論文の概要: Unsupervised Pre-trained Models from Healthy ADLs Improve Parkinson's
Disease Classification of Gait Patterns
- arxiv url: http://arxiv.org/abs/2005.02589v2
- Date: Thu, 7 May 2020 00:56:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 04:38:39.482002
- Title: Unsupervised Pre-trained Models from Healthy ADLs Improve Parkinson's
Disease Classification of Gait Patterns
- Title（参考訳）: 健康なadlからの教師なし事前訓練モデルによる歩行パターンのパーキンソン病分類の改善
- Authors: Anirudh Som, Narayanan Krishnamurthi, Matthew Buman and Pavan Turaga
- Abstract要約: パーキンソン病分類のための加速度計歩行データに関連する特徴を抽出する方法を示す。
我々の事前学習したソースモデルは畳み込みオートエンコーダで構成されており、ターゲット分類モデルは単純な多層パーセプトロンモデルである。
本研究は,Parkinson病分類の課題に対する事前学習モデルの選択が与える影響を,異なる活動群を用いて訓練した2つの異なるソースモデルについて検討する。
- 参考スコア（独自算出の注目度）: 3.5939555573102857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Application and use of deep learning algorithms for different healthcare
applications is gaining interest at a steady pace. However, use of such
algorithms can prove to be challenging as they require large amounts of
training data that capture different possible variations. This makes it
difficult to use them in a clinical setting since in most health applications
researchers often have to work with limited data. Less data can cause the deep
learning model to over-fit. In this paper, we ask how can we use data from a
different environment, different use-case, with widely differing data
distributions. We exemplify this use case by using single-sensor accelerometer
data from healthy subjects performing activities of daily living - ADLs (source
dataset), to extract features relevant to multi-sensor accelerometer gait data
(target dataset) for Parkinson's disease classification. We train the
pre-trained model using the source dataset and use it as a feature extractor.
We show that the features extracted for the target dataset can be used to train
an effective classification model. Our pre-trained source model consists of a
convolutional autoencoder, and the target classification model is a simple
multi-layer perceptron model. We explore two different pre-trained source
models, trained using different activity groups, and analyze the influence the
choice of pre-trained model has over the task of Parkinson's disease
classification.
- Abstract（参考訳）: さまざまな医療アプリケーションに対するディープラーニングアルゴリズムの適用と利用は、着実に関心を集めている。
しかし、そのようなアルゴリズムの使用は、異なる可能性のあるバリエーションをキャプチャする大量のトレーニングデータを必要とするため、困難であることが証明される。
ほとんどの健康アプリケーションでは、研究者は限られたデータを扱う必要があるため、臨床環境での使用は困難です。
データが少ないとディープラーニングモデルが過度に適合する可能性がある。
本稿では, 異なる環境, 異なるユースケース, 異なるデータ分布からのデータをどのように利用できるかを問う。
本稿では,パーキンソン病分類のためのマルチセンサー加速度計歩行データ(target dataset)に関連する特徴を抽出するために,日常生活活動を行う健常者(adls(source dataset))の単一センサ加速度計データを用いて,このユースケースを例示する。
ソースデータセットを使って事前トレーニングしたモデルをトレーニングし、特徴抽出器として使用します。
対象データセットから抽出した特徴は,効果的な分類モデルの訓練に利用できることを示す。
我々の事前学習したソースモデルは畳み込みオートエンコーダで構成されており、ターゲット分類モデルは単純な多層パーセプトロンモデルである。
異なる活動群を用いて訓練された2つの訓練済みソースモデルを調査し,パーキンソン病分類の課題に対する訓練済みモデルの選択の影響を分析した。
関連論文リスト
- An analysis of data variation and bias in image-based dermatological datasets for machine learning classification [2.039829968340841]
臨床皮膚学では、分類モデルはRGB画像のみを入力として、患者の皮膚の悪性病変を検出することができる。
学習に基づくほとんどの手法では、トレーニングにおいて皮膚科のデータセットから取得したデータを用いており、これは金の基準によって大きく検証されている。
本研究の目的は,皮膚内視鏡検査と臨床検査のギャップを評価し,データセットの変動がトレーニングに与える影響を理解することである。
論文 参考訳（メタデータ） (2025-01-15T17:18:46Z) - Data Augmentation with Diffusion Models for Colon Polyp Localization on the Low Data Regime: How much real data is enough? [38.635356845350394]
局所化アノテーションと共同で大腸内視鏡画像を生成する様々な拡散モデルを訓練する実験を行った。
生成されたデータは、低データ状態のYOLO v9に基づくモデルを用いて、ポリプローカライゼーションのタスクにおいて、様々な転送学習実験で使用される。
論文 参考訳（メタデータ） (2024-11-28T05:25:33Z) - Semantically Redundant Training Data Removal and Deep Model
Classification Performance: A Study with Chest X-rays [5.454938535500864]
本稿では,意味的に冗長なトレーニングデータを識別・除去するためのエントロピーに基づくサンプルスコアリング手法を提案する。
我々は、トレーニングデータの情報サブセットに基づいてトレーニングされたモデルが、トレーニングセット全体においてトレーニングされたモデルよりも大幅に優れる、公開可能なNIH胸部X線データセットを使用することを実証する。
論文 参考訳（メタデータ） (2023-09-18T13:56:34Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。
両世界の力を生かすために,我々は新しいX-モデルを提案する。
X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
論文 参考訳（メタデータ） (2021-10-09T13:56:48Z) - A Real Use Case of Semi-Supervised Learning for Mammogram Classification
in a Local Clinic of Costa Rica [0.5541644538483946]
ディープラーニングモデルのトレーニングには、かなりの量のラベル付きイメージが必要です。
多くの公開データセットが、さまざまな病院や診療所のデータで構築されている。
ラベルなしデータを利用した半教師付き深層学習手法であるMixMatchを提案し評価した。
論文 参考訳（メタデータ） (2021-07-24T22:26:50Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z) - It's the Best Only When It Fits You Most: Finding Related Models for
Serving Based on Dynamic Locality Sensitive Hashing [1.581913948762905]
トレーニングデータの作成は、生産や研究のためにディープラーニングモデルをデプロイするライフサイクルにおいて、しばしばボトルネックとなる。
本稿では,対象のデータセットと利用可能なモデルのトレーニングデータセットの類似性に基づいて,関連するモデルを検索してサービスするエンド・ツー・エンドプロセスを提案する。
論文 参考訳（メタデータ） (2020-10-13T22:52:13Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z)
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。