論文の概要: AMSER: Adaptive Multi-modal Sensing for Energy Efficient and Resilient
eHealth Systems
- arxiv url: http://arxiv.org/abs/2112.08176v1
- Date: Mon, 13 Dec 2021 00:52:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-17 08:03:00.805688
- Title: AMSER: Adaptive Multi-modal Sensing for Energy Efficient and Resilient
eHealth Systems
- Title（参考訳）: AMSER:エネルギー効率・レジリエンスeヘルスシステムのための適応型マルチモーダルセンシング
- Authors: Emad Kasaeyan Naeini, Sina Shahhosseini, Anil Kanduri, Pasi Liljeberg,
Amir M. Rahmani, Nikil Dutt
- Abstract要約: 感覚データ取得時のノイズの多い入力と動きアーチファクトは、eHealthサービスの予測精度とレジリエンスに影響を与える。
本稿では,ガベージインガベージアウトを軽減できるマルチモーダルeHealthアプリケーション AMSER のためのクローズドループモニタリングおよび制御フレームワークを提案する。
提案手法は, 予測精度が最大22%向上し, 5.6$times$ Energy consumption reduction in the sensor phaseが得られた。
- 参考スコア（独自算出の注目度）: 5.04685484754788
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: eHealth systems deliver critical digital healthcare and wellness services for
users by continuously monitoring physiological and contextual data. eHealth
applications use multi-modal machine learning kernels to analyze data from
different sensor modalities and automate decision-making. Noisy inputs and
motion artifacts during sensory data acquisition affect the i) prediction
accuracy and resilience of eHealth services and ii) energy efficiency in
processing garbage data. Monitoring raw sensory inputs to identify and drop
data and features from noisy modalities can improve prediction accuracy and
energy efficiency. We propose a closed-loop monitoring and control framework
for multi-modal eHealth applications, AMSER, that can mitigate garbage-in
garbage-out by i) monitoring input modalities, ii) analyzing raw input to
selectively drop noisy data and features, and iii) choosing appropriate machine
learning models that fit the configured data and feature vector - to improve
prediction accuracy and energy efficiency. We evaluate our AMSER approach using
multi-modal eHealth applications of pain assessment and stress monitoring over
different levels and types of noisy components incurred via different sensor
modalities. Our approach achieves up to 22\% improvement in prediction accuracy
and 5.6$\times$ energy consumption reduction in the sensing phase against the
state-of-the-art multi-modal monitoring application.
- Abstract（参考訳）: ehealthシステムは、生理的および文脈的なデータを継続的に監視することにより、ユーザに重要なデジタルヘルスケアとウェルネスサービスを提供する。
ehealthアプリケーションはマルチモーダル機械学習カーネルを使用して、さまざまなセンサモダリティのデータを分析し、意思決定を自動化する。
知覚データ取得時のノイズ入力と動きアーチファクトが影響する
i)eヘルスサービスの正確性とレジリエンスの予測
二 ゴミデータの処理におけるエネルギー効率
生の感覚入力を監視してデータや特徴をノイズのあるモダリティから識別・ドロップすることで、予測精度とエネルギー効率を向上させることができる。
ガベージインガベージアウトを軽減できるマルチモーダルeヘルスアプリケーション AMSER のためのクローズドループモニタリングおよび制御フレームワークを提案する。
一 入力モダリティの監視
二 生入力を分析して、ノイズデータ及び特徴を選択的にドロップすること。
三 予測精度及びエネルギー効率を向上させるため、設定されたデータと特徴ベクトルに適合する適切な機械学習モデルを選択すること。
痛み評価とストレスモニタリングのマルチモーダルehealth応用によるamserアプローチの評価を行った。
本手法は,最先端のマルチモーダルモニタリングアプリケーションに対して,最大22\%の予測精度向上と5.6$\times$エネルギー消費削減を実現する。
関連論文リスト
- Scaling Wearable Foundation Models [54.93979158708164]
センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。
最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。
この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
論文 参考訳（メタデータ） (2024-10-17T15:08:21Z) - Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health
Monitoring Systems [69.41229290253605]
既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。
これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。
最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
論文 参考訳（メタデータ） (2024-01-19T16:26:35Z) - Machine Learning and Feature Ranking for Impact Fall Detection Event
Using Multisensor Data [1.9731252964716424]
我々は、マルチセンサUP-FALLデータセットから最も関連性の高い特徴を特定するために、特徴選択プロセスを採用している。
次に、インパクトモーメントの検出における各種機械学習モデルの効率性を評価する。
この結果から, 落下検出にマルチセンサデータを活用する能力を示すとともに, 衝突検出の精度向上を実現した。
論文 参考訳（メタデータ） (2023-12-21T01:05:44Z) - Edge-centric Optimization of Multi-modal ML-driven eHealth Applications [3.580536707578708]
スマートeHealthアプリケーションは、複数のモードからの入力データを検知し、エッジやクラウドノードにデータを送信し、計算集約機械学習(ML)アルゴリズムでデータを処理します。
本稿では,機械学習によるeHealthアプリケーションのためのエッジ中心の最適化手法,精度-性能トレードオフの探索,および層間共最適化について述べる。
論文 参考訳（メタデータ） (2022-08-04T11:51:34Z) - Enhancement of Healthcare Data Performance Metrics using Neural Network
Machine Learning Algorithms [0.3058685580689604]
サンプリングレートと送信レートを調整することで制御できる効率と精度のトレードオフがある。
本稿では、機械学習が複雑な健康データメトリクスの分析に利用できることを示す。
Levenbery-Marquardtアルゴリズムは3.33の効率と79.17%の精度で最高の性能を発揮した。
論文 参考訳（メタデータ） (2022-01-16T04:08:07Z) - DeepTimeAnomalyViz: A Tool for Visualizing and Post-processing Deep
Learning Anomaly Detection Results for Industrial Time-Series [88.12892448747291]
DeTAVIZ インタフェースは Web ブラウザをベースとした可視化ツールで,特定の問題における DL ベースの異常検出の実現可能性の迅速な探索と評価を行う。
DeTAVIZを使えば、ユーザーは複数のポスト処理オプションを簡単かつ迅速に繰り返し、異なるモデルを比較することができ、選択したメトリックに対して手動で最適化できる。
論文 参考訳（メタデータ） (2021-09-21T10:38:26Z) - 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) - Feeling of Presence Maximization: mmWave-Enabled Virtual Reality Meets
Deep Reinforcement Learning [76.46530937296066]
本稿では,無線モバイルユーザに対して,超信頼性でエネルギー効率のよいバーチャルリアリティ(VR)体験を提供するという課題について検討する。
モバイルユーザへの信頼性の高い超高精細ビデオフレーム配信を実現するために,コーディネートマルチポイント(CoMP)伝送技術とミリ波(mmWave)通信を利用する。
論文 参考訳（メタデータ） (2021-06-03T08:35:10Z) - Reinforcement Learning for Minimizing Age of Information in Real-time
Internet of Things Systems with Realistic Physical Dynamics [158.67956699843168]
本稿では,インターネット・オブ・モノ(IoT)デバイスにおける情報量(AoI)と総エネルギー消費の重み付けを最小化する問題について検討する。
サンプリングポリシを最適化するために,分散強化学習手法を提案する。
PM 2.5公害の実データを用いたシミュレーションでは、提案アルゴリズムがAoIの合計を最大17.8%および33.9%削減できることが示された。
論文 参考訳（メタデータ） (2021-04-04T03:17:26Z) - 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) - SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。
動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。
評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7～13%向上し,環境のダイナミクスが最大30%向上することがわかった。
論文 参考訳（メタデータ） (2020-12-04T23:06:56Z)
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。