DS-MS-TCN: Otago Exercises Recognition with a Dual-Scale Multi-Stage Temporal Convolutional Network

要約

オタゴ運動プログラム (OEP) は、バランスと筋力の強化を目的とした、高齢者向けの重要なリハビリテーションの取り組みです。
OEP 認識にウェアラブル センサーを利用したこれまでの取り組みにもかかわらず、既存の研究では精度と堅牢性の点で限界が示されています。
この研究では、地域に住む高齢者の日常生活における OEP 運動を認識するために、腰に取り付けた単一の慣性測定ユニット (IMU) を採用することで、これらの制限に対処しました。
36 人の高齢者からなるコホートが実験室環境に参加し、さらに在宅評価のために募集された 7 人の高齢者が追加されました。
この研究では、2 レベルの系列間分類を 1 つの損失関数に組み込むように設計されたデュアルスケール マルチステージ時間畳み込みネットワーク (DS-MS-TCN) を提案しています。
最初の段階では、モデルは演習の各繰り返し (マイクロラベル) を認識することに焦点を当てます。
後続の段階では、演習 (マクロ ラベル) の全範囲を網羅するように認識を拡張します。
DS-MS-TCN モデルは既存の最先端の深層学習モデルを上回り、評価された 4 つの演習すべてで 80% を超える f1 スコアと 60% を超える Intersection over Union (IoU) f1 スコアを達成しました。
特に、このモデルはスライディング ウィンドウ技術を利用した以前の研究よりも優れており、後処理ステージやウィンドウ サイズの調整が不要です。
私たちの知る限り、私たちは活動の各反復の認識を通じて人間活動認識 (HAR) システムを強化するという新しい視点を提示した最初の企業です。

要約(オリジナル)

The Otago Exercise Program (OEP) represents a crucial rehabilitation initiative tailored for older adults, aimed at enhancing balance and strength. Despite previous efforts utilizing wearable sensors for OEP recognition, existing studies have exhibited limitations in terms of accuracy and robustness. This study addresses these limitations by employing a single waist-mounted Inertial Measurement Unit (IMU) to recognize OEP exercises among community-dwelling older adults in their daily lives. A cohort of 36 older adults participated in laboratory settings, supplemented by an additional 7 older adults recruited for at-home assessments. The study proposes a Dual-Scale Multi-Stage Temporal Convolutional Network (DS-MS-TCN) designed for two-level sequence-to-sequence classification, incorporating them in one loss function. In the first stage, the model focuses on recognizing each repetition of the exercises (micro labels). Subsequent stages extend the recognition to encompass the complete range of exercises (macro labels). The DS-MS-TCN model surpasses existing state-of-the-art deep learning models, achieving f1-scores exceeding 80% and Intersection over Union (IoU) f1-scores surpassing 60% for all four exercises evaluated. Notably, the model outperforms the prior study utilizing the sliding window technique, eliminating the need for post-processing stages and window size tuning. To our knowledge, we are the first to present a novel perspective on enhancing Human Activity Recognition (HAR) systems through the recognition of each repetition of activities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google