文献

J-GLOBAL ID：202002277534253450   整理番号：20A2520079

歩行位相認識のための多重時空間ネットワークのGauss融合に基づくハイブリッド深層学習フレームワーク【JST・京大機械翻訳】

Hybrid Deep-Learning Framework Based on Gaussian Fusion of Multiple Spatiotemporal Networks for Walking Gait Phase Recognition

著者 (6件)： Zhen Tao (School of Artificial Intelligence, Beijing Technology and Business University, Beijing 100048, China) ,  Zhen Tao (School of Engineering, Beijing Forestry University, Beijing 100083, China) ,  Kong Jian-lei (School of Artificial Intelligence, Beijing Technology and Business University, Beijing 100048, China) ,  Kong Jian-lei (National Key Laboratory of Environmental Protection Food Chain Pollution Prevention, Beijing 100048, China) ,  Kong Jian-lei (China Light Key Laboratory of Industry Internet and Big Data, Beijing 100048, China) ,  Yan Lei (School of Engineering, Beijing Forestry University, Beijing 100083, China)
資料名： Complexity  (Complexity)
巻： 2020  ページ： Null  発行年： 2020年 
JST資料番号： W2044A  ISSN： 1076-2787  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： ヒト歩行相検出はロボット外骨格制御と運動リハビリテーション療法のための重要な技術である。加速度計とジャイロスコープによる慣性測定ユニット(IMU)は,歩行データを収集するのに便利で安価であり,個人の日常応用の歩行動力学を解析するためにしばしば用いられる。しかし,空間と孤立した時間的特徴を抽出する現在の深層学習法は,高次元空間に存在する相関を容易に無視でき,単一モデルの認識効果を制限する。本研究では,多重時空間ネットワーク(GFM-Net)のGauss確率融合に基づく効果的なハイブリッド深層学習フレームワークを提案し,マルチソースIMU信号から異なる歩行相を検出した。さらに,まず,下肢に固定されたIMUデータを収集するために,歩行情報取得システムを採用した。データ前処理によって,フレームワークは,RNN,LSTM,およびGRUモジュールを組み合わせた3つの側副モジュールを有する,AutoEncoderとCNNモジュールとマルチストリーム時間特徴抽出器を有する空間特徴抽出器を構築する。最後に,期待値最大化(EM)アルゴリズムによって最適化した新しいGauss確率融合モジュールを開発し,3つのサブモデルによる異なる特徴マップ出力を統合し,歩行認識を実現し続けた。本論文で提案したフレームワークは,外部ループにおけるEMアルゴリズムを含む内部ループを実装し,ネットワーク全体における逆勾配を最適化する。実験は,この方法が96.7%以上に達する精度で歩行分類においてより良い性能を有することを示した。Copyright 2020 Tao Zhen et al. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  最適化 ,  *ネットワーク ,  ロボット ,  加速度計 ,  特徴抽出 ,  リハビリテーション ,  情報収集 ,  *多重化 ,  *位相 ,  抽出装置 ,  外骨格 ,  ジャイロスコープ
準シソーラス用語： 低価格 ,  *深層学習 , 【Automatic Indexing@JST】

分類 (2件)： 生体計測  (EL03020C) ,  時間,速度,加速度,角速度の計測法・機器  (AD05040K)

引用文献 (36件)：

• L. Yan, T. Zhen, J.-L. Kong, L.-M. Wang, X.-L. Zhou, "Walking gait phase detection based on acceleration signals using voting-weighted integrated neural network," Complexity, vol. 2020, no. 1, pp. 14, 2020.
• L. Rong, D. Zhiguo, Z. Jianzhong, L. Ming, "Identification of individual walking patterns using gait acceleration," International Conference on Bioinformatics and Biomedical Engineering, vol. 142, pp. 543-546, 2007.
• C. Buckley, M. Encarna Micó-Amigo, M. Dunne-Willow et al., "Gait Asymmetry Post-Stroke: determining valid and reliable methods using a single accelerometer located on the trunk," Sensors, vol. 20, no. 1, pp. 37, 2020.
• A. Picelli, C. Melotti, F. Origano et al., "Robot-assisted gait training in patients with Parkinson disease," Neurorehabilitation and Neural Repair, vol. 26, no. 4, pp. 353-361, 2012.
• S. D. M. Achanta, T. Karthikeyan, R. Vinothkanna, "A novel hidden Markov model-based adaptive dynamic time warping (HMDTW) gait analysis for identifying physically challenged persons," Soft Computing, vol. 23, no. 18, pp. 8359-8366, 2019.

タイトルに関連する用語 (7件)： 歩行 ,  位相 ,  多重 ,  時空間 ,  融合 ,  深層学習 ,  フレームワーク