論文の概要: An Activity Recognition Framework for Continuous Monitoring of
Non-Steady-State Locomotion of Individuals with Parkinson's Disease
- arxiv url: http://arxiv.org/abs/2110.06137v1
- Date: Fri, 8 Oct 2021 20:35:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-17 08:09:29.558888
- Title: An Activity Recognition Framework for Continuous Monitoring of
Non-Steady-State Locomotion of Individuals with Parkinson's Disease
- Title（参考訳）: パーキンソン病患者の非定常運動の連続的モニタリングのための活動認識フレームワーク
- Authors: Mahdieh Kazemimoghadam and Nicholas P. Fey
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.9137554315375922
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fundamental knowledge in activity recognition of individuals with motor
disorders such as Parkinson's disease (PD) has been primarily limited to
detection of steady-state/static tasks (sitting, standing, walking). To date,
identification of non-steady-state locomotion on uneven terrains (stairs,
ramps) has not received much attention. Furthermore, previous research has
mainly relied on data from a large number of body locations which could
adversely affect user convenience and system performance. Here, individuals
with mild stages of PD and healthy subjects performed non-steady-state circuit
trials comprising stairs, ramp, and changes of direction. An offline analysis
using a linear discriminant analysis (LDA) classifier and a Long-Short Term
Memory (LSTM) neural network was performed for task recognition. The
performance of accelerographic and gyroscopic information from varied
lower/upper-body segments were tested across a set of user-independent and
user-dependent training paradigms. Comparing the F1 score of a given signal
across classifiers showed improved performance using LSTM compared to LDA.
Using LSTM, even a subset of information (e.g., feet data) in
subject-independent training appeared to provide F1 score > 0.8. However,
employing LDA was shown to be at the expense of being limited to using a
subject-dependent training and/or biomechanical data from multiple body
locations. The findings could inform a number of applications in the field of
healthcare monitoring and developing advanced lower-limb assistive devices by
providing insights into classification schemes capable of handling
non-steady-state and unstructured locomotion in individuals with mild
Parkinson's disease.
- Abstract（参考訳）: パーキンソン病(PD)のような運動障害のある人の活動認識に関する基本的な知識は、定常的・静的なタスク(座り、立ち、歩く)の検出に限られている。
これまで、不均一な地形(階段、傾斜路)における非定常状態の移動の同定は、あまり注目されていない。
さらに,従来の研究は,利用者の利便性やシステム性能に悪影響を及ぼす可能性のある多数の身体位置のデータに大きく依存していた。
ここでは, 軽度pdおよび健常者を対象に, 階段, 傾斜, 方向変化を含む非定常サーキット試験を行った。
タスク認識のために,線形判別分析(LDA)分類器とLong-Short Term Memory(LSTM)ニューラルネットワークを用いたオフライン解析を行った。
各種低身長セグメントの加速度情報およびジャイロ情報の性能を,ユーザ非依存およびユーザ依存のトレーニングパラダイムで検証した。
信号のF1スコアを分類器間で比較すると,LSTMではLDAに比べて性能が向上した。
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。
しかし, LDAの使用は, 複数の身体部位から, 被検者に依存したトレーニングやバイオメカニカルデータの使用に限られていることが明らかとなった。
この発見は、軽度パーキンソン病患者の非定常状態および非構造的ロコモーションを処理可能な分類スキームに関する洞察を提供することで、医療監視および高度な低リンブ補助装置の開発の分野で多くの応用に役立つ可能性がある。
関連論文リスト
- FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。
機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。
本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
論文 参考訳（メタデータ） (2024-10-28T02:24:01Z) - Active Foundational Models for Fault Diagnosis of Electrical Motors [0.5999777817331317]
電気モーターの故障検出と診断は、産業システムの安全かつ信頼性の高い運転を保証する上で最も重要である。
マシン故障診断のための既存のデータ駆動ディープラーニングアプローチは、大量のラベル付きサンプルに大きく依存している。
ラベル付きサンプルを少ない量で活用する基礎モデルに基づくアクティブラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-27T03:25:12Z) - Leveraging Unlabelled Data in Multiple-Instance Learning Problems for
Improved Detection of Parkinsonian Tremor in Free-Living Conditions [80.88681952022479]
本稿では,半教師付き学習とマルチスタンス学習を組み合わせた新しい手法を提案する。
本研究は,454被験者の非競合データを活用することにより,物体ごとの震動検出において大きな性能向上が達成できることを示す。
論文 参考訳（メタデータ） (2023-04-29T12:25:10Z) - RoS-KD: A Robust Stochastic Knowledge Distillation Approach for Noisy
Medical Imaging [67.02500668641831]
ノイズの多いデータセットでトレーニングされたディープラーニングモデルは、ノイズタイプに敏感であり、目に見えないサンプルの一般化が少なくなる。
本稿では,複数の情報源からトピックを学習する概念を模倣したロバスト知識蒸留(RoS-KD)フレームワークを提案する。
RoS-KDは、訓練データの重複する部分集合について訓練された複数の教師から知識を蒸留することにより、滑らかで、よく表現された、堅牢な学生多様体を学習する。
論文 参考訳（メタデータ） (2022-10-15T22:32:20Z) - 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) - Automated Mobility Context Detection with Inertial Signals [7.71058263701836]
本研究の主な目的は,日常の運動機能の遠隔監視のためのコンテキスト検出について検討することである。
本研究の目的は、ウェアラブル加速度計でサンプリングされた慣性信号が、歩行関連活動を屋内または屋外に分類するための信頼性の高い情報を提供するかを理解することである。
論文 参考訳（メタデータ） (2022-05-16T09:34:43Z) - MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated
Learning [92.91544082745196]
フェデレートラーニング(FL)は医用画像解析に広く用いられている。
FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。
2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
論文 参考訳（メタデータ） (2022-05-03T14:06:03Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳（メタデータ） (2021-04-29T00:11:32Z) - 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) - Machine learning discrimination of Parkinson's Disease stages from
walker-mounted sensors data [0.0]
本研究は,パーキンソン病進行の6段階を識別するための機械学習手法を適用した。
データは、運動障害クリニックの実験で、低コストの歩行センサーによって取得されました。
論文 参考訳（メタデータ） (2020-06-22T09:34:12Z) - 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。