合成タイムシリーズと視力ベースのデータによる歩行安定性予測
Mauricio C Cordeiro1, Ciaran O Cathain2,3,4, Vitor B Nascimento5
1Department of Engineering & Informatics, Technological University of the Shannon, Athlone, Ireland.
Frontiers in sports and active living
|August 29, 2025
まとめ
合成データは高齢者の歩行パラメータを 正確に複製することで 訓練されたモデルが 歩行の安定性を予測する上で 現実世界のデータモデルを上回る能力を有します ステップ幅,BMI,転倒歴など
科学分野:
- バイオメカニクス
- コンピュータ・ビジョン
- ゲロントロジー
背景:
- 高齢者の歩行の安定性を評価するのは,限られたデータと複雑な測定方法のため,特にリソースが限られた環境では困難です.
- 既存の方法はしばしば特殊な機器を必要とし,脆弱な集団の間で広範な適用を妨げています.
研究 の 目的:
- 合成データで 高齢者の歩行パターンを正確に再現できるかどうかを調査する.
- 合成データで訓練されたモデルの安定率 (MoS) の予測の有効性を評価する.
- 高齢者のMoS予測に影響を与える重要な生体力学的特徴を特定する.
主な方法:
- 健康な高齢者の公開データセットを使用して,制約ベースの合成データ生成 (SDG) 方法論が採用されました.
- 歩行分析はスマートフォンで撮影したビデオと ランドマーク抽出のための MediaPipe アルゴリズムを使用して,低コストのアクセシビリティを確保しました.
- SDGのアプローチは,メタデータ構成とランク相関制約を通じて生体力学的関係を保存しました.
主要な成果:
- 合成データは高精度 (97.09%) で歩行パラメータを複製し,生体力学的関係を維持しました.
- 合成データ (TSTR) だけで訓練されたモデルは,実際のデータで訓練されたモデル (TRTR) よりも優れたパフォーマンスを示し,予測誤差 (RMSE,MAE,MSE) が著しく減少し,差異説明が改善されました (R2).
- SHAPの分析は,合成データアプローチが特徴の属性を確立された生体力学原理と一致させ,ステップ幅,BMI,および落ち込み歴を重要な予測要因として強調することを確認しました.
結論:
- 合成データ生成は,高齢者の歩行分析におけるデータ不足を克服する有効な方法です.
- 合成データで訓練されたモデルは,実際のデータで訓練されたモデルと比較して,歩行安定性 (MoS) の予測精度を大幅に高めます.
- アクセス可能なコンピュータビジョン技術を活用したこのアプローチは,リソースが限られた環境で改善された臨床歩行評価のための有望な経路を提供します.
