論文の概要: GaitFM: A Cross-Modal Foundation Model for Wearable Gait Assessment
- arxiv url: http://arxiv.org/abs/2611.01684v1
- Date: Sun, 01 Nov 2026 08:10:18 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 19:46:37.110649
- Title: GaitFM: A Cross-Modal Foundation Model for Wearable Gait Assessment
- Title（参考訳）: GaitFM:ウェアラブル・ゲイト・アセスメントのためのクロスモーダル・ファンデーション・モデル
- Abstract要約: 歩行評価は、多様な運動関連条件の診断、モニタリング、予後をサポートする。
ウェアラブル慣性測定ユニット(IMU)を用いたディープラーニングの最近の進歩は、自動歩行評価へのアクセシブルで低コストなアプローチを提供する。
本稿では、IMUセンサを用いた歩行評価のためのクロスモーダル基礎モデルGaitFMを提案する。
- 参考スコア（独自算出の注目度）: 8.735350361319222
- License:
- Abstract: Gait assessment supports the diagnosis, monitoring, and prognosis of diverse movement-related conditions, such as neurological and musculoskeletal disorders. Recent advances in deep learning using everyday wearable inertial measurement units (IMUs) offer an accessible and low-cost approach to automated gait assessment. However, IMU measurements vary substantially across individuals, body locations, and device configurations, while existing deep learning models are typically developed using small, homogeneous datasets for specific clinical tasks, limiting their robustness and generalizability in diverse real-world contexts. Here we present GaitFM, a cross-modal foundation model for gait assessment using IMU sensors. GaitFM improves the generalizability of gait assessment by transferring knowledge from large vision models and pretraining on unlabeled IMU sensor data. We pretrain GaitFM on a large curated dataset comprising about 4,000 participants and 1.23 million gait windows across diverse clinical and daily conditions, sensor modalities, and body locations. GaitFM demonstrates strong performance across 18 gait-related tasks, including 3 gait parameter estimation tasks, 14 disease and gait abnormality detection tasks, and 1 clinical outcome prediction task. Furthermore, GaitFM generalizes across different sensor configurations and body locations, including those commonly used in clinical settings and everyday wearable devices. These findings demonstrate the effectiveness of transferring visual knowledge in improving sensor-based gait assessment performance, offering a new promising pathway for addressing data scarcity in the sensor and medical domains.
- Abstract（参考訳）: 歩行評価は、神経学的、筋骨格障害などの様々な運動関連疾患の診断、モニタリング、予後をサポートする。
日常的なウェアラブル慣性測定装置(IMU)を用いたディープラーニングの最近の進歩は、自動歩行評価へのアクセシブルで低コストなアプローチを提供する。
しかし、IMUの測定は個人、身体の位置、デバイス構成によって大きく異なるが、既存のディープラーニングモデルは、通常、特定の臨床タスクのために、小さな均一なデータセットを使用して開発され、様々な現実世界のコンテキストにおいて、その堅牢性と一般化性を制限する。
本稿では、IMUセンサを用いた歩行評価のためのクロスモーダル基礎モデルGaitFMを提案する。
GaitFMは、大きな視覚モデルから知識を伝達し、ラベルのないIMUセンサデータに基づいて事前学習することで、歩行評価の一般化性を向上させる。
約4,000人の参加者と123万の歩行窓からなる大規模な学習データセット上で,GaitFMを事前訓練した。
GaitFMは3つの歩行パラメータ推定タスク、14の疾患と歩行異常検出タスク、1の臨床結果予測タスクを含む18の歩行関連タスクで高いパフォーマンスを示す。
さらに、GaitFMは、臨床設定や日常的なウェアラブルデバイスで一般的に使用されるものなど、さまざまなセンサー設定や体の位置を一般化する。
これらの結果から,センサおよび医療領域におけるデータ不足に対処する新たな経路として,センサベースの歩行評価性能を向上させるための視覚的知識の伝達の有効性が示唆された。
関連論文リスト
- Supervised Cross-Modal Feature Alignment for Zero-Wearable Freezing of Gait Detection in Parkinsonism [0.0]
パーキンソン病における歩行凍結(FoG)の客観的評価は主にウェアラブル慣性計測装置(IMU)に依存している
本稿では,これらの物理観測限界を解決するために,教師付きクロスモーダルサブスペース蒸留フレームワークを提案する。
最適化の間、IMUセンサーからの事前トレーニングされたキネマティックデータと文脈的臨床メタデータは、デプロイ可能なビジュアルアーキテクチャを導くためのオラクルとして機能する。
論文 参考訳（メタデータ） (2026-09-08T06:40:50Z) - A Dual-Use Framework for Clinical Gait Analysis: Attention-Based Sensor Optimization and Automated Dataset Auditing [0.0]
本稿では,センサと自動データ監査器の両方として機能するマルチストリームアテンションに基づくディープラーニングフレームワークを提案する。
Voisard et al. (2025) によるマルチコホート歩行データセットの適用により、モデルの注意機構は、深刻なデータセットの衝突を定量的に検出した。
論文 参考訳（メタデータ） (2025-11-03T20:29:03Z) - A Fully Open and Generalizable Foundation Model for Ultrasound Clinical Applications [77.3888788549565]
一般臨床用超音波基礎モデルであるEchoCareについて紹介する。
我々は、キュレートされた、一般公開された大規模なデータセットであるEchoCareData上で、自己教師付き学習を通じてEchoCareを開発した。
最小限のトレーニングで、EchoCareは10の代表的なベンチマークで最先端の比較モデルを上回っている。
論文 参考訳（メタデータ） (2025-09-15T10:05:31Z) - Sensing Cardiac Health Across Scenarios and Devices: A Multi-Modal Foundation Model Pretrained on Heterogeneous Data from 1.7 Million Individuals [36.08910150609342]
広大で異質な健康記録から統一された表現を学習する心センシング基礎モデル(CSFM)を提案する。
我々のモデルは、複数の大規模データセットからのデータの革新的なマルチモーダル統合に基づいて事前訓練されている。
CSFMは従来のワンモーダル・ワン・タスク・アプローチより一貫して優れている。
論文 参考訳（メタデータ） (2025-06-23T20:58:12Z) - GAITEX: Human motion dataset of impaired gait and rehabilitation exercises using inertial and optical sensors [0.769672852567215]
本研究は, 理学療法と歩行関連運動のマルチモーダルデータセットについて述べる。
9つのIMUと68のマーカーからの全体キネマティクスを追跡するデータを含んでいる。
データセットには、運動品質評価とタイムスタンプ付きセグメンテーションが完全にアノテートされている。
論文 参考訳（メタデータ） (2025-06-06T08:08:18Z) - A Vector-Quantized Foundation Model for Patient Behavior Monitoring [41.48188433408574]
本稿では,スマートフォンやウェアラブルデバイスからの実世界のデータを処理するために設計されたベクトル量子化変分自動エンコーダを改良した基礎モデルを提案する。
本研究では, 個別の潜伏表現を利用して, 微調整を必要とせず, 2つの下流課題, 自殺リスク評価, 情緒的状態予測を効果的に実施した。
論文 参考訳（メタデータ） (2025-03-19T14:01:16Z) - Toward Foundation Model for Multivariate Wearable Sensing of Physiological Signals [2.370585289844609]
本稿では,ウェアラブルセンシングデータから情報表現を抽出するための,最初のマルチモーダル・ユビキタス基盤モデルを提案する。
具体的には,センサ内およびセンサ間の両方の信号パターンを検出するための特別な連絡トークンを共用したチャネル認識型アテンション機構を設計する。
本モデルでは, メンタルヘルス, 身体状態推定, バイタルサイン推定, 疾患リスク評価など, 11のパブリックなウェアラブルセンシングデータセットに対して, 異常な一般化性を示す。
論文 参考訳（メタデータ） (2024-12-12T23:35:18Z) - Scaling Wearable Foundation Models [54.93979158708164]
センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。
最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。
この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
論文 参考訳（メタデータ） (2024-10-17T15:08:21Z) - ADformer: A Multi-Granularity Spatial-Temporal Transformer for EEG-Based Alzheimer Detection [42.72554952799386]
脳波は、アルツハイマー病(AD)の検出において神経科医を支援する費用効率が高く効率的なツールとして登場した
生の脳波信号から時間的特徴と空間的特徴の両方を捉えるために設計された新しい多粒度時空間変換器であるADformerを提案する。
実験の結果、ADformerは既存の手法を一貫して上回り、被験者レベルのF1スコアは92.82%、89.83%、67.99%、83.98%となっている。
論文 参考訳（メタデータ） (2024-08-17T14:10:41Z) - Multimodal Gait Recognition for Neurodegenerative Diseases [38.06704951209703]
3つの神経変性疾患の歩容差を学習するための新しいハイブリッドモデルを提案する。
新しい相関メモリニューラルネットワークアーキテクチャは、時間的特徴を抽出するために設計されている。
いくつかの最先端技術と比較して,提案手法はより正確な分類結果を示す。
論文 参考訳（メタデータ） (2021-01-07T10:17:11Z)
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。