論文の概要: RNNs on Monitoring Physical Activity Energy Expenditure in Older People
- arxiv url: http://arxiv.org/abs/2006.01169v2
- Date: Tue, 11 Jan 2022 10:19:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 07:57:29.998724
- Title: RNNs on Monitoring Physical Activity Energy Expenditure in Older People
- Title（参考訳）: 高齢者の身体活動エネルギー消費のモニタリングに関するRNN
- Authors: Stylianos Paraschiakos, Cl\'audio Rebelo de S\'a, Jeremiah Okai, Eline
P. Slagboom, Marian Beekman, Arno Knobbe
- Abstract要約: 逐次的データモデリング能力で知られるRecurrent Neural Network (RNN) を提案する。
本稿では,GRUをベースとしたRNNの標準施設を超越する取り組みについて述べる。
得られたアーキテクチャは、トレーニング入力を10倍減らしながら、ほぼ10%の性能向上を実現している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Through the quantification of physical activity energy expenditure (PAEE),
health care monitoring has the potential to stimulate vital and healthy ageing,
inducing behavioural changes in older people and linking these to personal
health gains. To be able to measure PAEE in a monitoring environment, methods
from wearable accelerometers have been developed, however, mainly targeted
towards younger people. Since elderly subjects differ in energy requirements
and range of physical activities, the current models may not be suitable for
estimating PAEE among the elderly. Because past activities influence present
PAEE, we propose a modeling approach known for its ability to model sequential
data, the Recurrent Neural Network (RNN). To train the RNN for an elderly
population, we used the GOTOV dataset with 34 healthy participants of 60 years
and older (mean 65 years old), performing 16 different activities. We used
accelerometers placed on wrist and ankle, and measurements of energy counts by
means of indirect calorimetry. After optimization, we propose an architecture
consisting of an RNN with 3 GRU layers and a feedforward network combining both
accelerometer and participant-level data. In this paper, we describe our
efforts to go beyond the standard facilities of a GRU-based RNN, with the aim
of achieving accuracy surpassing the state of the art. These efforts include
switching aggregation function from mean to dispersion measures (SD, IQR, ...),
combining temporal and static data (person-specific details such as age,
weight, BMI) and adding symbolic activity data as predicted by a previously
trained ML model. The resulting architecture manages to increase its
performance by approximatelly 10% while decreasing training input by a factor
of 10. It can thus be employed to investigate associations of PAEE with
vitality parameters related to metabolic and cognitive health and mental
well-being.
- Abstract（参考訳）: 身体活動エネルギー支出(PAEE)の定量化を通じて、医療モニタリングは、活力と健康な高齢化を刺激し、高齢者の行動変化を誘発し、これらを個人の健康増進と結びつける可能性がある。
監視環境においてPAEEを測定するために,若年層を対象としたウェアラブル加速度計の手法が開発されている。
高齢者は,エネルギー要求や身体活動の幅が異なるため,高齢者のPAEE推定には適さない可能性がある。
過去の活動が現在のPAEEに影響を与えるため、逐次データモデリング能力で知られるモデリング手法であるRecurrent Neural Network (RNN)を提案する。
高齢者のためのrnnのトレーニングには,60歳以上(平均65歳)の健常者34名を対象に,gotovデータセットを用いて16種類の活動を行った。
我々は,手首と足首に設置した加速度計を用いて,間接熱量測定によるエネルギー数の測定を行った。
最適化後、3つのGRU層を持つRNNと、加速度計と参加者レベルのデータを組み合わせたフィードフォワードネットワークからなるアーキテクチャを提案する。
本稿では,grgベースのrnnの標準設備を越え,最先端技術を上回る精度を達成するための取り組みについて述べる。
これらの取り組みには、アグリゲーション関数を平均から分散尺度(SD, IQR, ...)に切り替えること、時間的データと静的データ(年齢、体重、BMIなど個人固有の詳細)を組み合わせて、以前に訓練されたMLモデルによって予測されたシンボル的活動データを追加することが含まれる。
得られたアーキテクチャは、トレーニング入力を10倍減らしながら、ほぼ10%の性能向上を実現している。
したがって、PAEEと代謝と認知の健康と精神の健康に関連する活力パラメータの関連を調査するために使用できる。
関連論文リスト
- Scaling Wearable Foundation Models [54.93979158708164]
センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。
最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。
この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
論文 参考訳（メタデータ） (2024-10-17T15:08:21Z) - Reconstructing physiological signals from fMRI across the adult lifespan [2.913600409605699]
fMRIデータから低周波呼吸量(RV)と心拍変動(HR)の2つの重要な生理的シグナルを再構成するための新しい枠組みを提案する。
本手法は, 成人期の幅広い個体のfMRIデータから直接, 重要な生理的変数を推測する。
論文 参考訳（メタデータ） (2024-08-26T17:48:42Z) - Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health
Monitoring Systems [69.41229290253605]
既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。
これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。
最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
論文 参考訳（メタデータ） (2024-01-19T16:26:35Z) - Hyper-parameter Adaptation of Conformer ASR Systems for Elderly and
Dysarthric Speech Recognition [64.9816313630768]
ファインチューニングは、多くの非高齢および健康な音声事前訓練モデルを利用するためにしばしば用いられる。
本稿では,Librispeech corpus 上で事前学習した Conformer ASR システムのハイパーパラメータ適応について検討する。
論文 参考訳（メタデータ） (2023-06-27T07:49:35Z) - UBIWEAR: An end-to-end, data-driven framework for intelligent physical
activity prediction to empower mHealth interventions [3.4483987421251516]
UBIWEARは知的身体活動予測のためのエンドツーエンドフレームワークである。
我々の最良のモデルは1087ステップのMAEを達成し、絶対誤差の点で最先端の65%以下である。
論文 参考訳（メタデータ） (2022-12-30T14:18:39Z) - A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。
本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。
本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
論文 参考訳（メタデータ） (2022-11-16T20:00:38Z) - Designing A Clinically Applicable Deep Recurrent Model to Identify
Neuropsychiatric Symptoms in People Living with Dementia Using In-Home
Monitoring Data [52.40058724040671]
鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。
扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。
本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
論文 参考訳（メタデータ） (2021-10-19T11:45:01Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳（メタデータ） (2021-04-29T00:11:32Z) - Am I fit for this physical activity? Neural embedding of physical
conditioning from inertial sensors [0.0]
Inertial Measurement Unit(IMU)センサーは、スマートフォンやフィットネスウォッチなど、日常のデバイスではますます普及している。
本稿では,畳み込み層とLSTM層からなるニューラルネットワークアーキテクチャを提案する。
公共データセット(PAMAP2, PPG-DaLiA)で利用可能なIMUセンサデータから,23名の被験者の心拍数を予測した際に,PCE-LSTMと呼ばれるモデルを評価した。
PCE-LSTMは平均絶対誤差を10%以上下げる。
論文 参考訳（メタデータ） (2021-03-22T18:00:27Z) - Self-supervised transfer learning of physiological representations from
free-living wearable data [12.863826659440026]
意味ラベルのない活動・心拍(HR)信号を用いた新しい自己教師型表現学習法を提案する。
我々は、我々のモデルを、最大の自由生活複合センシングデータセット(手首加速度計とウェアラブル心電図データによる280k時間)で評価する。
論文 参考訳（メタデータ） (2020-11-18T23:21:34Z) - Learning Generalizable Physiological Representations from Large-scale
Wearable Data [12.863826659440026]
意味ラベルのない活動・心拍(HR)信号を用いた新しい自己教師型表現学習法を提案する。
その結果, 線形分類器を用いた伝達学習により, 様々な下流タスクにおいて, 埋め込みが一般化できることが示唆された。
本研究は,大規模健康・ライフスタイルモニタリングに寄与する行動・生理的データに対する,最初のマルチモーダル自己管理手法を提案する。
論文 参考訳（メタデータ） (2020-11-09T17:56:03Z)
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。