論文の概要: Identity and Posture Recognition in Smart Beds with Deep Multitask Learning

• arxiv url: http://arxiv.org/abs/2104.02159v1
• Date: Mon, 5 Apr 2021 21:21:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-07 23:41:40.466692
• Title: Identity and Posture Recognition in Smart Beds with Deep Multitask Learning
• Title（参考訳）: 深層マルチタスク学習によるスマートベッドのアイデンティティと姿勢認識
• Authors: Vandad Davoodnia, Ali Etemad
• Abstract要約: 被験者とその睡眠姿勢を正確に検出できる堅牢な深層学習モデルを提案する。 喪失機能の組み合わせは、被験者と睡眠姿勢を同時に区別するために使用される。 提案するアルゴリズムは、最終的に臨床およびスマートホーム環境で使用できる。
• 参考スコア（独自算出の注目度）: 8.422257363944295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sleep posture analysis is widely used for clinical patient monitoring and sleep studies. Earlier research has revealed that sleep posture highly influences symptoms of diseases such as apnea and pressure ulcers. In this study, we propose a robust deep learning model capable of accurately detecting subjects and their sleeping postures using the publicly available data acquired from a commercial pressure mapping system. A combination of loss functions is used to discriminate subjects and their sleeping postures simultaneously. The experimental results show that our proposed method can identify the patients and their in-bed posture with almost no errors in a 10-fold cross-validation scheme. Furthermore, we show that our network achieves an average accuracy of up to 99% when faced with new subjects in a leave-one-subject-out validation procedure on the three most common sleeping posture categories. We demonstrate the effects of the combined cost function over its parameter and show that learning both tasks simultaneously improves performance significantly. Finally, we evaluate our proposed pipeline by testing it over augmented images of our dataset. The proposed algorithm can ultimately be used in clinical and smart home environments as a complementary tool with other available automated patient monitoring systems.
• Abstract（参考訳）: 睡眠姿勢分析は臨床患者モニタリングや睡眠研究に広く用いられている。 以前の研究によると、睡眠姿勢は無呼吸症や圧力潰瘍などの疾患の症状に大きく影響している。 本研究では,商用圧マッピングシステムから取得した公開データを用いて,被験者とその睡眠姿勢を正確に検出できるロバストな深層学習モデルを提案する。 喪失機能の組み合わせは、被験者と睡眠姿勢を同時に区別するために使用される。 実験の結果,提案手法は10倍のクロスバリデーション法でほとんど誤差のない患者とそのベッド内姿勢を同定できることがわかった。 また,本ネットワークは,最も一般的な3つの睡眠姿勢カテゴリにおいて,新たな被験者と対面した場合の平均精度を最大99%達成することを示した。 複合コスト関数がパラメータに与える影響を実証し,両タスクの学習が性能を著しく向上することを示す。 最後に,データセットの拡張画像上でテストすることにより,提案パイプラインを評価する。 提案アルゴリズムは最終的に臨床およびスマートホーム環境において、他の自動化された患者監視システムと相補的なツールとして利用することができる。

関連論文リスト

• RLPeri: Accelerating Visual Perimetry Test with Reinforcement Learning and Convolutional Feature Extraction [8.88154717905851]
  RLPeriは、視覚的ペリメトリテストの最適化のための強化学習に基づくアプローチである。 我々は、正確な結果を提供しながら、視覚的腹腔鏡検査をより効率的かつ患者に優しいものにすることを目指している。
  論文  参考訳（メタデータ） (2024-03-08T07:19:43Z)
• Sleep Activity Recognition and Characterization from Multi-Source Passively Sensed Data [67.60224656603823]
  睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。 本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。 これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
  論文  参考訳（メタデータ） (2023-01-17T15:18:45Z)
• KIDS: kinematics-based (in)activity detection and segmentation in a sleep case study [5.707737640557724]
  睡眠行動とベッド内の運動は、人々の神経生理学的健康に関する豊富な情報を含んでいる。 本稿では,臨床的に有意な関節キネマティクスに基づく客観的(in)アクティビティ検出とセグメンテーションのためのオンラインベイズ確率的枠組みを提案する。
  論文  参考訳（メタデータ） (2023-01-04T16:24:01Z)
• Heterogeneous Hidden Markov Models for Sleep Activity Recognition from Multi-Source Passively Sensed Data [67.60224656603823]
  精神科患者の受動的活動監視は、リアルタイムでの行動変化を検出するために不可欠である。 睡眠行動認識は、患者の活動サイクルを表現する行動マーカーである。 スマートフォンから受動的に検出されたデータは、患者の生体リズムに優れた代替手段である。
  論文  参考訳（メタデータ） (2022-11-08T17:29:40Z)
• Sleep Posture One-Shot Learning Framework Using Kinematic Data Augmentation: In-Silico and In-Vivo Case Studies [6.123523234813773]
  睡眠姿勢は、夜行性クランプやより深刻な筋骨格障害などのいくつかの健康状態と関連している。 本稿では,最小限の関節角度測定に基づく睡眠姿勢分類のための新しい枠組みを提案する。 提案されたフレームワークは、合成データで100%、実データで92.7%の精度を約束し、文献で利用可能なアートデータハングリーアルゴリズムの状況に匹敵する精度を達成した。
  論文  参考訳（メタデータ） (2022-05-22T09:06:42Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• Low-Regret Active learning [64.36270166907788]
  トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。 私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
  論文  参考訳（メタデータ） (2021-04-06T22:53:45Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• 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)

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。