マルチモーダルデータ融合による歩行速度分析のための説明可能なAI

科学分野:

• 生体力学
• 機械学習
• データサイエンス

背景:

• 歩行速度分析は、ヘルスケア、リハビリテーション、人間とロボットの相互作用にとって重要です。
• 既存の方法では、複雑な歩行ダイナミクスを正確に捉えることが困難です。

研究 の 目的:

• マルチモーダルデータ融合と深層学習を用いた歩行速度分類のための高度なフレームワークを開発すること。
• 特徴選択とモデルの堅牢性を向上させるために、層別関連性伝播（LRP）を使用してフレームワークを最適化すること。

主な方法:

• 50人の成人から収集した全身動作捕捉、筋電図（EMG）、および力板データを4つのデータセットに統合しました。
• TCN、Transformer、GRU、および統計的分類子と比較して、新しい深層学習アーキテクチャ（CNN+LSTM、Multi-stream CNN）を提案し、ベンチマークしました。
• 厳密なモデル評価を保証するために、被験者ベースの分割を含む3つの異なる交差検証戦略を採用しました。

主要な成果:

• Multi-stream Quads CNNモデルは、すべての実験で最高のF1スコアを達成し、最大98%に達しました。
• このフレームワークは、従来の統計的分類子や他の深層学習モデルと比較して優れたパフォーマンスを示しました。
• 層別関連性伝播（LRP）は、重要な特徴を特定することに成功し、摂動分析を通じてモデルの堅牢性と耐久性を検証しました。

結論:

• 提案されたマルチモーダルデータ融合と深層学習フレームワークは、歩行速度分類のための高精度で回復力のあるソリューションを提供します。
• LRPによる特徴最適化は、モデルのパフォーマンスと解釈可能性を向上させます。
• この高度なツールは、ヘルスケア、リハビリテーション、自律システムでの応用に大きな可能性を秘めています。