論文の概要: A deep learning approach for lower back-pain risk prediction during manual lifting

• arxiv url: http://arxiv.org/abs/2003.09521v1
• Date: Fri, 20 Mar 2020 22:36:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 22:17:03.307406
• Title: A deep learning approach for lower back-pain risk prediction during manual lifting
• Title（参考訳）: 手動昇降時のバックパインリスク予測のための深層学習法
• Authors: Kristian Snyder (1), Brennan Thomas (1), Ming-Lun Lu (2), Rashmi Jha (1), Menekse S. Barim (2), Marie Hayden (2), Dwight Werren (2) ((1) University of Cincinnati, (2) National Institute for Occupational Safety and Health)
• Abstract要約: 本稿では,2次元畳み込みニューラルネットワーク(CNN)を用いて,手動による特徴抽出を行わず,リフトデータセットを分類する手法を提案する。 提案した深層CNNは、代替CNNと多層パーセプトロン(MLP)と比較して精度(90.6%)が高い。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Occupationally-induced back pain is a leading cause of reduced productivity in industry. Detecting when a worker is lifting incorrectly and at increased risk of back injury presents significant possible benefits. These include increased quality of life for the worker due to lower rates of back injury and fewer workers' compensation claims and missed time for the employer. However, recognizing lifting risk provides a challenge due to typically small datasets and subtle underlying features in accelerometer and gyroscope data. A novel method to classify a lifting dataset using a 2D convolutional neural network (CNN) and no manual feature extraction is proposed in this paper; the dataset consisted of 10 subjects lifting at various relative distances from the body with 720 total trials. The proposed deep CNN displayed greater accuracy (90.6%) compared to an alternative CNN and multilayer perceptron (MLP). A deep CNN could be adapted to classify many other activities that traditionally pose greater challenges in industrial environments due to their size and complexity.
• Abstract（参考訳）: 作業によって引き起こされる腰痛は、産業における生産性の低下の主な原因である。 作業者が誤って持ち上げられていることや、背中の怪我のリスクが高いことの検出は、大きなメリットをもたらす。 これには、背中の負傷率の低下による労働者の生活の質の向上、労働者の報酬請求の削減、雇用主への時間の欠如などが含まれる。 しかし、リフトリスクを認識することは、通常は小さなデータセットと加速度計やジャイロスコープのデータに微妙な基礎的特徴があるため、課題となる。 本研究では,2次元畳み込みニューラルネットワーク(cnn)を用いた昇降データセットの分類法を提案し,手作業による特徴抽出は行わない。 提案した深層CNNは、代替のCNNと多層パーセプトロン(MLP)と比較して精度(90.6%)が高い。 ディープCNNは、伝統的に産業環境においてそのサイズと複雑さのためにより大きな課題をもたらす多くの他のアクティビティを分類するために適応することができる。

関連論文リスト

• Mitigating Backdoors within Deep Neural Networks in Data-limited Configuration [1.1663475941322277]
  バックドアされたディープニューラルネットワークは、テスト時にサンプルにトリガーが注入されたときに悪意を持って振る舞いながら、クリーンなデータに正常な振る舞いを示す。 本稿では, 有毒ニューロンの特性を定式化する。 このバックドア不確実性スコアは、ネットワークニューロンの活性化値、重み、および同一層の他のニューロンとの関係に応じてランク付けすることができる。
  論文  参考訳（メタデータ） (2023-11-13T15:54:27Z)
• AViT: Adapting Vision Transformers for Small Skin Lesion Segmentation Datasets [19.44142290594537]
  AViTは、トレーニング済みのViTをSLSタスクに転送することで、ViTのデータハンガーを緩和する新しい戦略である。 AViTはSOTAよりも競争力があり、時には優れているが、訓練可能なパラメータは大幅に少ない。
  論文  参考訳（メタデータ） (2023-07-26T01:44:31Z)
• Adversarial training with informed data selection [53.19381941131439]
  アドリアリトレーニングは、これらの悪意のある攻撃からネットワークを守るための最も効率的なソリューションである。 本研究では,ミニバッチ学習に適用すべきデータ選択戦略を提案する。 シミュレーションの結果,ロバスト性および標準精度に関して良好な妥協が得られることがわかった。
  論文  参考訳（メタデータ） (2023-01-07T12:09:50Z)
• Desire Backpropagation: A Lightweight Training Algorithm for Multi-Layer Spiking Neural Networks based on Spike-Timing-Dependent Plasticity [13.384228628766236]
  スパイキングニューラルネットワーク(SNN)は、従来の人工ニューラルネットワークの代替となる。 本研究は,隠されたニューロンを含むすべてのニューロンの所望のスパイク活性を導出する方法である欲求バックプロパゲーションを提示する。 我々はMNISTとFashion-MNISTを分類するために3層ネットワークを訓練し、それぞれ98.41%と87.56%の精度に達した。
  論文  参考訳（メタデータ） (2022-11-10T08:32:13Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Neural Architecture Dilation for Adversarial Robustness [56.18555072877193]
  畳み込みニューラルネットワークの欠点は、敵の攻撃に弱いことである。 本稿では, 良好な精度を有する背骨CNNの対角的堅牢性を向上させることを目的とする。 最小限の計算オーバーヘッドの下では、拡張アーキテクチャはバックボーンCNNの標準的な性能と親和性が期待できる。
  論文  参考訳（メタデータ） (2021-08-16T03:58:00Z)
• Adversarial Robustness Study of Convolutional Neural Network for Lumbar Disk Shape Reconstruction from MR images [1.2809525640002362]
  本研究では, 腰椎MR画像から腰椎椎間板形状を再構成するための代表的CNNのin-distriion (IND) とout-of-distriion (OOD) の対向性について検討した。 以上の結果から, IND対人訓練は, IND対人攻撃に対するCNNのロバスト性を向上し, より大きなトレーニングデータセットがIND対人攻撃のロバスト性を高める可能性が示唆された。
  論文  参考訳（メタデータ） (2021-02-04T20:57:49Z)
• Artificial Neural Variability for Deep Learning: On Overfitting, Noise Memorization, and Catastrophic Forgetting [135.0863818867184]
  人工ニューラルネットワーク(ANV)は、ニューラルネットワークが自然のニューラルネットワークからいくつかの利点を学ぶのに役立つ。 ANVは、トレーニングデータと学習モデルの間の相互情報の暗黙の正則化として機能する。 過度にフィットし、ノイズの記憶をラベル付けし、無視できるコストで破滅的な忘れを効果的に軽減することができる。
  論文  参考訳（メタデータ） (2020-11-12T06:06:33Z)
• RIFLE: Backpropagation in Depth for Deep Transfer Learning through Re-Initializing the Fully-connected LayEr [60.07531696857743]
  事前訓練されたモデルを用いたディープ畳み込みニューラルネットワーク(CNN)の微調整は、より大きなデータセットから学習した知識をターゲットタスクに転送するのに役立つ。 転送学習環境におけるバックプロパゲーションを深める戦略であるRIFLEを提案する。 RIFLEは、深いCNN層の重み付けに意味のあるアップデートをもたらし、低レベルの機能学習を改善する。
  論文  参考訳（メタデータ） (2020-07-07T11:27:43Z)
• Deep-HR: Fast Heart Rate Estimation from Face Video Under Realistic Conditions [62.68522031911656]
  本稿では、複雑なタスクからのHR推定を単純化し、非常に相関した表現からHRへ学習することで、Deep Neural Network(DNN)の利点を享受する、シンプルで効率的なアプローチを提案する。 より正確で高品質なビデオでは、FEの出力を改善するために、2つのディープエンコーダデコーダネットワークが訓練されている。 HR-DおよびMAHNOBデータセットによる実験結果から,本手法がリアルタイム手法として動作し,最先端の手法よりも平均HRを推定できることが確認された。
  論文  参考訳（メタデータ） (2020-02-12T07:00:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。