床反力推定2026/11/11arXiv:2611.15966

2研究室にまたがる深層床反力推定器の被験者ホールドアウト評価：リーケージと研究室間転移

Subject-Held-Out Evaluation of Deep Ground Reaction Force Estimators Across Two Laboratories: Leakage and Cross-Laboratory Transfer

シェア:X Threads Facebook LINE はてブ Bluesky

深層学習による床反力推定モデルを2つの独立データセットで評価し、試行単位分割が被験者ホールドアウト性能を過大評価すること、研究室間の転移が失敗することを示した。

詳しい要約

1. どんなもの？

- モーションキャプチャマーカーから ground reaction force と center of pressure を推定する deep networks の評価研究 - 3つの sequence models（convolutional、convolutional-recurrent、convolutional-transformer）を比較 - 2つの独立データセット（locomotion 6名、occupational patient handling 10名）を使用 - 同一 pipeline・同一 tuning procedure・3 seeds・4 protocols で評価 - 検証した4 protocols - trial-level split - leave-one-subject-out - pooled two-laboratory training with matched held-out subjects - cross-laboratory transfer - 焦点は評価慣行のコスト測定と laboratory 間転…

2. 先行研究と比べてどこがすごい？

- 従来は単一 laboratory 内で、座標系が明示されず、trial-level split で同一被験者が train/test に混入しうる検証が多かった - 本研究はその各慣行のコストを定量化した点が新しい - trial-level split は subject-held-out の coefficient of determination を +0.040〜+0.194 過大評価 - occupational data ではこの過大評価が architecture 間の差を上回った - split protocol と target frame が報告精度を architecture 以上に変動させることを示した - laboratory 間転移が両方向で chance 以下という結果も先行研究にない知見

3. 技術・手法の肝は？

- 3つの sequence models を同一 pipeline・同一 tuning procedure・3 seeds で統制比較 - 4 protocols で評価し、split の影響を分離 - 座標系の影響を検証 - 入力は heading-aligned なのに force targets を plate frame に残すと locomotion anteroposterior-force の explained variance が 0.57 低下 - Newton's-law correlation により training 前に frame mismatch を検出可能 - 被験者間変動と architecture 差を切り分ける設計

4. どうやって有効だと検証した？

- 2つの独立データセット（locomotion 6名、occupational patient handling 10名）で検証 - subject を held out した条件で3モデルは 0.583〜0.804 の範囲に到達 - データセット間で最良モデルが異なり、差は subject-to-subject variability 内 - laboratory を pooled しても matched subjects では両データセットとも変化なし - laboratory 間転移は両方向で chance 以下、in-plane rotation の影響を受けない vertical force でも同様

5. 議論はある？

- trial-level split の過大評価は architecture 比較を歪めうる - subject-held-out では architecture 間の差が被験者間変動に埋もれ、architecture 選択の根拠が弱い - frame consistency の欠如が精度報告を大きく左右する - laboratory 間転移が成立しないため、単一 laboratory での結果に基づく deployment claims には注意が必要 - 著者らの提言：subjects held out での検証、training 前の frame consistency 確認、laboratory 間テスト

6. 次に読むべき論文は？

- 本論文で比較された convolutional、convolutional-recurrent、convolutional-transformer の各 sequence model の原論文 - leave-one-subject-out や cross-laboratory transfer を扱う ground reaction force 推定の関連研究 - center of pressure 推定や marker-based motion capture からの力推定に関する同分野の定番研究 - 要旨からは個別の参照論文名は不明

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Hernan David Santos, Yinong Chen, Yu Ding, Xudong Zhang, Jian Tao

分類: cs.LG, eess.SP, q-bio.QM

原文アブストラクト

Deep networks that estimate ground reaction forces and centers of pressure from motion-capture markers are validated within one laboratory, in a seldom-stated coordinate frame, and sometimes with trial-level splits that put the same person in the training and the test set. We measured what each practice costs, and whether such models transfer between laboratories. Three sequence models (convolutional, convolutional-recurrent, and convolutional-transformer) were evaluated on two independent datasets, locomotion (6 subjects) and occupational patient handling (10 subjects), under one pipeline, one tuning procedure, three seeds, and four protocols: trial-level split, leave-one-subject-out, pooled two-laboratory training with matched held-out subjects, and cross-laboratory transfer. At a fixed configuration, trial-level splits overstated the subject-held-out coefficient of determination by +0.040 to +0.194; on occupational data the overstatement exceeded every difference between architectures. With subjects held out, the three models reached values between 0.583 and 0.804; the leader differed between datasets, and gaps lay within subject-to-subject variability. Pooling the laboratories changed neither dataset on matched subjects. Transfer between laboratories was below chance in both directions, including the vertical force, which no in-plane rotation can affect. Leaving force targets in the plate frame while inputs were heading-aligned cost 0.57 of locomotion anteroposterior-force explained variance, enough to make that force look hardest; a Newton's-law correlation detected the mismatch before training. Split protocol and target frame changed reported accuracy more than architecture did. Learned force estimators should be validated with subjects held out, checked for frame consistency before training, and tested across laboratories before deployment claims are made.

arXivで原文を読む →arXiv概要ページ

← 論文一覧