論文の概要: Personalized Step Counting Using Wearable Sensors: A Domain Adapted LSTM
Network Approach
- arxiv url: http://arxiv.org/abs/2012.08975v1
- Date: Fri, 11 Dec 2020 19:52:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 04:40:20.635462
- Title: Personalized Step Counting Using Wearable Sensors: A Domain Adapted LSTM
Network Approach
- Title(参考訳): ウェアラブルセンサを用いたパーソナライズされたステップカウント:ドメイン適応LSTMネットワークアプローチ
- Authors: Arvind Pillai, Halsey Lea, Faisal Khan, Glynn Dennis
- Abstract要約: paモニター内の3軸加速度計は、デバイスと個人間のステップカウント精度を向上させるために利用される。
オープンソースの生センサデータを用いて、ステップカウントをモデル化するための長期記憶(LSTM)深層ニューラルネットワークを構築した。
少量の主題別データは、個々のステップカウント精度の高いパーソナライズモデルを作成するためにドメイン化されました。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Activity monitors are widely used to measure various physical activities (PA)
as an indicator of mobility, fitness and general health. Similarly, real-time
monitoring of longitudinal trends in step count has significant clinical
potential as a personalized measure of disease related changes in daily
activity. However, inconsistent step count accuracy across vendors, body
locations, and individual gait differences limits clinical utility. The
tri-axial accelerometer inside PA monitors can be exploited to improve step
count accuracy across devices and individuals. In this study, we hypothesize:
(1) raw tri-axial sensor data can be modeled to create reliable and accurate
step count, and (2) a generalized step count model can then be efficiently
adapted to each unique gait pattern using very little new data. Firstly,
open-source raw sensor data was used to construct a long short term memory
(LSTM) deep neural network to model step count. Then we generated a new, fully
independent data set using a different device and different subjects. Finally,
a small amount of subject-specific data was domain adapted to produce
personalized models with high individualized step count accuracy. These results
suggest models trained using large freely available datasets can be adapted to
patient populations where large historical data sets are rare.
- Abstract(参考訳): 運動モニターは、運動、フィットネス、健康の指標として様々な身体活動(pa)を測定するために広く使われている。
同様に、歩数における経時的傾向のリアルタイムモニタリングは、日常生活活動の変化に関するパーソナライズされた指標として、重要な臨床的可能性を持っている。
しかし, ベンダー, 身体位置, 個人歩容差の整合性は臨床的有用性に限界がある。
paモニター内の3軸加速度計は、デバイスと個人間のステップカウント精度を向上させるために活用できる。
本研究では,(1) 生三軸センサデータをモデル化し,信頼性と精度を両立させるとともに,(2) 一般化されたステップカウントモデルを新たなデータを用いて各歩行パターンに効率よく適用できる,という仮説を立てる。
まず、オープンソースの生センサデータを用いて、ステップカウントをモデル化するための長期記憶(LSTM)深層ニューラルネットワークを構築した。
そして、異なるデバイスと異なる主題を使って、新しい完全に独立したデータセットを生成しました。
最後に,個別化ステップ数精度の高いパーソナライズモデルを作成するために,少量の主題別データをドメイン化した。
これらの結果から, 大規模かつ自由なデータセットを用いてトレーニングしたモデルは, 大規模な歴史的データセットが稀な患者集団に適用可能であることが示唆された。
関連論文リスト
- Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳(メタデータ) (2024-02-19T15:57:39Z) - 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) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳(メタデータ) (2023-05-30T08:24:01Z) - Time-dependent Iterative Imputation for Multivariate Longitudinal
Clinical Data [0.0]
Time-Dependent Iterative Imputationは時系列データを計算するための実用的なソリューションを提供する。
500,000人以上の患者を観察するコホートに応用した場合,本手法は最先端の計算法より優れていた。
論文 参考訳(メタデータ) (2023-04-16T16:10:49Z) - Latent Temporal Flows for Multivariate Analysis of Wearables Data [0.9990687944474738]
本稿では,この設定に適した時系列の多変量モデリング手法であるLatent Temporal Flowsを紹介する。
提案手法は,マルチステップ予測ベンチマークにおいて常に最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-10-14T02:54:34Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳(メタデータ) (2022-09-26T21:59:14Z) - Longitudinal detection of new MS lesions using Deep Learning [0.0]
新たなMS病変の検出・分節作業に対処するディープラーニングベースのパイプラインについて述べる。
まず,1つの時間点を用いたセグメンテーションタスクで訓練されたモデルからの移動学習を提案する。
第2に、新しい病変を伴う現実的な縦断時間を生成するためのデータ合成戦略を提案する。
論文 参考訳(メタデータ) (2022-06-16T16:09:04Z) - An Activity Recognition Framework for Continuous Monitoring of
Non-Steady-State Locomotion of Individuals with Parkinson's Disease [0.9137554315375922]
ユーザに依存しない, ユーザに依存しないトレーニングパラダイムを用いて, 様々な下/上/上/下/上からの加速度情報およびジャイロスコープ情報の性能を検証した。
LSTMを用いて、主観非依存トレーニングにおける情報のサブセット(例えば足のデータ)でさえ、F1スコア > 0.8 を提供するように見えた。
論文 参考訳(メタデータ) (2021-10-08T20:35:45Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Unsupervised Pre-trained Models from Healthy ADLs Improve Parkinson's
Disease Classification of Gait Patterns [3.5939555573102857]
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。
論文 参考訳(メタデータ) (2020-05-06T04:08:19Z) - 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。