論文の概要、ライセンス

# (参考訳) パーキンソン病の複雑な2面スマートウォッチ検査を機械学習精度を保つ効率的な片面検査に還元する [全文訳有]

Reducing a complex two-sided smartwatch examination for Parkinson's Disease to an efficient one-sided examination preserving machine learning accuracy ( http://arxiv.org/abs/2205.05361v1 )

ライセンス: CC BY 4.0
Alexander Brenner, Michael Fujarski, Tobias Warnecke and Julian Varghese(参考訳) 近年、スマートコンシューマデバイスからのセンサは、運動障害の識別においてデジタルバイオマーカーとして機能する可能性が高まっている。 広く利用可能なスマートウォッチの使用により、私たちはParkinson's Disease (PD)の研究に先立ち、技術に基づく評価を行う参加者を記録しました。 対象は、PD患者、差動診断(DD)、健康管理(HC)など504名で、2つのスマートウォッチと2つのスマートフォンを総合的に利用した。 我々の知る限りでは、この研究は2手同期スマートウォッチの最大のPDサンプルサイズを提供した。 PDスクリーニングにおける今後のホームベースアセスメントシステムを確立するため,一方の尺度のみを用いて大幅に削減されたアセスメントに基づいてシステムの性能を体系的に評価し,分類精度を維持できるかどうかを検討した。

Sensors from smart consumer devices have demonstrated high potential to serve as digital biomarkers in the identification of movement disorders in recent years. With the usage of broadly available smartwatches we have recorded participants performing technology-based assessments in a prospective study to research Parkinson's Disease (PD). In total, 504 participants, including PD patients, differential diagnoses (DD) and healthy controls (HC), were captured with a comprehensive system utilizing two smartwatches and two smartphones. To the best of our knowledge, this study provided the largest PD sample size of two-hand synchronous smartwatch measurements. To establish a future easy-to use home-based assessment system in PD screening, we systematically evaluated the performance of the system based on a significantly reduced set of assessments with only one-sided measures and assessed, whether we can maintain classification accuracy.
公開日: Wed, 11 May 2022 09:12:59 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
2 2 0 2 y a M 1 1 2 2 0 2 y a m 1 1 である。 0.54
] G L . s c [ ] G L。 sc [ 0.47
1 v 1 6 3 5 0 1 v 1 6 3 5 0 0.42
. 5 0 2 2 : v i X r a . 5 0 2 2 : v i X r a 0.42
REDUCING A COMPLEX TWO-SIDED SMARTWATCH 複合2面スムワッチの低減 0.38
EXAMINATION FOR PARKINSON’S DISEASE TO AN EFFICIENT ONE-SIDED EXAMINATION PRESERVING MACHINE LEARNING パーキンソン病の検討 : 機械学習の効率的な片面検査へ 0.29
ACCURACY Alexander Brennera, Michael Fujarskia, Tobias Warneckeb, Julian Varghesea 正確さ Alexander Brennera, Michael Fujarskia, Tobias Warneckeb, Julian Varghesea 0.34
aInstitute of Medical Informatics, University of Münster, Münster, Germany ドイツ・ミュンスターのミュンスター大学医学情報学研究所 0.52
bDepartment of Neurology and Neurorehabilitation, Klinikum Osnabrück – Academic teaching hospital of b) Klinikum Osnabrück, Academic teaching hospital of Neurology and Neurorehabilitation, Klinikum Osnabrück 0.43
the University of Münster, Osnabrück, Germany ドイツ、オスナブリュックのミュンスター大学 0.47
ABSTRACT Sensors from smart consumer devices have demonstrated high potential to serve as digital biomarkers in the identification of movement disorders in recent years. ABSTRACT 近年、スマートコンシューマデバイスからのセンサは、運動障害の識別においてデジタルバイオマーカーとして機能する可能性が高まっている。
訳抜け防止モード: ABSTRACT スマート家電のセンサーは高い可能性を示している 近年の運動障害の特定に デジタルバイオマーカーを 役立てています
0.59
With the usage of broadly available smartwatches we have recorded participants performing technology-based assessments in a prospective study to research Parkinson’s Disease (PD). 広く利用可能なスマートウォッチの使用により、私たちはParkinson’s Disease (PD)の研究に先立ち、技術に基づく評価を行う参加者を記録しました。
訳抜け防止モード: 広く普及しているスマートウォッチを使って 技術を行う参加者 - パーキンソン病(pd)を研究するための前向き研究における評価に基づく。
0.77
In total, 504 participants, including PD patients, differential diagnoses (DD) and healthy controls (HC), were captured with a comprehensive system utilizing two smartwatches and two smartphones. 対象は、PD患者、差動診断(DD)、健康管理(HC)など504名で、2つのスマートウォッチと2つのスマートフォンを総合的に利用した。
訳抜け防止モード: PD患者,鑑別診断(DD)を含む504名 健康管理(HC)は2つのスマートウォッチと2つのスマートフォンを利用した包括的システムで収集された。
0.80
To the best of our knowledge, this study provided the largest PD sample size of two-hand synchronous smartwatch measurements. 我々の知る限りでは、この研究は2手同期スマートウォッチの最大のPDサンプルサイズを提供した。 0.71
To establish a future easy-to use home-based assessment system in PD screening, we systematically evaluated the performance of the system based on a significantly reduced set of assessments with only one-sided measures and assessed, whether we can maintain classification accuracy. PDスクリーニングにおける今後のホームベースアセスメントシステムを確立するため,一方の尺度のみを用いて大幅に削減されたアセスメントに基づいてシステムの性能を体系的に評価し,分類精度を維持できるかどうかを検討した。 0.81
Keywords Mobile Applications · Machine Learning · Movement Disorders · Parkinson’s Disease キーワード モバイルアプリケーション ・ 機械学習 ・ 運動障害 ・ パーキンソン病 0.63
1 Introduction Consumer grade smart devices are broadly available and became attractive for various classification tasks, e g human activity recognition via wearable sensors, smartphones or cameras [1]. 1 はじめに 消費者級のスマートデバイスは広く利用可能で、ウェアラブルセンサー、スマートフォン、カメラによる人間のアクティビティ認識など、さまざまな分類タスクで魅力的になりました[1]。 0.55
Utilizing a smart device system (SDS) consisting of consumer devices, we have conducted a prospective study to research Parkinson‘s Disease (PD), which is one of the most common neurological disorders. 消費者デバイスからなるスマートデバイスシステム(sds)を用いて,最も一般的な神経疾患の一つであるパーキンソン病(pd)の検討を行った。 0.60
Among various non-motor symptoms, PD affects the patient’s movement with symptoms such as slowed movement, rigidity and tremor. 様々な非運動性症状のうち、pdは運動速度の低下、剛性、震えなどの症状を伴う患者の運動に影響する。 0.64
Along with other movement disorders, PD is primarily diagnosed on the basis of clinical examination and nuclear imaging. 他の運動障害とともに、PDは主に臨床検査と核イメージングに基づいて診断される。 0.78
The research goal of the SDS study has been the exploration of digital biomarkers using sensor data and the evaluation of their diagnostic potential. sds研究の目標は、センサデータを用いたデジタルバイオマーカーの探索と、その診断可能性の評価である。 0.73
In the study, a total of 504 participants, including PD patients, differential diagnosis (DD) and healthy controls (HC), have been recorded from 2018 to 2021. 本研究は, pd患者, 鑑別診断 (dd) および健康管理 (hc) を含む504名の参加者を2018年から2021年まで記録した。 0.68
Each recording session consists of a series of measures from different movement tasks designed by movement disorder experts. 各録音セッションは、運動障害の専門家が設計した様々な運動タスクの一連の尺度で構成されている。 0.58
Each task was synchronously measured with two smartwatches, one attached to each hand. それぞれのタスクは2つのスマートウォッチで同期計測され、それぞれに1つずつ取り付けられた。 0.62
To the best of our knowledge, the dataset provides the largest PD sample size of two-hand smartwatch measurements. 我々の知る限りでは、このデータセットはスマートウォッチの2手測定で最大のPDサンプルサイズを提供する。 0.68
Varghese et al have already validated sensor quality of the utilized smartwatches in comparison to high-precision seismometers and demonstrated their potential in classifying PD [2]. Vargheseらは、高精度地震計と比較して、使用中のスマートウォッチのセンサー品質をすでに検証しており、PD [2]を分類する可能性を示している。 0.49
For the utilization as simple screening devices, further validation of simplicity, reliability and interpretability of the system is needed. 簡易スクリーニング装置としての利用には, システムの単純性, 信頼性, 解釈可能性のさらなる検証が必要である。 0.76
This work therefore focuses on the systematic evaluation based on a reduced set of different movement records and one-sided measures to assess importance and reduce redundancy. そこで本研究は, 重要度評価と冗長性低減のために, 異なる移動記録の縮小と一方的な尺度に基づく体系的評価に焦点をあてた。 0.67
We hypothesize that two smartwatches potentially increase knowledge in classification as PD is often observed with side-dominant symptoms. 我々は2つのスマートウォッチが分類における知識を増大させる可能性があると仮定する。 0.51
In this work we investigate this potential knowledge gain and evaluate the diagnostic potential of smartwatch-based measurements. 本研究では,この知識獲得の可能性を調査し,スマートウォッチによる計測の診断可能性を評価する。 0.62
Since a simplified set of sensors reduces costs and complexity of the overall system, it is important to evaluate the possible accuracy loss of a more simple system. センサの簡易化はシステム全体のコストと複雑さを低減させるため、より単純なシステムの精度損失を評価することが重要である。 0.87
Thus, our research objective is to derive digital biomarkers from the sensor measures to reliably predict movement disorders and to elaborate on whether a one-sided setup is sufficient for this task. そこで本研究の目的は,運動障害を確実に予測するためのセンサからデジタルバイオマーカーを抽出し,片側設定で十分かどうかを精査することである。 0.74
英語(論文から抽出)日本語訳スコア
2 Methods 2.1 Data 2つの方法 2.1データ 0.66
The study has been registered (ClinicalTrials.gov ID: NCT03638479) and approved by the ethical board of the University of Münster and the physician’s chamber of Westphalia-Lippe (Reference number: 2018-328-f-S). この研究は登録済み(clinicaltrials.gov id: nct03638479)、ミュンスター大学倫理委員会とウェストファリア・リッペ医師院(参照番号:2018-328-f-s)によって承認された。 0.69
The study records consists of three patient groups: 研究記録は3つの患者グループから構成される。 0.72
1) Parkinson’s disease (PD), including a broad range of different PD progress states according to Hoehn and Yahr [3], 1) パーキンソン病 (PD) は, フーン, イェール[3] による幅広いPD進行状態を含む。 0.53
2) differential diagnoses (DD) and 2)鑑別診断(DD)と 0.72
3) healthy controls (HC). 3)健康管理(HC)。 0.64
All diagnoses were confirmed by neurologists and reviewed by a senior movement disorder expert. 全ての診断は神経学者によって確認され、上級運動障害の専門家によってレビューされた。 0.49
In addition to the smartwatch measures, each participant filled out a basic questionnaire with information about age, medical history, handedness and more. スマートウォッチの指標に加えて、各参加者は年齢、医療歴、手話などに関する基本的な質問紙に記入した。 0.61
Since we focus on the sensor measures derived from the smartwatches, we only consider information about handedness from the questionnaire data. 本研究は,スマートウォッチから得られるセンサ測定に焦点をあてるため,アンケートデータから手書き情報のみを考察する。 0.73
Around 8% of all study participants stated that they are left-handed. 調査参加者の約8%は左利きだと回答している。 0.64
The overview of the data sample is presented in Table 1. データサンプルの概要は、表1で示されています。 0.82
Table 1: Participant sample. 表1:参加者サンプル。 0.87
Parkinson’s Disease (PD) Differential diangosis (DD) パーキンソン病 (pd) differential diangosis (dd) 0.60
Healthy control (HC) Group 健康管理(HC) グループ 0.77
All #Right-handed 262 122 80 464 すべて #右利き 262 122 80 464 0.63
#Left-handed 17 12 11 40 #左利き 17 12 11 40 0.54
2.2 Feature computation and Machine Learning 2.2 特徴計算と機械学習 0.85
We implemented a Machine Learning (ML) pipeline to evaluate diagnostic potential of the sensor data. センサデータの診断可能性を評価するため,機械学習(ML)パイプラインを実装した。 0.84
Therefore, we performed a pre-processing procedure to organize the data for classification. そこで,分類のためのデータを整理する前処理を行った。 0.76
In total, 11 assessment steps were performed from which 3 took 20 seconds and the rest 10 seconds. 計11のアセスメントステップを実行し,そのうち3つが20秒,残りが10秒を要した。 0.71
Details of the tasks can be derived from the original study design from Varghese et al [4]. タスクの詳細は、Varghese et al [4]のオリジナルの研究設計から導き出すことができる。 0.76
The 20 seconds long records were cut into two parts so that we achieved 14 time series of 10 seconds length per participant. 20秒のレコードを2つのパートに切り分けて、参加者毎に10秒の14の時系列を達成しました。 0.69
Each of these 14 time series were recorded synchronously with one smartwatch attached to each wrist respectively. これらの14の時系列は、それぞれ1つのスマートウォッチが各手首に取り付けられた同期的に記録された。 0.57
The smartwatches recorded acceleration and rotation data. スマートウォッチは加速度と回転データを記録した。 0.56
Each sensor stored a time series over three spatial axes (x, y, z). 各センサーは3つの空間軸 (x, y, z) 上の時系列を記憶する。 0.77
With this setup we achieved 168 channels of time series data for each participant (14 tasks * 2 arms * 2 sensor * 3 axes = 168). このセットアップにより、各参加者の時系列データ(14タスク * 2アーム * 2センサー * 3軸 = 168)を168チャンネル達成しました。 0.81
For each channel representative features were computed to form the input to the ML algorithms. 各チャネルの代表機能は、MLアルゴリズムの入力を形成するために計算された。 0.78
Feature extraction was composed of the following steps: 特徴抽出は以下の段階から成っている。 0.76
1) On each time series the power spectral density (PSD) was computed in discrete 1 Hertz steps using Welch’s method. 1) 各時系列において,パワースペクトル密度 (PSD) はウェルチ法を用いて離散1ヘルツステップで計算された。 0.83
Values for 0 Hertz or above 19 Hertz were discarded, resulting in 19 frequency features per channel that were scaled by logarithm afterwards. 0ヘルツまたは19ヘルツ以上の値が破棄され、1チャンネルあたり19の周波数特性がその後対数で拡大された。 0.68
2) Each time series was split into 4 parts of equal length. 2) 各時系列は等しい長さの4つの部分に分けられた。 0.77
For each of the segments the standard deviation, the maximum absolute amplitude and the sum of absolute energy was computed, resulting in 12 features per channel. 各セグメントについて、標準偏差、最大絶対振幅、絶対エネルギーの和が計算され、1チャネルあたり12個の特徴が得られた。 0.64
In conclusion, each channel was transformed into a feature vector with 31 elements, so that each sample was represented with a feature vector of 5208 features (168 channels * 31 features). 結論として、各チャネルは31個の要素を持つ特徴ベクトルに変換され、各サンプルは5208個の特徴ベクトルで表される(168個のチャネル * 31個の特徴)。 0.78
The resulting feature vector was normalized to unit variance afterwards. 得られた特徴ベクトルはその後、単位分散に正規化された。 0.54
For classification we used the scikit-learn implementation of the support-vector machine (SVM) [5]. 分類には,scikit-learnによる support-vector machine (svm) [5] の実装を用いた。 0.75
To obtain representative results, a 3 times randomly repeated 5-fold cross validation was performed for every classification. 代表的な結果を得るために,各分類毎にランダムに5倍のクロス検証を3回行った。 0.69
Further, hyperparameters of the SVM were selected via grid-search for every changing input setting, the parameter grid was defined with: ’C’: [0.1, 1.0, 10.0, 100.0, 1000], ’gamma’: [0.000001, 0.00001, 0.0001, ’scale’, 0.001]. さらに、SVMのハイパーパラメータは、変化する入力設定毎にグリッドサーチによって選択され、パラメータグリッドは、'C’: [0.1, 1.0, 10.0, 100.0, 1000], ’gamma': [0.000001, 0.00001, 0.0001, ’scale’, 0.001]で定義された。
訳抜け防止モード: さらに、SVMのハイパーパラメータがグリッドを介して選択された。 パラメータグリッドは: ’ C ’ : [ 0.1, 1.0, 10.0, 100.0, 1000 ], ’ gamma ’ : [ 0.000001, 0.00001 , 0.0001 , ’ scale ’ , 0.001 ] .
0.81
Four relevant classification tasks were cross-validated: 関連する4つの分類タスクがクロスバリデーションされた。 0.43
1) PD vs. HC, 2) Movement disorders (PD + DD) vs. HC, 1)PD対HC。 2)運動障害(PD+DD)vs.HC。 0.47
3) PD vs. DD and 4) a multi-class setting (PD vs. DD vs. HC). 3)PD対DDと 4)マルチクラス設定(PD対DD対HC)。 0.69
Since the number of samples in different target groups were imbalanced, class weights were balanced in the training process and classification performance was compared based on balanced accuracy. 異なる対象群の試料数を不均衡にするため, 訓練過程においてクラス重量をバランスさせ, 分類性能をバランス精度に基づいて比較した。 0.86
2.3 Feature selection The baseline performances for the four classification tasks were established using the complete set of sensor measures. 2.3 特徴選択 4つの分類タスクのベースライン性能は,センサの完全なセットを用いて確立した。 0.76
To assess whether a single-sided setup using only one smartwatch reduces performance, 5 settings were tested: 1つのスマートウォッチのみを使用した片側設定で性能が低下するかどうかを評価するため、5つの設定をテストした。 0.51
a) Using input from both arms, a) 両腕からの入力を使用すること 0.82
b) from the left arm only, b) 左腕のみから。 0.57
c) from the right arm only, d) from the strong arm and c) 右腕のみから d) 強い腕から、そして 0.61
e) from the weak arm. The strong arm corresponds to the stated handedness in the questionnaire. e) 弱い腕から。 強い腕は、アンケートの記載された手際に対応する。 0.64
The balanced classification accuracy for each setting was then compared to the baseline score. 各設定のバランスの取れた分類精度を基準値と比較した。 0.78
2 2 0.42
英語(論文から抽出)日本語訳スコア
To evaluate how the system potentially can be simplified in terms of reducing the set of tasks, we performed a systematic feature selection process. タスクセットの削減という観点から,システムの単純化の可能性を評価するため,体系的な特徴選択プロセスを実施した。 0.82
This process was composed of a forward and a backward feature selection procedure that is visualized in Figure 1. このプロセスは、図1で視覚化される前方と後方の特徴選択手順で構成されています。 0.79
We defined a feature group composed of all computed features that were derived from a certain movement task. 特定の動作タスクから派生した全ての計算された特徴からなる特徴群を定義した。 0.76
Respectively, we divided the ML input into 11 feature groups. また,ML入力を11つの特徴群に分けた。 0.75
In the forward feature selection the best performing feature group was choosen. フォワード機能選択では、最高のパフォーマンス機能グループを選択しました。 0.70
In the next iterations the feature group that best increased the classification score was iteratively added to the input set. 次のイテレーションでは、分類スコアを最も高める特徴群が入力セットに反復的に追加された。 0.75
As a result, we achieved 11 classification scores for consecutively larger sets of performed movement tasks. その結果, 動作課題の連続する大規模集合に対して11の分類スコアを得た。 0.75
The backward feature selection worked similar, but instead of adding feature groups, we started with the complete set of feature groups and iteratively removed the feature group with least information gain. 後方の機能選択も同じように機能しましたが、機能グループを追加する代わりに、機能グループの完全なセットから始めて、最小情報ゲインで機能グループを反復的に削除しました。 0.65
Figure 1: Visualization of the forward and backward feature selection procedure. 図1:前方および後方の特徴選択手順の可視化。 0.78
Features are iteratively added/removed by comparing balanced accuracy and selecting the best performing set of features in each step. バランスの取れた精度を比較し、各ステップで最高の機能セットを選択することで、機能を反復的に追加/削除する。 0.56
To combine the insights from both analyses described above, the task reduction was further repeated using the best performing arm. 上記の2つの分析から得られた知見を組み合わせるために、最高の動作腕を用いてタスクの削減を更に繰り返した。 0.61
Additionally, the best performing arm was selected on a reduced set of tasks with the above procedure for each classification setup respectively. さらに、各分類設定ごとに、上記の手順で、タスクの縮小セットで、最高のパフォーマンスアームが選択された。 0.64
Given the resulting classification scores per feature-group we selected the smallest subsets that already achieved the best score (± 0.5%). 特徴群毎の分類スコアが与えられたとき、我々は既に最高のスコア(± 0.5%)を達成した最小のサブセットを選択した。 0.60
Per classification task the selected sets were afterwards compared to find assessment steps that were most often excluded and the ones that were most often included. 分類タスクごとに、選択されたセットは、最も多く除外され、最も多く含まれていた評価ステップを見つけるために比較された。 0.64
3 Results The baseline results for the complete set of input features are summarized in Table 2. 3結果 入力機能の完全なセットのベースライン結果は、テーブル2にまとめられている。 0.78
The tests for different recording arms are displayed in Figure 2. 異なる記録アームのテストは図2に示されています。 0.79
While for each classification task a different setting performed best, performance for the right arm only outperformed the left arm in every test case. それぞれの分類作業において、異なる設定が最善を尽くしたが、右腕のパフォーマンスはテストケースごとに左腕よりも優れていた。 0.75
The right-arm only setup is compared to the two-sided baseline in Table 2. 右腕のみの設定は、テーブル2の両側ベースラインと比較される。 0.76
Figure 2: Results on four classification tasks using only one measured arm as input: 図2:1本の腕のみを入力とした4つの分類作業の結果 0.74
1) PD vs. HC, 2) Movement disorders (PD + DD) vs. HC, 1)PD対HC。 2)運動障害(PD+DD)vs.HC。 0.47
3) PD vs. DD and 4) a multi-class setting (PD vs. DD vs. HC). 3)PD対DDと 4)マルチクラス設定(PD対DD対HC)。 0.69
Bar height indicate mean balanced accuracy, error bars represent the standard deviation. バーの高さは平均的平衡精度を示し、エラーバーは標準偏差を表す。 0.73
The forward and backward feature selection results for movement tasks are summarized in Figure 3 for PD vs. HC, Figure 4 for PD + DD vs. HC and Figure 5 for PD vs. DD. 動作タスクの前後の特徴選択結果は、PD対HCの図3、PD+DD対HCの図4、PD対DDの図5で要約される。
訳抜け防止モード: 動作タスクの前後の特徴選択結果は、PD対HCの図3にまとめられている。 PD + DD vs. HC の図 4 と PD vs. DD の図 5 である。
0.86
Feature selection was performed for including both arms and the right arm only. 両腕と右腕のみを含む特徴選択が行われた。 0.66
Three assessment steps were frequently excluded in the selection of the best subset, consistently over all classification tasks. 3つの評価ステップは、すべての分類タスクにおいて、最高のサブセットの選択において頻繁に除外された。 0.61
With removing these from the input data, the recording site experiments were repeated. 入力データからこれらを取り除くことにより、記録サイト実験が繰り返された。 0.78
Results are shown in Figure 6. 結果は図6に示します。 0.86
In two out of three classification tasks the right-side setup outperformed the left-side setup. 3つの分類タスクのうち2つで、右側のセットアップは左側のセットアップよりも優れています。 0.52
3 3 0.42
英語(論文から抽出)日本語訳スコア
Figure 3: Results of forward and backward feature selection for the classification task: PD vs. HC. 図3: 分類タスクの前後の特徴選択の結果: PD vs. HC。 0.69
Bar height indicate mean balanced accuracy, error bars represent the standard deviation. バーの高さは平均的平衡精度を示し、エラーバーは標準偏差を表す。 0.73
Figure 4: Results of forward and backward feature selection for the classification task: PD + DD vs. HC. 図4: 分類タスクの前方および後方の特徴選択の結果: pd + dd vs. hc。 0.69
Bar height indicate mean balanced accuracy, error bars represent the standard deviation. バーの高さは平均的平衡精度を示し、エラーバーは標準偏差を表す。 0.73
Figure 5: Results of forward and backward feature selection for the classification task: PD vs. DD. 図5: 分類タスクの前方および後方の特徴選択の結果: pd vs. dd。 0.73
Bar height indicate mean balanced accuracy, error bars represent the standard deviation. バーの高さは平均的平衡精度を示し、エラーバーは標準偏差を表す。 0.73
4 4 0.43
英語(論文から抽出)日本語訳スコア
Figure 6: Results on four classification tasks using a reduced set of assessment steps and only one measured arm as input: 図6: 縮小された評価ステップと1つの計測アームを入力とする4つの分類タスクの結果。 0.83
1) PD vs. HC, 2) Movement disorders (PD + DD) vs. HC, 1)PD対HC。 2)運動障害(PD+DD)vs.HC。 0.47
3) PD vs. DD and 4) a multi-class setting (PD vs. DD vs. HC). 3)PD対DDと 4)マルチクラス設定(PD対DD対HC)。 0.69
Bar height indicate mean balanced accuracy, error bars represent the standard deviation. バーの高さは平均的平衡精度を示し、エラーバーは標準偏差を表す。 0.73
Table 2: Performance for the tasks (1) PD vs. HC, (2) Movement disorders (PD + DD) vs. HC and (3) PD vs. DD. 表2: (1) PD vs. HC, (2) 運動障害(PD + DD) vs. HC, (3) PD vs. DD。 0.74
All results are based on SVM classifier optimized via gridsearch. すべての結果は、グリッド検索によって最適化されたSVM分類器に基づいている。 0.50
Values correspond to mean balanced accuracy (SD). 値は平均バランス精度(sd)に対応する。 0.86
PD vs. HC Baseline PD vs. HC ベースライン 0.59
0.8268 (0.0373) PD + DD vs. HC 0.8265 (0.0375) 0.6765 (0.0492) 0.8268 (0.0373) PD + DD vs. HC 0.8265 (0.0375) 0.6765 (0.0492) 0.34
PD vs. DD Reduced task set 0.8225 (0.0471) 0.8264 (0.0495) 0.6895 (0.0506) PD vs. DD 縮小タスクセット 0.8225 (0.0471) 0.8264 (0.0495) 0.6895 (0.0506) 0.54
Right arm only 0.8189 (0.0528) 0.8166 (0.0328) 0.6879 (0.0569) 右腕のみ 0.8189 (0.0528) 0.8166 (0.0328) 0.6879 (0.0569) 0.65
Reduced task set, right arm only 削減されたタスクセット、右腕のみ 0.74
0.8324 (0.0424) 0.8099 (0.0455) 0.6834 (0.0465) 0.8324 (0.0424) 0.8099 (0.0455) 0.6834 (0.0465) 0.31
4 Discussion We have performed a forward and backward feature selection grouping features by assessment steps and recording arm. 4 討論 評価ステップと記録アームにより,前方および後方の特徴選択グループ化機能を実装した。 0.55
Balanced classification performance was set as measure of information gain for the feature groups. 特徴群における情報ゲインの尺度としてバランスのとれた分類性能が設定された。 0.64
The step-wise optimization has shown that a reduced set of movements achieved similar performance compared to the baseline. ステップワイズ最適化により,動作の減少はベースラインと同等の性能を示した。 0.64
While we found differences in the importance of certain movements depending on the classification task, we still observed a subset of relevant features for all classification tasks. 分類タスクによっては,特定の動作の重要性に違いが見られたが,すべての分類タスクで関連する特徴のサブセットが確認できた。 0.77
Three assessment steps were consistently excluded from the minimal feature sets that still achieved best classification performance given a tolerance of 0.5%. 3つの評価ステップは、0.5%の許容範囲で最高の分類性能を達成した最小限の機能セットから一貫して除外された。 0.61
These assessment steps were selected by comparing forward and backward feature selection given data from two arms and the right arm only. これらの評価ステップは、両腕と右腕のみのデータから前向きと後向きの特徴選択を比較して選択した。 0.76
Reducing the hardware to a single smartwatch generally showed only a marginal effect on classification accuracy. ハードウェアを1つのスマートウォッチに還元することは、分類精度に限界効果しか示さなかった。
訳抜け防止モード: ハードウェアを1つのスマートウォッチに還元する 一般に分類精度に限界効果のみを示した。
0.76
Performances were compared over different classification tasks selecting data from the right side, the left side or by handedness. 左手,右手,左手,左手からのデータを選択する異なる分類タスクに対して,性能を比較した。 0.73
With both, the complete and the reduced set of assessment steps, there was no clear outperforming selection of recording side. 評価ステップの完全と縮小の両方において、記録側の明確な性能選択は認められなかった。 0.72
Still, we observed that the right-side outperformed the left-side in most cases. それでも、ほとんどの場合、右側の方が左側より優れていた。 0.66
Hence, the right-sided setup was used in the final comparison to the baseline. したがって、右サイドのセットアップはベースラインと最終比較に使用された。 0.74
The summary of the results in Table 2 shows that we successfully reduced the set of features while maintaining classification performance. 表2の結果の概要は,分類性能を維持しつつ,機能セットの削減に成功していることを示している。 0.77
For the classification task PD vs. HC balanced classification accuracy slightly increased from 82.68% to 83.24% when comparing the baseline result with the simplified version. 分類タスクPDとHCのバランスの取れた分類精度は、ベースライン結果と簡易版を比較すると82.68%から83.24%にわずかに向上した。 0.68
Similarly, performance for PD vs. DD increased from 67.65% to 68.34% using the new simplified setup. 同様に、PD対DDのパフォーマンスは67.65%から68.34%に向上した。 0.74
Only for Movement Disorders vs. HC performance slightly dropped from 82.65% to 80.99%. 運動障害とHCのパフォーマンスは82.65%から80.99%にわずかに低下した。 0.62
While all performance differences are below 2%, which is close to the standard deviation, the results still indicate the robustness of the reduced setup. すべての性能差は2%以下であり、これは標準偏差に近いが、その結果は依然として縮小されたセットアップの堅牢性を示している。 0.62
5 Conclusion Based on our analysis we identified a reduced assessment setting compared to our original study. 5 結論 分析の結果,本研究と比較すると,評価基準の低下が認められた。 0.68
This will reduce the time of active assessment while maintaining accuracy. これにより、精度を維持しながらアクティブアセスメントの時間を短縮できる。 0.62
Further, we have validated one-sided smartwatch measures as a valuable option for classifying PD. さらに,一面スマートウォッチをpd分類に有用な選択肢として検証した。 0.55
These changes reduce complexity of the SDS, making it more practical for routine-screening and potential home-based assessments in the future. これらの変更により、sdsの複雑さが減少し、ルーチン・スクリーニングや将来的なホーム・ベース・アセスメントの実用性が高まる。 0.49
5 5 0.42
英語(論文から抽出)日本語訳スコア
References [1] Marcin Straczkiewicz, Peter James, and Jukka-Pekka Onnela. 参考文献 マルシン・ストラツキエヴィチ、ピーター・ジェームス、ユッカ・ペッカ・オンネラ。 0.53
A systematic review of smartphone-based human スマートフォン型人間に関する体系的考察 0.68
activity recognition methods for health research. 健康研究のための活動認識法 0.84
NPJ Digital Medicine, 4(1):1–15, 2021. NPJ Digital Medicine, 4(1):1-15, 2021。 0.88
[2] Julian Varghese, Catharina Marie van Alen, Michael Fujarski, Georg Stefan Schlake, Julitta Sucker, Tobias Warnecke, and Christine Thomas. ジュリアン・ヴァルゲース、カタリナ・マリー・ファン・アレン、マイケル・フジャルスキー、ゲオルク・ステファン・シュレーク、ジュリッタ・サッカー、トビアス・ワネッケ、クリスティーヌ・トーマス。 0.49
Sensor validation and diagnostic potential of smartwatches in movement disorders. 運動障害におけるスマートウォッチのセンサ検証と診断可能性 0.74
Sensors, 21(9):3139, 2021. センサー21(9):3139,2021。 0.70
[3] Roongroj Bhidayasiri and Daniel Tarsy. 3]Roongroj Bhidayasiri氏とDaniel Tarsy氏。 0.40
Parkinson’s disease: Hoehn and yahr scale. パーキンソン病: hoehnとyahr scale。 0.53
In Movement Disorders: A Video Atlas, pages 4–5. 運動障害におけるA ビデオ・アトラス 4-5頁。 0.66
Springer, 2012. スプリンガー、2012年。 0.49
[4] Julian Varghese, Stephan Niewöhner, Iñaki Soto-Rey, Stephanie Schipmann-Mileti´c, Nils Warneke, Tobias Warnecke, and Martin Dugas. Julian Varghese, Stephan Niewöhner, Iñaki Soto-Rey, Stephanie Schipmann-Mileti ́c, Nils Warneke, Tobias Warnecke, Martin Dugas
訳抜け防止モード: [4]Julian Varghese, Stephan Niewöhner, Iñaki Soto - Rey, Stephanie Schipmann - Mileti ́c, Nils Warneke, Tobias Warnecke マーティン・デュガスとも。
0.83
A smart device system to identify new phenotypical characteristics in movement disorders. 運動障害における新しい表現型特徴を識別するスマートデバイスシステム 0.80
Frontiers in neurology, 10:48, 2019. 神経学のフロンティア、2019年10:48。 0.53
[5] Lars Buitinck, Gilles Louppe, Mathieu Blondel, Fabian Pedregosa, Andreas Mueller, Olivier Grisel, Vlad Niculae, Peter Prettenhofer, Alexandre Gramfort, Jaques Grobler, Robert Layton, Jake VanderPlas, Arnaud Joly, Brian Holt, and Gaël Varoquaux. 5] Lars Buitinck, Gilles Louppe, Mathieu Blondel, Fabian Pedregosa, Andreas Mueller, Olivier Grisel, Vlad Niculae, Peter Prettenhofer, Alexandre Gramfort, Jaques Grobler, Robert Layton, Jake VanderPlas, Arnaud Joly, Brian Holt, Gaël Varoquaux
訳抜け防止モード: 5 ]lars buitinck, gilles louppe, mathieu blondel, fabian pedregosa, andreas mueller, olivier grisel, vlad niculae ピーター・プレッテンホーファー アレキサンダー・グラフォート ジャケス・グロブラー ロバート・レイトン jake vanderplas氏、arnaud joly氏、brian holt氏、gaël varoquaux氏。
0.60
API design for machine learning software: experiences from the scikit-learn project. 機械学習ソフトウェアのためのAPI設計: scikit-learnプロジェクトの経験。 0.90
In ECML PKDD Workshop: Languages for Data Mining and Machine Learning, pages 108–122, 2013. ECML PKDD Workshop: Languages for Data Mining and Machine Learning, page 108–122, 2013 0.41
6 6 0.42
             ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。