論文の概要: BODYinTRANSIT-Lab: A Multimodal Dataset for Investigating Sensory-Driven Transformations in Body Perception and Affective Experiences
- arxiv url: http://arxiv.org/abs/2611.14093v1
- Date: Tue, 10 Nov 2026 13:53:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-12 04:24:43.825835
- Title: BODYinTRANSIT-Lab: A Multimodal Dataset for Investigating Sensory-Driven Transformations in Body Perception and Affective Experiences
- Title(参考訳): BODYinTRANSIT-Lab:身体知覚と感情経験における感覚駆動型変換を調査するためのマルチモーダルデータセット
- Abstract要約: BODYinTRANSIT-Labは,フットステップIllusionに対する感情的,知覚的,行動的反応をキャプチャするマルチモーダルデータセットである。
このクローズドループ・パラダイムでは、参加者は、知覚された体重を変えることを意図した自身の足跡をリアルタイムで操作した聴覚フィードバックを受けながら歩行作業を行う。
本データセットは、食事障害症状学および身体活動レベルにより、体系的な階層化を通じて採用された101人の参加者の同期記録を含む。
- 参考スコア(独自算出の注目度): 61.809832478103715
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal datasets that combine synchronised behavioural and physiological signals with subjective affective and body perception measures are still rare. This limits both the understanding of embodied experience and the development of computational models that infer subjective states from sensor data. We introduce BODYinTRANSIT-Lab, a multimodal dataset that addresses this gap by capturing affective, perceptual, and behavioural responses to the Footsteps Illusion. In this closed-loop paradigm, participants perform walking tasks while receiving real-time manipulated auditory feedback of their own footsteps intended to alter perceived body weight. The dataset comprises synchronised recordings from 101 participants recruited through systematic stratification by eating-disorder symptomatology and physical activity level. BODYinTRANSIT-Lab combines full-body kinematics with electromyography, electrocardiography, respiration, and electrodermal activity. Its annotations capture both immediate and post-trial experience, including within-trial perceived-weight ratings, post-trial assessments of body feelings and affective experience, 3D avatar body visualisations, and quantitative body maps. Psychological, behavioural, demographic, and social measures provide further information about factors that may influence individual responses. We provide a deep learning benchmark that uses walking kinematics to classify relative affective valence and perceived weight within subjects. On within-session, segment-level splits, the baseline model achieved mean balanced accuracies of 45.9% for affective valence and 44.5% for perceived weight. The BODYinTRANSIT-Lab dataset provides an experimentally controlled resource for cognitive neuroscience and affective computing research, with potential applications in affect-aware interactive systems, health and well-being technologies, and creative embodied experiences.
- Abstract(参考訳): 行動的・生理的信号と主観的感情的・身体的知覚的指標を組み合わせたマルチモーダルデータセットはいまだに稀である。
このことは、具体的経験の理解と、センサーデータから主観的状態を推測する計算モデルの開発の両方を制限する。
我々は、このギャップに対処するマルチモーダルデータセットであるBODYinTRANSIT-Labを紹介し、フットステップIllusionに対する感情的、知覚的、行動的反応をキャプチャする。
このクローズドループ・パラダイムでは、参加者は、知覚された体重を変えることを意図した自身の足跡をリアルタイムで操作した聴覚フィードバックを受けながら歩行作業を行う。
本データセットは、食事障害症状学および身体活動レベルにより、体系的な階層化を通じて採用された101人の参加者の同期記録を含む。
BODYinTRANSIT-Labは全身のキネマティクスと筋電図、心電図、呼吸、脳電図を結合する。
そのアノテーションは、心房中における知覚的体重評価、体感と情緒的経験の心房後評価、3Dアバターの身体の可視化、量的身体地図など、心房中および心房後の両方の体験を捉えている。
心理的、行動的、人口統計学的、社会的尺度は、個人の反応に影響を与える可能性のある要因に関するさらなる情報を提供する。
本研究では、歩行運動学を用いて、被験者の相対的感情価と知覚重みを分類する深層学習ベンチマークを提案する。
セグメンションレベルでの分割では、ベースラインモデルは感情価の45.9%、知覚重量の44.5%のバランスの取れた精度を達成した。
BODYinTRANSIT-Labデータセットは、認知神経科学と感情コンピューティング研究のための実験的に制御されたリソースを提供する。
関連論文リスト
- Predicting Cognitive Assessment Scores in Older Adults with Cognitive Impairment Using Wearable Sensors [1.1873304786619878]
本稿では、ウェアラブルデバイスが提供する生理的データを用いて、軽度認知障害や軽度認知症を伴う高齢者の認知機能を評価することに焦点を当てる。
本研究では,確立した認知テストのスコアを生理的データが正確に予測できるかどうかを検討した。
論文 参考訳(メタデータ) (2025-11-07T05:00:57Z) - egoEMOTION: Egocentric Vision and Physiological Signals for Emotion and Personality Recognition in Real-World Tasks [26.06615078274544]
egoEMOTIONは、自我中心の視覚信号と生理信号と、感情と性格の密集した自己報告を結合する最初のデータセットである。
私たちのデータセットには43人の参加者から50時間以上の録音が含まれており、MetaのProject Ariaメガネを使って撮影されています。
論文 参考訳(メタデータ) (2025-10-25T03:04:51Z) - Detecting Activities of Daily Living in Egocentric Video to Contextualize Hand Use at Home in Outpatient Neurorehabilitation Settings [2.9158689853305693]
本研究では, 現実のリハビリテーション環境において, 日常生活活動(ADL)を効果的に認識することが可能であることを示す。
健常者16名を対象に,エゴセントリックな映像を2261分収録した複雑なデータセットを用いて実験を行った。
論文 参考訳(メタデータ) (2024-12-14T14:38:27Z) - Cross-subject Brain Functional Connectivity Analysis for Multi-task Cognitive State Evaluation [16.198003101055264]
本研究は脳機能と脳波信号とを併用し,複数の被験者の脳領域の関連性を把握し,リアルタイム認知状態を評価する。
分析と評価のために30件の被験者が取得され, 内的対象, 対人的対象, ジェンダー的基盤となる脳機能接続など, さまざまな視点で解釈される。
論文 参考訳(メタデータ) (2024-08-27T12:51:59Z) - Exploring neural oscillations during speech perception via surrogate gradient spiking neural networks [59.38765771221084]
本稿では、ディープラーニングフレームワークと互換性があり、スケーラブルな、生理学的にインスパイアされた音声認識アーキテクチャを提案する。
本研究では, 終末から終末までの勾配降下訓練が, 中枢スパイク神経ネットワークにおける神経振動の出現に繋がることを示す。
本研究は, スパイク周波数適応やリカレント接続などのフィードバック機構が, 認識性能を向上させるために, 神経活動の調節と同期に重要な役割を担っていることを明らかにする。
論文 参考訳(メタデータ) (2024-04-22T09:40:07Z) - Dataset Bias in Human Activity Recognition [57.91018542715725]
このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。
時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
論文 参考訳(メタデータ) (2023-01-19T12:33:50Z) - The world seems different in a social context: a neural network analysis
of human experimental data [57.729312306803955]
本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。
トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
論文 参考訳(メタデータ) (2022-03-03T17:19:12Z) - RunnerDNA: Interpretable indicators and model to characterize human
activity pattern and individual difference [8.820303797376752]
5つの解釈可能な指標、バランス、ストライド、ステアリング、安定性、振幅からなるRunnerDNAの概念が、個々のレベルでの人間の活動を記述するために提案された。
歩行,ランニング,自転車などの身体活動に従事するボランティア33名を対象に,スマートフォンのマルチセンサデータを収集した。
インジケータはランダムな森林モデルを構築し、運動活動とユーザのアイデンティティを認識するために使用される。
論文 参考訳(メタデータ) (2022-01-19T01:09:30Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳(メタデータ) (2020-05-06T09:02:30Z)
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。