論文の概要: Associations between finger tapping, gait and fall risk with application
to fall risk assessment
- arxiv url: http://arxiv.org/abs/2006.16648v2
- Date: Mon, 22 Feb 2021 10:50:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 06:32:39.797013
- Title: Associations between finger tapping, gait and fall risk with application
to fall risk assessment
- Title(参考訳): 指打,歩行,転倒リスクの関連と転倒リスク評価への応用
- Authors: Jian Ma
- Abstract要約: 我々は,指タッピングテストとTUG(Timed Up and Go)テストから収集したデータをもとに,機械学習手法を用いて,スマート認知と転倒リスクの評価を行った。
我々は,指タッピングデータによる認知と指の動きの関連と,TUGデータによる転倒リスクと歩行特性との関連を見出した。
TUGスコアの予測モデルの入力として指タッピングと歩行の特性を用いることで,MAEの予測性能を大幅に向上させることができる。
- 参考スコア(独自算出の注目度): 2.3980064191633232
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As the world ages, elderly care becomes a big concern of the society. To
address the elderly's issues on dementia and fall risk, we have investigated
smart cognitive and fall risk assessment with machine learning methodology
based on the data collected from finger tapping test and Timed Up and Go (TUG)
test. Meanwhile, we have discovered the associations between cognition and
finger motion from finger tapping data and the association between fall risk
and gait characteristics from TUG data. In this paper, we jointly analyze the
finger tapping and gait characteristics data with copula entropy. We find that
the associations between certain finger tapping characteristics ('number of
taps', 'average interval of tapping', 'frequency of tapping' of both hands of
bimanual inphase and those of left hand of bimanual untiphase) and TUG score
are relatively high. According to this finding, we propose to utilize this
associations to improve the predictive models of automatic fall risk assessment
we developed previously. Experimental results show that using the
characteristics of both finger tapping and gait as inputs of the predictive
models of predicting TUG score can considerably improve the prediction
performance in terms of MAE compared with using only one type of
characteristics.
- Abstract(参考訳): 世界の高齢化に伴い、介護は社会の大きな関心事となっている。
認知症と転倒リスクに関する高齢者の問題に対処するため,指タッピングテストとTUG(Timed Up and Go)テストから収集したデータをもとに,機械学習手法を用いてスマート認知と転倒リスクの評価を行った。
一方,指タッピングデータによる認知と指の動きの関連や,TUGデータによる転倒リスクと歩行特性との関連が発見された。
本稿では,指のタッピング特性と歩行特性をコプラエントロピーを用いて共同で解析する。
その結果, 指のテーピング特性(「タップ数」, 「タップ間隔」, 「タップ回数」, 「タップ頻度」)とTUGスコアの関係は比較的高いことがわかった。
そこで本研究では,本研究で開発した自動転倒リスクアセスメントの予測モデルを改善することを提案する。
実験結果から,TUGスコアの予測モデルの入力として指タップと歩行の両方の特性を用いることで,MAEの予測性能を1種類の特性に比べて有意に向上させることができることがわかった。
関連論文リスト
- Measuring and Improving Attentiveness to Partial Inputs with
Counterfactuals [95.5442607785241]
我々は,新しい評価手法であるCAT(Facterfactual Attentiveness Test)を提案する。
CATは、入力の一部を別の例から別の例に置き換えることで、予測を変更する注意深いモデルを期待することで、反事実を使用する。
実験データの精度が向上する一方, GPT3 は実演回数の増加により注意力の低下がみられた。
論文 参考訳(メタデータ) (2023-11-16T06:27:35Z) - CareFall: Automatic Fall Detection through Wearable Devices and AI
Methods [0.0]
CareFallは、ウェアラブルデバイスと人工知能(AI)メソッドに基づいた自動転倒検知システム(FDS)である。
CareFallは、スマートウォッチから抽出された加速度計とジャイロスコープの時間信号について検討している。
論文 参考訳(メタデータ) (2023-07-11T14:08:51Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳(メタデータ) (2023-07-10T09:49:30Z) - Sequential Attention Source Identification Based on Feature
Representation [88.05527934953311]
本稿では,テンポラルシーケンスに基づくグラフ注意源同定(TGASI)と呼ばれるシーケンス・ツー・シーケンス・ベースのローカライズ・フレームワークを提案する。
なお、このインダクティブラーニングのアイデアは、TGASIが他の事前の知識を知らずに新しいシナリオのソースを検出できることを保証する。
論文 参考訳(メタデータ) (2023-06-28T03:00:28Z) - Explainable AI and Machine Learning Towards Human Gait Deterioration
Analysis [0.0]
歩行データを客観的に分析し,臨床関連バイオマーカーと所見を関連づける。
physioNet.orgデータセット毎の98% F1 sc の分類精度と、組み合わせたphysioNetデータセットの95.5% F1スコアを達成する。
論文 参考訳(メタデータ) (2023-06-12T14:53:00Z) - Leveraging Pretrained Representations with Task-related Keywords for
Alzheimer's Disease Detection [69.53626024091076]
アルツハイマー病(AD)は高齢者に特に顕著である。
事前学習モデルの最近の進歩は、AD検出モデリングを低レベル特徴から高レベル表現にシフトさせる動機付けとなっている。
本稿では,高レベルの音響・言語的特徴から,より優れたAD関連手がかりを抽出する,いくつかの効率的な手法を提案する。
論文 参考訳(メタデータ) (2023-03-14T16:03:28Z) - Predicting dominant hand from spatiotemporal context varying
physiological data [1.827510863075184]
本研究は,市販スマートウォッチの手首配置予測のための両手実験における生理的・文脈的情報の利用性を評価することを目的とする。
その結果,実生活環境下での1つの被験者のデータを用いて,効果的な支配的手振り予測を行うことができた。
論文 参考訳(メタデータ) (2022-12-08T05:14:48Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳(メタデータ) (2020-05-06T09:02:30Z) - Predicting MMSE Score from Finger-Tapping Measurement [2.3980064191633232]
本稿では,機械学習パイプラインを用いた指先計測からMMSEスコアを予測し,認知症診断手法を提案する。
パイプラインはまず、コプラエントロピーを用いた指触り属性を選択し、選択した属性からMMSEスコアを予測モデルで予測する。
論文 参考訳(メタデータ) (2020-04-18T23:30:57Z) - Predicting TUG score from gait characteristics with video analysis and
machine learning [2.3980064191633232]
Timed Up and Go (TUG)テストは、転倒リスク評価のための一般的なツールである。
ビデオから抽出した歩行特性からTUGスコアを予測する手法を提案する。
論文 参考訳(メタデータ) (2020-02-23T05:27:37Z)
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。