstrap 95% intervals of about plus-minus 0.01 and a subject-to-subject standard deviation near 0.06 under leave-one-subject-out cross-validation. A simple 2D-CNN baseline trained on raw frames achieves broadly similar performance, showing that hand-engineered features are not left behind by a learned spatial representation on this task. SHAP-based explanation, a feature-group ablation, per-activity error analysis inside the pooled undesirable class, class-mapping sensitivity, and a simulated donning-rotation stress test together locate what the model relies on, where it degrades, and why, directly targeting the generalization, interpretability, and robustness gaps that determine whether such a system is deployable.
• Abstract（参考訳）: 圧力を感知するスマートテキスタイルは、体表面の接触を、姿勢と運動に密接な密集した画像のような信号に変換する。 デプロイ可能なシステムは、トレーニング中に見つからない着用者に一般化し、その決定の背後にある物理的な証拠を公開し、衣服が取り除かれ、再縫製されるたびに発生する小さなドッキングオフセットを許容しなければなりません。 本論文は,前腕に装着したニット状ピエゾ抵抗性スリーブをテストベッドとして使用し,これら3つの要件を共同で解決する。 我々は,3つの粗いスクリーニングカテゴリ (中性, 潜在的に望ましくない, 機能的, 過渡性) , エンジニア29は, 大域的強度, 空間的圧力中心, 四次非対称性, 分布複雑性, 短方的時間的変化を解析し, 厳密な主観的分割で評価する。 調整されたXGBoost分類器は、未確認の被験者に対して0.818の精度、0.788のバランス精度、0.801のマクロF1に達する。 生フレームでトレーニングされた単純な2D-CNNベースラインは、手作業による特徴が、このタスクで学習された空間表現によって置き忘れられないように、広範囲に類似した性能を実現する。 SHAPに基づく説明、特徴群アブレーション、プール化された望ましくないクラス内のアクティビティごとのエラー解析、クラスメイピング感度、シミュレーションされたドニング・ローテーションストレステストは、モデルが依存するもの、分解する場所、そしてなぜ、そのようなシステムがデプロイ可能かどうかを決定する一般化、解釈可能性、堅牢性ギャップを直接的にターゲットするのかを共に特定する。

関連論文リスト

• A Model-Based Decoupling Strategy for Proprioception and Contact Sensing in an Architected Soft Manipulator [49.225033144914214]
  軟構造セグメントに埋め込まれた流体圧センサから, 受容・接触信号を分離するモデルベース戦略を提案する。 単一ITHセグメントでは, 相対曲げ誤差0.11+/-0.02, 接触検出率97%で, 主観的形状推定が可能である。
  論文  参考訳（メタデータ） (2026-07-17T03:03:19Z)
• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• Severe Domain Shift in Skeleton-Based Action Recognition:A Study of Uncertainty Failure in Real-World Gym Environments [0.0]
  本稿では,新しいGym2DデータセットとUCF101データセットを用いて,厳しい領域シフトの体系的研究を行う。 我々の研究は、標準的なデプロイメント仮定に挑戦し、セマンティックスケルトン認識と幾何学的スケルトン認識の両方のデプロイの安全性を原則として分析する。
  論文  参考訳（メタデータ） (2026-03-16T17:37:17Z)
• Seed-Induced Uniqueness in Transformer Models: Subspace Alignment Governs Subliminal Transfer [0.3805935148497361]
  教師が生徒が線形に復号化できる隠された特徴を埋め込むトランスフォーマーモデルにおけるサブリミナルトランスファーの分析を行う。 伝達強度は特性識別部分空間内のアライメントに比例する。
  論文  参考訳（メタデータ） (2025-11-02T17:34:43Z)
• A Fine-Grained Attention and Geometric Correspondence Model for Musculoskeletal Risk Classification in Athletes Using Multimodal Visual and Skeletal Features [3.0826008596787253]
  筋骨格障害はアスリートに重大なリスクをもたらし、早期にリスクを評価することは予防に重要である。 本研究では,視覚的および骨格的座標に基づく特徴を用いて筋骨格リスクを分類する,新しいマルチモーダル深層学習フレームワークであるViSK-GATを紹介する。 ViSK-GATは、9つの人気のある移行学習のバックボーンを一貫して上回り、AIによる筋骨格リスク評価を前進させる可能性を示した。
  論文  参考訳（メタデータ） (2025-09-07T04:09:06Z)
• Contrastive Multi-Task Learning with Solvent-Aware Augmentation for Drug Discovery [3.4776689202566824]
  各種溶媒条件下で生成する配位子コンフォメーションアンサンブルを付加入力として組み込んだ事前学習法を提案する。 トレーニングプロセスは、分子再構成を統合し、局所的な幾何学、原子間距離予測、および対照的な学習を捉え、溶媒不変の分子表現を構築する。 このフレームワークは、溶媒を意識したマルチタスクモデリングをサポートし、ベンチマーク間で一貫した結果を生成する。
  論文  参考訳（メタデータ） (2025-08-03T15:25:42Z)
• ETCH: Generalizing Body Fitting to Clothed Humans via Equivariant Tightness [44.830753683359184]
  Equivariant Tightness Fitting for Clothed Humans(ETCH)は、布の表面マッピングを推定する新しいパイプラインである。 CAPEと4D-Dressの実験では、ETCHは最先端の手法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-03-13T17:59:14Z)
• Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
  局所変換近傍における分類器の出力不変性の尺度を提案する。 私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。 画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
  論文  参考訳（メタデータ） (2022-07-05T14:55:16Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。