ウェアラブルセンサーデータ駆動型ST-GCN時空間グラフ畳み込みネットワークによるスポーツ姿勢認識

科学分野:

• 生体力学工学
• コンピューターサイエンス
• 機械学習

背景:

• 時空間グラフ畳み込みネットワーク（ST-GCN）は、アクション認識において柔軟性を提供します。
• ST-GCNにおける学習可能な隣接行列は、ウェアラブルシステムにおける標準的でないセンサー配置の課題に直面しています。
• 生体力学的に妥当な接続を維持することは、正確な分析にとって重要です。

研究 の 目的:

• ウェアラブルセンサーを使用した堅牢なアクション認識のための動的トポロジー適応型ST-GCNフレームワークを提案すること。
• 人間の骨格の事前情報で初期化することにより、生理学的に意味のあるグラフ構造を保証すること。
• 運動学的現実性を損なうことなく、センサー配置の変動に対応するためにトポロジーを動的に適応させること。

主な方法:

• 動的トポロジー適応型ST-GCNフレームワークを開発しました。
• 人間の骨格の事前情報で学習可能な隣接行列を初期化しました。
• 構造的洗練と解釈可能性のために、L2正則化とTop-Kスパース化を用いたエンドツーエンドトレーニングを採用しました。

主要な成果:

• 8つのIMUセンサーを使用したクロスユーザーシナリオで94.1%の精度を達成しました。
• クロスデバイステストで91.5%の精度を達成しました。
• 標準的でない展開条件下でのスポーツ姿勢認識において、優れた堅牢性を示しました。

結論:

• 提案されたフレームワークは、ウェアラブルベースのアクション認識における標準的でないセンサー配置の課題を効果的に解決します。
• 生体力学的な事前情報によって導かれる動的トポロジー適応は、モデルの堅牢性と精度を向上させます。
• この方法は、信頼性の高い人間の活動分析のために、生理学的に意味のある解釈可能なグラフ構造を保証します。