論文の概要: MedSensor: Medication Adherence Monitoring Using Neural Networks on
Smartwatch Accelerometer Sensor Data
- arxiv url: http://arxiv.org/abs/2105.08907v1
- Date: Wed, 19 May 2021 03:42:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-20 13:57:26.455925
- Title: MedSensor: Medication Adherence Monitoring Using Neural Networks on
Smartwatch Accelerometer Sensor Data
- Title（参考訳）: MedSensor: スマートウォッチ加速度センサデータを用いたニューラルネットワークを用いたメディケイトアドヒアランスモニタリング
- Authors: Chrisogonas Odhiambo (1 and 3), Pamela Wright (2 and 3), Cindy Corbett
(2 and 3), Homayoun Valafar (1 and 3) ((1) Computer Science and Engineering
Department, (2) College of Nursing, (3) University of South Carolina)
- Abstract要約: 薬物依存症は深刻な経済・健康問題を引き起こす。
我々は、スマートウォッチから加速度計の手の動きデータを収集するスマートウォッチアプリケーションを開発した。
ニューラルネットワークを開発し、その後、センサーデータのネットワークを訓練し、薬品や非薬効のジェスチャーを認識する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Poor medication adherence presents serious economic and health problems
including compromised treatment effectiveness, medical complications, and loss
of billions of dollars in wasted medicine or procedures. Though various
interventions have been proposed to address this problem, there is an urgent
need to leverage light, smart, and minimally obtrusive technology such as
smartwatches to develop user tools to improve medication use and adherence. In
this study, we conducted several experiments on medication-taking activities,
developed a smartwatch android application to collect the accelerometer hand
gesture data from the smartwatch, and conveyed the data collected to a central
cloud database. We developed neural networks, then trained the networks on the
sensor data to recognize medication and non-medication gestures. With the
proposed machine learning algorithm approach, this study was able to achieve
average accuracy scores of 97% on the protocol-guided gesture data, and 95% on
natural gesture data.
- Abstract（参考訳）: 治療効果の低下、合併症、何十億ドルもの無駄な医療や処置の損失など深刻な経済的・健康的な問題を引き起こす。
この問題に対処するために様々な介入が提案されているが、医薬品の使用と定着を改善するためのユーザーツールを開発するために、スマートウォッチのような軽量でスマートで最小限の難読化技術を活用する必要がある。
本研究は,薬物摂取に関するいくつかの実験を行い,スマートウォッチから加速度計の手の動きデータを収集するアンドロイドアプリケーションを開発し,収集したデータを中央クラウドデータベースに転送した。
ニューラルネットワークを開発し、センサーデータのネットワークを訓練し、薬品や非薬効のジェスチャーを認識する。
提案する機械学習アルゴリズムアプローチにより,提案手法を用いたジェスチャーデータでは平均精度スコア97%,自然なジェスチャーデータでは95%を達成した。
関連論文リスト
- RFID based Health Adherence Medicine Case Using Fair Federated Learning [0.0]
RFIDベースのデータ記録とNFCベースのデータ抽出を活用するスマートヘルスアテンデンスツールであるSmart Pill Caseを紹介した。
このシステムには、正確な量測定のためのロードセルが含まれており、薬の摂取をモニターし、提案し、警告を発するAndroidアプリを備えている。
フェデレートラーニングにより、Smart Pill Caseは、個々のプライバシーを損なうことなく、複数のユーザの薬の付着パターンから学ぶことができる。
論文 参考訳（メタデータ） (2024-08-21T17:12:40Z) - An Ensemble Mobile-Cloud Computing Method for Affordable and Accurate
Glucometer Readout [0.0]
本稿では,アンサンブル学習アルゴリズム,モバイル・クラウド・コンピューティング・サービスアーキテクチャ,高可用性と迅速な応答時間を実現するためのシンプルな圧縮手法を提案する。
提案手法は,2つの異なるデータセットに対して92.1%と97.7%の精度を実現し,従来の手法を40%改善し,(2) 必要な帯域幅を,1%の精度で45倍削減し,(3) モバイル専用,クラウド専用,スプリットコンピューティング,早期終了サービスモデルと比較して,優れた可用性を提供する。
論文 参考訳（メタデータ） (2023-01-04T18:48:53Z) - 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) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - Remote Medication Status Prediction for Individuals with Parkinson's
Disease using Time-series Data from Smartphones [75.23250968928578]
本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。
提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
論文 参考訳（メタデータ） (2022-07-26T02:08:08Z) - 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) - Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。
HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。
我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
論文 参考訳（メタデータ） (2022-03-14T17:05:59Z) - An adaptive cognitive sensor node for ECG monitoring in the Internet of
Medical Things [0.7646713951724011]
インターネット・オブ・メディカル・モノズ(IoMT)パラダイムは、複数の臨床試験や医療処置で主流になりつつある。
本研究では,資源制約型コンピューティングプラットフォームにおける認知データ解析アルゴリズムの実装について検討する。
コンボリューションニューラルネットワークを用いて心電図のトレースを分類する手法について検討した。
論文 参考訳（メタデータ） (2021-06-11T16:49:10Z) - Interpretable Deep Learning for the Remote Characterisation of
Ambulation in Multiple Sclerosis using Smartphones [3.5547766520356547]
スマートフォンの慣性センサデータに適用した深層畳み込みニューラルネットワーク (dcnn) は, 健常者とms群との区別が良好であった。
同様の大規模オープンソースデータセットからの転送学習(tl)モデルを提案した。
ブラックボックス」深層ネットワークの透明性の欠如は、臨床応用における深層学習の広く受け入れられる最大の障害の1つである。
論文 参考訳（メタデータ） (2021-03-16T16:15:49Z) - 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 Injectable Medication Adherence via a Smart Sharps Bin and
Machine Learning [0.9869634509510016]
当科では,次の予定薬の時間帯に薬剤を服用することに関して,患者の行動に関する予測を行う。
私たちはこれを、多くの機械学習モデルを活用することで実現しています。
提案した機械学習手法は、受信器動作特性曲線(ROC AUC)0.86の領域を示す非常に優れた予測性能を示した。
論文 参考訳（メタデータ） (2020-04-02T17:16:51Z)
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。