論文の概要: Exploring Motion Boundaries in an End-to-End Network for Vision-based
Parkinson's Severity Assessment
- arxiv url: http://arxiv.org/abs/2012.09890v2
- Date: Thu, 24 Dec 2020 17:07:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-02 07:22:09.131559
- Title: Exploring Motion Boundaries in an End-to-End Network for Vision-based
Parkinson's Severity Assessment
- Title(参考訳): パーキンソン病度評価のためのエンドツーエンドネットワークにおける動作境界探索
- Authors: Amirhossein Dadashzadeh, Alan Whone, Michal Rolinski, Majid Mirmehdi
- Abstract要約: パーキンソン病の重症度を2つの重要な構成要素である手の動きと歩行で測定するためのエンドツーエンドのディープラーニングフレームワークを提示する。
本手法は,テンポラルセグメンテーションフレームワークで訓練された膨らんだ3次元cnnを用いて,映像データの時間構造と時間構造を学習する。
本研究では,25名のPD患者を対象に,手作業および歩行作業における72.3%,77.1%の上位1位精度のデータセットを用いて,提案手法を評価した。
- 参考スコア(独自算出の注目度): 2.359557447960552
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evaluating neurological disorders such as Parkinson's disease (PD) is a
challenging task that requires the assessment of several motor and non-motor
functions. In this paper, we present an end-to-end deep learning framework to
measure PD severity in two important components, hand movement and gait, of the
Unified Parkinson's Disease Rating Scale (UPDRS). Our method leverages on an
Inflated 3D CNN trained by a temporal segment framework to learn spatial and
long temporal structure in video data. We also deploy a temporal attention
mechanism to boost the performance of our model. Further, motion boundaries are
explored as an extra input modality to assist in obfuscating the effects of
camera motion for better movement assessment. We ablate the effects of
different data modalities on the accuracy of the proposed network and compare
with other popular architectures. We evaluate our proposed method on a dataset
of 25 PD patients, obtaining 72.3% and 77.1% top-1 accuracy on hand movement
and gait tasks respectively.
- Abstract(参考訳): パーキンソン病(PD)のような神経疾患を評価することは、運動機能や非運動機能の評価を必要とする課題である。
本稿では、UPDRS(Unified Parkinson's Disease Rating Scale)において、手の動きと歩行の2つの重要な要素におけるPD重症度を測定するためのエンドツーエンドディープラーニングフレームワークを提案する。
本手法は,テンポラルセグメンテーションフレームワークで訓練された膨らんだ3次元cnnを用いて,映像データの時間構造と時間構造を学習する。
また、モデルの性能を高めるための時間的注意機構も展開します。
さらに、モーション境界は、より優れた動き評価のためにカメラの動きの影響を隠蔽する追加の入力モダリティとして検討される。
提案するネットワークの精度に異なるデータモダリティが与える影響を補正し、他の一般的なアーキテクチャと比較する。
提案手法は,25名のpd患者を対象に72.3%,77.1%のtop-1精度を得た。
関連論文リスト
- 1D-Convolutional transformer for Parkinson disease diagnosis from gait [7.213855322671065]
本稿では,歩行からパーキンソン病の診断に有効なディープニューラルネットワークモデルを提案する。
本稿では,重症度を検知し,病状を正確に診断するためのハイブリッドConvNetTransform-erアーキテクチャを提案する。
提案手法は歩行データからパーキンソン病の異なる段階を検出するのに有効であることが示された。
論文 参考訳(メタデータ) (2023-11-06T15:17:17Z) - Auxiliary Tasks Benefit 3D Skeleton-based Human Motion Prediction [106.06256351200068]
本稿では,補助的なタスクを伴うモデル学習フレームワークを提案する。
補助作業では、部分体関節の座標はマスキングまたはノイズ付加によって損なわれる。
本稿では,不完全かつ破損した動作データを処理できる新しい補助適応変換器を提案する。
論文 参考訳(メタデータ) (2023-08-17T12:26:11Z) - Multimodal Indoor Localisation in Parkinson's Disease for Detecting
Medication Use: Observational Pilot Study in a Free-Living Setting [2.1726452647707792]
パーキンソン病(英: Parkinson's disease、PD)は、歩行障害を含む運動障害を引き起こす徐々に進行する神経変性疾患である。
運動ゆらぎ(英: motor fluctuations)とは、レボドーパ療法(オン)に陽性反応を示す期間と、薬効が低下するにつれてPD症状(オフ)が再発する期間の間の変化である。
これらの変動はしばしば歩行速度に影響し、PDが進行するにつれてその不安定な影響が増大する。
室内歩行速度の特徴を含む屋内局地化が、PD患者がレボドーパ薬を服用しているか、あるいは保留しているかを検知することにより、運動変動の評価に有効であるかどうかを評価することを目的とする。
論文 参考訳(メタデータ) (2023-08-03T08:55:21Z) - 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) - Motion-Scenario Decoupling for Rat-Aware Video Position Prediction:
Strategy and Benchmark [49.58762201363483]
本研究では,個人や環境の影響要因を考慮し,生物ロボットの動き予測データセットであるRatPoseを紹介する。
本稿では,シナリオ指向とモーション指向を効果的に分離するDual-stream Motion-Scenario Decouplingフレームワークを提案する。
難易度が異なるタスクに対して,提案したtextitDMSD フレームワークの大幅な性能向上を示す。
論文 参考訳(メタデータ) (2023-05-17T14:14:31Z) - GaitForeMer: Self-Supervised Pre-Training of Transformers via Human
Motion Forecasting for Few-Shot Gait Impairment Severity Estimation [27.081767446317095]
本稿では、GaitForeMer、Gait Forecastingおよび障害推定TransforMerを紹介する。
GaitForeMerは、歩行運動を予測するために、まず公開データセット上で事前訓練され、その後、歩行障害の重症度を予測するために臨床データに適用される。
F1スコアは0.76、精度は0.79、リコールは0.75である。
論文 参考訳(メタデータ) (2022-06-30T21:29:47Z) - Multimodal Indoor Localisation for Measuring Mobility in Parkinson's
Disease using Transformers [2.683727984711853]
パーキンソン病の10人から収集したデータと、さまざまなセンサーを備えたスマートホームで5日間生活した10人のコントロールを使っています。
屋内でより効果的にローカライズするために、2つのデータモダリティを利用したトランスフォーマーベースのアプローチを提案する。
提案手法は,a) 時間的相関を異なる尺度とレベルで学習し,b) 様々なゲーティング機構を用いて,モダリティ内で関連する特徴を選定し,不必要なモダリティを抑制する。
論文 参考訳(メタデータ) (2022-05-12T15:05:57Z) - Vision-based Estimation of MDS-UPDRS Gait Scores for Assessing
Parkinson's Disease Motor Severity [39.51722822896373]
パーキンソン病(英: Parkinson's disease、PD)は、運動機能に影響を及ぼす進行性神経疾患である。
PD障害の身体的重症度は、運動障害学会統一パーキンソン病評価尺度によって定量化することができる。
MDS-UPDRSの歩行スコアに基づいて、個人が撮影する非侵襲的な映像を観察し、3次元の身体骨格を抽出し、時間を通して追跡し、運動を分類するコンピュータビジョンベースモデルを提案する。
論文 参考訳(メタデータ) (2020-07-17T11:49:30Z) - Motion Pyramid Networks for Accurate and Efficient Cardiac Motion
Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。
我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。
そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文 参考訳(メタデータ) (2020-06-28T21:03:19Z) - AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement
with Neural Searching [76.4844593082362]
既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。
総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
論文 参考訳(メタデータ) (2020-04-26T05:43:21Z) - A Deep Learning Approach for Motion Forecasting Using 4D OCT Data [69.62333053044712]
我々は,OCTボリュームのストリームを用いたエンド・ツー・エンド動作予測と推定のための4次元時間深度学習を提案する。
提案手法は,全体の平均相関97.41%の動作予測を実現するとともに,従来の3D手法と比較して2.5倍の動作推定性能を向上する。
論文 参考訳(メタデータ) (2020-04-21T15:59:53Z)
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。