論文の概要: Multi-Task Temporal Shift Attention Networks for On-Device Contactless Vitals Measurement

• arxiv url: http://arxiv.org/abs/2006.03790v2
• Date: Sun, 28 Feb 2021 20:50:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 22:06:39.169015
• Title: Multi-Task Temporal Shift Attention Networks for On-Device Contactless Vitals Measurement
• Title（参考訳）: オンデバイス非接触バイタル計測のためのマルチタスク時間シフトアテンションネットワーク
• Authors: Xin Liu, Josh Fromm, Shwetak Patel, Daniel McDuff
• Abstract要約: ビデオベースおよびオンデバイス型光学式心肺蘇生標識計測手法を提案する。 移動プラットフォーム上でのリアルタイム心血管および呼吸の測定を可能にする。 我々は,高度なRISCマシン(ARM)CPU上でのシステム評価を行い,150フレーム/秒以上動作しながら最先端の精度を実現した。
• 参考スコア（独自算出の注目度）: 9.825675909430611
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Telehealth and remote health monitoring have become increasingly important during the SARS-CoV-2 pandemic and it is widely expected that this will have a lasting impact on healthcare practices. These tools can help reduce the risk of exposing patients and medical staff to infection, make healthcare services more accessible, and allow providers to see more patients. However, objective measurement of vital signs is challenging without direct contact with a patient. We present a video-based and on-device optical cardiopulmonary vital sign measurement approach. It leverages a novel multi-task temporal shift convolutional attention network (MTTS-CAN) and enables real-time cardiovascular and respiratory measurements on mobile platforms. We evaluate our system on an Advanced RISC Machine (ARM) CPU and achieve state-of-the-art accuracy while running at over 150 frames per second which enables real-time applications. Systematic experimentation on large benchmark datasets reveals that our approach leads to substantial (20%-50%) reductions in error and generalizes well across datasets.
• Abstract（参考訳）: SARS-CoV-2パンデミックの間、遠隔医療と遠隔医療のモニタリングがますます重要になってきており、これが医療実践に持続的な影響を与えることが広く期待されている。 これらのツールは、患者や医療スタッフを感染に晒すリスクを減らし、医療サービスをよりアクセスしやすくし、提供者がより多くの患者を見ることを可能にする。 しかし, 患者と直接接触することなく, バイタルサインの客観的測定は困難である。 ビデオベースおよびオンデバイス型光学式心肺蘇生標識計測手法を提案する。 MTTS-CAN(Multi-task temporal shift convolutional attention network)を活用し、モバイルプラットフォーム上でリアルタイムの心血管および呼吸測定を可能にする。 我々は,高度なRISCマシン(ARM)CPU上でのシステム評価を行い,リアルタイムアプリケーションを実現するために,毎秒150フレーム以上動作しながら最先端の精度を実現する。 大規模なベンチマークデータセットの体系的な実験により、我々のアプローチはエラーの大幅な(20%-50%)削減とデータセット全体の一般化につながることが明らかとなった。

関連論文リスト

• Unlocking Telemetry Potential: Self-Supervised Learning for Continuous Clinical Electrocardiogram Monitoring [0.0]
  本稿では,未標識心電図(ECG)テレメトリー信号の多量化にディープラーニングを適用した。 我々は,約147,000時間の心電図テレメトリデータに基づいて,深層ネットワークのスペクトルを事前学習するために,自己教師学習を適用した。
  論文  参考訳（メタデータ） (2024-06-07T18:00:00Z)
• 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)
• AI-Enhanced Intensive Care Unit: Revolutionizing Patient Care with Pervasive Sensing [2.7503982558916906]
  集中治療室 (ICU) は、重篤な患者が集中治療や監視を受ける特別な病院空間である。 包括的モニタリングは、患者の状態、特に明度、究極的にはケアの質を評価する上で必須である。 現在、表情、姿勢、移動といった細部を含む視力評価は散発的に捉えられるか、全く捉えられていない。
  論文  参考訳（メタデータ） (2023-03-11T00:25:55Z)
• Remote patient monitoring using artificial intelligence: Current state, applications, and challenges [13.516357215412024]
  本研究の目的は,導入技術,RPMに対するAIの影響,AI対応RPMの課題と動向など,RPMシステムの総合的なレビューを行うことである。 RPMにおけるAIの役割は、身体活動の分類から慢性疾患のモニタリング、緊急時におけるバイタルサインのモニタリングまで様々である。 このレビュー結果は、AI対応のRPMアーキテクチャが医療モニタリングアプリケーションを変革したことを示している。
  論文  参考訳（メタデータ） (2023-01-19T06:22:14Z)
• PulseImpute: A Novel Benchmark Task for Pulsative Physiological Signal Imputation [54.839600943189915]
  モバイルヘルス(英語: Mobile Health、mHealth)は、ウェアラブルセンサーを使用して、日常生活中の参加者の生理状態を高頻度で監視し、時間的に精度の高い健康介入を可能にする能力である。 豊富な計算文学にもかかわらず、既存の技術は多くのmHealthアプリケーションを構成する脈動信号には効果がない。 このギャップに対処するPulseImputeは、現実的なmHealth欠損モデル、幅広いベースラインセット、臨床関連下流タスクを含む、最初の大規模パルス信号計算チャレンジである。
  論文  参考訳（メタデータ） (2022-12-14T21:39:15Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• Reducing a complex two-sided smartwatch examination for Parkinson's Disease to an efficient one-sided examination preserving machine learning accuracy [63.20765930558542]
  パーキンソン病(PD)研究における技術ベースアセスメントの実施状況について報告した。 本研究は、両手同期スマートウォッチ測定におけるPDサンプルサイズとして最大である。
  論文  参考訳（メタデータ） (2022-05-11T09:12:59Z)
• Automated, real-time hospital ICU emergency signaling: A field-level implementation [1.5399429731150378]
  我々は,新しい患者監視システムを設計する。 提案するプロトタイプは,安価な周辺機器と簡易ユーザインタフェースを備える。 患者データを連続的に評価することにより、システムはリアルタイムで重要な事象を確実に検出でき、誤警報率も低いことを示す。
  論文  参考訳（メタデータ） (2021-11-03T03:32:33Z)
• 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)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)

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。