クライマーのグリップ—クライミング中の恐怖と筋活動に関するパーソナライズされたディープラーニングモデル

arXiv cs.LG / 2026/3/30

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本研究では、クライミング中に知覚される恐怖が生理学的シグナルや筋活動とどのように関連するかを検討し、リードクライムおよびトップロープクライム中にEMG、ECG、モーション追跡によって収集したデータを用いる。
19名のクライマーが参加し、クライミングのさまざまなフェーズにわたって恐怖の評価を取得することで、主観的なリスク認識と測定可能な身体反応を結び付ける。
研究者らはまず線形混合効果モデルで統計的な関係を捉え、その後、非線形ダイナミクスをモデル化するためにディープラーニングモデルへ進み、パーソナライズのためのランダム効果も組み込む。
ランダム効果によるパーソナライズドモデリングは、非パーソナライズド手法と比べて予測精度を改善した（MSE、MAE、RMSEが低下）。
重要な発見として、筋疲労はリードクライミング中の恐怖の増加と有意に関連しており、身体的な負荷と心理状態が相互作用することが示唆される。

Abstract

クライミングは、身体的な要求と、情動的・認知的な課題が組み合わさった多面的なスポーツである。上達（登攀）のスタイルは落下距離によって異なり、リードクライミングはトップロープクライミングよりも大きな落下を伴うため、知覚されるリスクや恐怖が異なるものになる可能性がある。本研究では、統計モデリングと深層学習手法を組み合わせて、クライマーにおける知覚される恐怖と筋活動の心理生理学的な関係を調査した。19名のクライマーを対象に、リードクライミングおよびトップロープクライミング中に筋電図（EMG）、心電図（ECG）、腕の動作データを収集する実験を行った。登攀の異なる局面ごとに、知覚される恐怖の評定を取得した。線形混合効果モデルを用いて、知覚される恐怖と生理指標の関係を解析した。この関係の非線形なダイナミクスを捉えるため、深層学習モデルにも分析を拡張し、個別化されたモデリングアプローチのためにランダム効果を統合した。結果として、ランダム効果によって平均二乗誤差（MSE）、平均絶対誤差（MAE）、二乗平均平方根誤差（RMSE）におけるモデル性能が改善されることが示された。また、筋疲労は\textit{リードクライミング}中の恐怖の増大と有意に相関することが明らかになった。本研究は、クライミング中における心理状態と生理状態の相互作用をモデリングするために、統計的手法と深層学習手法を組み合わせる可能性を示している。