論文の概要: Towards data-driven stroke rehabilitation via wearable sensors and deep learning

• arxiv url: http://arxiv.org/abs/2004.08297v3
• Date: Thu, 18 Jun 2020 22:24:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 09:24:06.986243
• Title: Towards data-driven stroke rehabilitation via wearable sensors and deep learning
• Title（参考訳）: データ駆動型脳卒中リハビリテーションに向けたウェアラブルセンサーとディープラーニング
• Authors: Aakash Kaku, Avinash Parnandi, Anita Venkatesan, Natasha Pandit, Heidi Schambra and Carlos Fernandez-Granda
• Abstract要約: 脳卒中の前臨床モデルでは、動物の手足の機能的運動を回復するために、高用量のリハビリテーション訓練が必要である。 しかしながら、ヒトでは、回復を促進するために必要な訓練量は不明である。 そこで我々は,機能的プリミティブを自動的に識別する重要な第一歩を踏み出した。
• 参考スコア（独自算出の注目度）: 13.839058010830971
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recovery after stroke is often incomplete, but rehabilitation training may potentiate recovery by engaging endogenous neuroplasticity. In preclinical models of stroke, high doses of rehabilitation training are required to restore functional movement to the affected limbs of animals. In humans, however, the necessary dose of training to potentiate recovery is not known. This ignorance stems from the lack of objective, pragmatic approaches for measuring training doses in rehabilitation activities. Here, to develop a measurement approach, we took the critical first step of automatically identifying functional primitives, the basic building block of activities. Forty-eight individuals with chronic stroke performed a variety of rehabilitation activities while wearing inertial measurement units (IMUs) to capture upper body motion. Primitives were identified by human labelers, who labeled and segmented the associated IMU data. We performed automatic classification of these primitives using machine learning. We designed a convolutional neural network model that outperformed existing methods. The model includes an initial module to compute separate embeddings of different physical quantities in the sensor data. In addition, it replaces batch normalization (which performs normalization based on statistics computed from the training data) with instance normalization (which uses statistics computed from the test data). This increases robustness to possible distributional shifts when applying the method to new patients. With this approach, we attained an average classification accuracy of 70%. Thus, using a combination of IMU-based motion capture and deep learning, we were able to identify primitives automatically. This approach builds towards objectively-measured rehabilitation training, enabling the identification and counting of functional primitives that accrues to a training dose.
• Abstract（参考訳）: 脳卒中後の回復はしばしば不完全であるが、リハビリテーショントレーニングは内因性神経可塑性の関与による回復を促進する可能性がある。 脳卒中の前臨床モデルでは、動物の手足の機能を回復するために、高用量のリハビリテーション訓練が必要である。 しかしながら、ヒトでは回復を促進するために必要な訓練量は不明である。 この無知は、リハビリテーション活動における訓練用量を測定する客観的で実践的なアプローチの欠如に起因している。 ここでは,計測手法を開発するために,アクティビティの基本構成要素である機能プリミティブを自動的に識別する,重要な第一歩を踏み出した。 慢性期脳卒中患者48人は、上半身の動きを捉えるために慣性測定ユニット(imus)を装着しながら様々なリハビリを行った。 プリミティブは人間のラベルによって識別され、関連するIMUデータをラベル付けしてセグメンテーションした。 機械学習を用いてこれらのプリミティブの自動分類を行った。 既存の手法に勝る畳み込みニューラルネットワークモデルを設計した。 モデルは、センサーデータに異なる物理量の別々の埋め込みを計算する初期モジュールを含む。 さらに、バッチ正規化(トレーニングデータから算出された統計に基づいて正規化を行う)をインスタンス正規化(テストデータから算出された統計を使用する)に置き換える。 これにより、新しい患者にこの方法を適用する際の分布シフトに対するロバスト性が高まる。 このアプローチにより,平均分類精度は70%に達した。 これにより,IMUに基づくモーションキャプチャとディープラーニングを組み合わせることで,プリミティブの自動識別が可能となった。 このアプローチは、客観的に測定されたリハビリテーショントレーニングに向けて構築され、トレーニング用量に対応する機能プリミティブの識別とカウントを可能にする。

関連論文リスト

• Precision Rehabilitation for Patients Post-Stroke based on Electronic Health Records and Machine Learning [3.972100195623647]
  ピッツバーグ大学メディカルセンターから265名の脳卒中患者のデータを収集した。 影響のあるエクササイズを特定するために、我々はChi-square test, Fisher's exact test, and logistic regression for odds ratioを用いた。 術後機能改善に寄与する3つのリハビリテーション運動について検討した。
  論文  参考訳（メタデータ） (2024-05-09T04:06:44Z)
• Distilled Datamodel with Reverse Gradient Matching [74.75248610868685]
  オフライントレーニングとオンライン評価段階を含む,データ影響評価のための効率的なフレームワークを提案する。 提案手法は, 直接再学習法と比較して, プロセスの大幅な高速化を図りながら, 同等のモデル行動評価を実現する。
  論文  参考訳（メタデータ） (2024-04-22T09:16:14Z)
• Modeling cognitive load as a self-supervised brain rate with electroencephalography and deep learning [2.741266294612776]
  本研究では,脳波データからメンタルワークロードをモデリングするための,新たな自己教師型手法を提案する。 脳波データからスペクトル地形図を空間的に保存して脳速度変数に適合させることができる畳み込みリカレントニューラルネットワークである。 学習した認知活性化の準安定なブロックの存在は、それらは畳み込みによって誘導され、時間とともに互いに依存していないように見えるため、脳反応の非定常的性質と直感的に一致している。
  論文  参考訳（メタデータ） (2022-09-21T07:44:21Z)
• Automated Fidelity Assessment for Strategy Training in Inpatient Rehabilitation using Natural Language Processing [53.096237570992294]
  戦略トレーニング (Strategy Training) とは、脳卒中後の認知障害患者に障害を減らすためのスキルを教える、リハビリテーションのアプローチである。 標準化された忠実度評価は治療原則の遵守度を測定するために用いられる。 本研究では,ルールベースNLPアルゴリズム,長短項メモリ(LSTM)モデル,および変換器(BERT)モデルからの双方向エンコーダ表現を開発した。
  論文  参考訳（メタデータ） (2022-09-14T15:33:30Z)
• From Motion to Muscle [0.0]
  筋活動は, 位置, 速度, 加速度などの運動特徴に基づいて人工的に生成できることを示す。 このモデルは、以前に訓練された運動に対して顕著な精度を達成し、これまで訓練されていない新しい運動に対して非常に高い精度を維持している。
  論文  参考訳（メタデータ） (2022-01-27T13:30:17Z)
• PrimSeq: a deep learning-based pipeline to quantitate rehabilitation training [9.902223920743872]
  PrimSeqは、脳卒中リハビリテーションで訓練された機能的な動作を分類しカウントするためのパイプラインである。 われわれのアプローチは、上半身の動きを捉えるウェアラブルセンサーと、動きの順序を予測するディープラーニングモデルと、背の高い動きを予測するアルゴリズムを統合している。
  論文  参考訳（メタデータ） (2021-12-21T16:19:14Z)
• Reducing Catastrophic Forgetting in Self Organizing Maps with Internally-Induced Generative Replay [67.50637511633212]
  生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。 適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。 この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
  論文  参考訳（メタデータ） (2021-12-09T07:11:14Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Dynamic Neural Diversification: Path to Computationally Sustainable Neural Networks [68.8204255655161]
  訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。 学習過程において隠れた層内のニューロンの多様性を探索する。 ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
  論文  参考訳（メタデータ） (2021-09-20T15:12:16Z)
• Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
  ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。 本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。 代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
  論文  参考訳（メタデータ） (2020-06-22T15:07:06Z)

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。