A Masked Semi-Supervised Learning Approach for Otago Micro Labels Recognition

要約

オタゴ運動プログラム (OEP) は、高齢者にとって重要なリハビリテーションの取り組みとして機能し、筋力とバランスを強化し、結果として転倒を防止することを目的としています。
人間活動認識 (HAR) システムは個人の活動を認識するために広く使用されていますが、既存のシステムはマクロ活動 (つまり、同じ運動の一連の繰り返し) の継続時間に焦点を当てており、ミクロな活動 (つまり、運動の繰り返し) を識別する能力を無視しています。
演習の個別の繰り返し)、OEP の場合。
この研究は、OEP のミクロな活動を認識する際のこのギャップを埋めることを目的とした、新しい半教師あり機械学習アプローチを提示します。
限られたデータセット サイズを管理するために、私たちのモデルは特徴抽出に Transformer エンコーダーを利用し、その後、Temporal Convolutional Network (TCN) によって分類します。
同時に、入力信号を再構築するためのマスクされた教師なし学習に Transformer エンコーダーが使用されます。
結果は、臨床的に適用可能な閾値 0.8 を超える f1 スコアによって証明されるように、マスクされた教師なし学習タスクが教師あり学習 (分類タスク) のパフォーマンスを向上させることを示しています。
マイクロアクティビティから、臨床的に関連する 2 つの結果が得られます。それは、各運動の繰り返し回数を数えることと、椅子から立ち上がる際の速度を計算することです。
これらの結果により、高齢者の運動強度と日常生活の困難を自動的にモニタリングできるようになります。

要約(オリジナル)

The Otago Exercise Program (OEP) serves as a vital rehabilitation initiative for older adults, aiming to enhance their strength and balance, and consequently prevent falls. While Human Activity Recognition (HAR) systems have been widely employed in recognizing the activities of individuals, existing systems focus on the duration of macro activities (i.e. a sequence of repetitions of the same exercise), neglecting the ability to discern micro activities (i.e. the individual repetitions of the exercises), in the case of OEP. This study presents a novel semi-supervised machine learning approach aimed at bridging this gap in recognizing the micro activities of OEP. To manage the limited dataset size, our model utilizes a Transformer encoder for feature extraction, subsequently classified by a Temporal Convolutional Network (TCN). Simultaneously, the Transformer encoder is employed for masked unsupervised learning to reconstruct input signals. Results indicate that the masked unsupervised learning task enhances the performance of the supervised learning (classification task), as evidenced by f1-scores surpassing the clinically applicable threshold of 0.8. From the micro activities, two clinically relevant outcomes emerge: counting the number of repetitions of each exercise and calculating the velocity during chair rising. These outcomes enable the automatic monitoring of exercise intensity and difficulty in the daily lives of older adults.

arxiv情報

著者 Meng Shang,Lenore Dedeyne,Jolan Dupont,Laura Vercauteren,Nadjia Amini,Laurence Lapauw,Evelien Gielen,Sabine Verschueren,Carolina Varon,Walter De Raedt,Bart Vanrumste
発行日 2024-05-21 12:00:01+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG パーマリンク