Fugu-MT 論文翻訳(概要): Early Mobility Recognition for Intensive Care Unit Patients Using Accelerometers

論文の概要: Early Mobility Recognition for Intensive Care Unit Patients Using Accelerometers

arxiv url: http://arxiv.org/abs/2106.15017v1
Date: Mon, 28 Jun 2021 22:59:31 GMT
ステータス: 処理完了
システム内更新日: 2021-07-01 06:57:09.186570
Title: Early Mobility Recognition for Intensive Care Unit Patients Using Accelerometers
Title（参考訳）: 加速度計を用いた集中治療ユニット患者の早期移動認識
Authors: Rex Liu, Sarina A Fazio, Huanle Zhang, Albara Ah Ramli, Xin Liu, Jason Yeates Adams
Abstract要約: Intensive Care Unit (ICU) 患者に対するヒト活動認識, 早期移動認識の医療応用を提案する。我々のシステムには、ICU患者からの加速度計に基づくデータ収集と、患者の早期モビリティを認識するAIモデルが含まれている。その結果,モデル精度は77.78%から81.86%に向上し,モデル不安定性(標準偏差)は16.69%から6.92%に低下した。
参考スコア（独自算出の注目度）: 3.772793938066986
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the development of the Internet of Things(IoT) and Artificial Intelligence(AI) technologies, human activity recognition has enabled various applications, such as smart homes and assisted living. In this paper, we target a new healthcare application of human activity recognition, early mobility recognition for Intensive Care Unit(ICU) patients. Early mobility is essential for ICU patients who suffer from long-time immobilization. Our system includes accelerometer-based data collection from ICU patients and an AI model to recognize patients' early mobility. To improve the model accuracy and stability, we identify features that are insensitive to sensor orientations and propose a segment voting process that leverages a majority voting strategy to recognize each segment's activity. Our results show that our system improves model accuracy from 77.78\% to 81.86\% and reduces the model instability (standard deviation) from 16.69\% to 6.92\%, compared to the same AI model without our feature engineering and segment voting process.
Abstract（参考訳）: IoT(Internet of Things)とAI(Artificial Intelligence)技術の開発により、スマートホームや生活支援など、さまざまな応用が可能になった。本稿では, 集中治療ユニット(icu)患者に対する, ヒューマンアクティビティ認識, 早期モビリティ認識の新しい医療応用を目標とした。早期移動は長期固定化に苦しむICU患者に必須である。我々のシステムには、ICU患者からの加速度計に基づくデータ収集と、患者の早期モビリティを認識するAIモデルが含まれている。モデルの精度と安定性を向上させるために,センサの向きに敏感な特徴を特定し,多数決戦略を活用して各セグメントの活動を認識するセグメント投票方式を提案する。この結果から, モデル精度は77.78\%から81.86\%に向上し, モデル不安定性(標準偏差)は16.69\%から6.92\%に低下することがわかった。

関連論文リスト

AIPatient: Simulating Patients with EHRs and LLM Powered Agentic Workflow [33.8495939261319]
本稿では,AIPatient Knowledge Graph (AIPatient KG) を入力とし,生成バックボーンとしてReasoning Retrieval-Augmented Generation (RAG) を開発した。 Reasoning RAGは、検索、KGクエリ生成、抽象化、チェッカー、書き直し、要約を含むタスクにまたがる6つのLLMエージェントを活用する。 ANOVA F-value 0.6126, p>0.1, ANOVA F-value 0.782, p>0.1, ANOVA F-value 0.782, p>0.1, ANOVA F-value 0.6126, p>0.1)。
論文参考訳（メタデータ） (2024-09-27T17:17:15Z)
Ensemble Modeling of Multiple Physical Indicators to Dynamically Phenotype Autism Spectrum Disorder [3.6630139570443996]
自閉症スペクトラム障害(ASD)に関連する表現型マーカーを検出するためのコンピュータビジョンモデルをトレーニングするためのデータセットを提供する。視線,頭位,顔のランドマークを入力として,LSTMを用いた個別モデルを訓練し,テストAUCは86%,67%,78%であった。
論文参考訳（メタデータ） (2024-08-23T17:55:58Z)
The Potential of Wearable Sensors for Assessing Patient Acuity in Intensive Care Unit (ICU) [12.359907390320453]
エクイティアセスメントは、タイムリーな介入と公平なリソース割り当てを提供するために、重要なケア設定において不可欠である。従来のAcuityスコアには、ICUの回復や劣化を示す、患者のモビリティレベルなどの詳細な情報が含まれていない。本研究では,手首の加速度計から収集したモビリティデータとEHRから得られた臨床データとを統合してAIによる明度評価スコアを作成することによる影響について検討した。
論文参考訳（メタデータ） (2023-11-03T21:52:05Z)
Walk4Me: Telehealth Community Mobility Assessment, An Automated System for Early Diagnosis and Disease Progression [2.96872688940436]
本研究では,早期診断,重症度,進行診断を容易にする遠隔地移動度評価システムであるWalk4Meを紹介する。これを実現するために、我々は、人工知能(AI)を用いた、患者および典型的に発達する仲間の歩行特性の検出を用いる。我々のシステムは,新しいWalk4Me APIを用いて,デバイスセンサ(モバイルデバイスからの加速度など)からリモートおよびリアルタイムにデータを収集する。
論文参考訳（メタデータ） (2023-05-05T10:47:34Z)
Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。ブタ前眼の精度と再現性について実験を行った。
論文参考訳（メタデータ） (2023-01-17T21:41:21Z)
Exploring linguistic feature and model combination for speech recognition based automatic AD detection [61.91708957996086]
音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
論文参考訳（メタデータ） (2022-06-28T05:09:01Z)
Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文参考訳（メタデータ） (2022-05-19T17:34:18Z)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
論文参考訳（メタデータ） (2021-08-31T08:23:56Z)
Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
論文参考訳（メタデータ） (2021-03-06T09:10:03Z)
A Machine Learning Early Warning System: Multicenter Validation in Brazilian Hospitals [4.659599449441919]
臨床劣化の早期認識は、入院患者の死亡率と死亡率を減らすための主要なステップの1つである。 Intensive Care Unit, ICUと比較して, 病院病棟は注目度が低いため, プラットフォームがERHのストリームに接続されている場合, 危険な状況に対する意識が大幅に改善する可能性が示唆された。機械学習の適用により、システムは患者のすべての履歴を考慮し、高いパフォーマンスの予測モデルを使用することで、インテリジェントな早期警告システムを実現することができる。
論文参考訳（メタデータ） (2020-06-09T21:21:38Z)

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。