論文の概要: Enhancement of Healthcare Data Performance Metrics using Neural Network Machine Learning Algorithms

• arxiv url: http://arxiv.org/abs/2201.05962v1
• Date: Sun, 16 Jan 2022 04:08:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-01-22 08:02:59.497055
• Title: Enhancement of Healthcare Data Performance Metrics using Neural Network Machine Learning Algorithms
• Title（参考訳）: ニューラルネットワーク機械学習アルゴリズムを用いた医療データパフォーマンス指標の強化
• Authors: Qi An, Patryk Szewczyk, Michael N Johnstone, James Jin Kang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.3058685580689604
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Patients are often encouraged to make use of wearable devices for remote collection and monitoring of health data. This adoption of wearables results in a significant increase in the volume of data collected and transmitted. The battery life of the devices is then quickly diminished due to the high processing requirements of the devices. Given the importance attached to medical data, it is imperative that all transmitted data adhere to strict integrity and availability requirements. Reducing the volume of healthcare data for network transmission may improve sensor battery life without compromising accuracy. There is a trade-off between efficiency and accuracy which can be controlled by adjusting the sampling and transmission rates. This paper demonstrates that machine learning can be used to analyse complex health data metrics such as the accuracy and efficiency of data transmission to overcome the trade-off problem. The study uses time series nonlinear autoregressive neural network algorithms to enhance both data metrics by taking fewer samples to transmit. The algorithms were tested with a standard heart rate dataset to compare their accuracy and efficiency. The result showed that the Levenbery-Marquardt algorithm was the best performer with an efficiency of 3.33 and accuracy of 79.17%, which is similar to other algorithms accuracy but demonstrates improved efficiency. This proves that machine learning can improve without sacrificing a metric over the other compared to the existing methods with high efficiency.
• Abstract（参考訳）: 患者はしばしば、健康データのリモート収集と監視にウェアラブルデバイスを使うことを推奨される。 このウェアラブルの採用は、収集および送信されるデータの量を大幅に増加させる。 そして、デバイスの高い処理要件により、デバイスのバッテリー寿命が急速に減少する。 医療データに付随する重要性を考えると、送信されたデータはすべて厳密な整合性と可用性要件に従うことが必須である。 ネットワーク伝送のための医療データの量を減らすことで、精度を損なうことなくセンサーのバッテリー寿命を改善することができる。 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,機械学習を用いて,データ伝送の正確性と効率といった複雑な健康データ指標を分析し,トレードオフ問題を克服できることを実証する。 この研究では、時系列の非線形自己回帰ニューラルネットワークアルゴリズムを使用して、送信するサンプルを少なくすることで、両方のデータメトリクスを強化する。 アルゴリズムは標準心拍数データセットでテストされ、精度と効率を比較した。 その結果、レベンベリー=マーカルトアルゴリズムは効率が3.33で精度が79.17%で、他のアルゴリズムの精度は似ているが効率は向上した。 これにより、機械学習は、既存の方法に比べて高い効率でメトリクスを犠牲にすることなく改善できることが証明される。

関連論文リスト

• Efficient human-in-loop deep learning model training with iterative refinement and statistical result validation [0.0]
  本稿では,超音波イメージング機械学習パイプラインのデータクリーニングに必要なセグメンテーションを作成する方法を紹介する。 本研究では、自動生成したトレーニングデータと人間の視覚的チェックを高速に活用し、時間とコストを低く保ちながら、モデルの精度を向上させる4段階の手法を提案する。 本手法は、静的PHIを含む背景データを除去し、心臓超音波セグメンテーションタスクで実演する。
  論文  参考訳（メタデータ） (2023-04-03T13:56:01Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• 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)
• 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)
• Semi-Supervised Generative Adversarial Network for Stress Detection Using Partially Labeled Physiological Data [0.0]
  半スーパービジョンアルゴリズムは、安価な感情状態検出システムのための実行可能な方法である。 本稿では, ストレス検出のための WESAD (Wearable Stress and Affect Detection) データセット上で, 完全教師付きアルゴリズムとSSLを比較した。
  論文  参考訳（メタデータ） (2022-06-30T01:58:33Z)
• Enhancement of Healthcare Data Transmission using the Levenberg-Marquardt Algorithm [0.0]
  本稿では、機械学習を用いて、データ伝送の精度や効率などの複雑な健康データメトリクスを解析できることを実証する。 アルゴリズムは標準心拍データセットでテストされ、メトリクスを比較します。 その結果、LMAはサンプルデータサイズの削減と79.17%の精度で3.33倍の効率で実行された。
  論文  参考訳（メタデータ） (2022-06-09T02:57:42Z)
• Understanding Memorization from the Perspective of Optimization via Efficient Influence Estimation [54.899751055620904]
  本研究では,実データ(実データ)とランダムラベル(ランダムデータ)のデータに対する,ターンオーバードロップアウトによる暗記現象,影響と暗記を効率的に推定する手法について検討する。 i) 実データと乱データの両方において、簡単な例(例えば、実データ)と難しい例(例えば、乱データ)の最適化は、ネットワークによって同時に行われる。
  論文  参考訳（メタデータ） (2021-12-16T11:34:23Z)
• AMSER: Adaptive Multi-modal Sensing for Energy Efficient and Resilient eHealth Systems [5.04685484754788]
  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。
  論文  参考訳（メタデータ） (2021-12-13T00:52:33Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Transformer Networks for Data Augmentation of Human Physical Activity Recognition [61.303828551910634]
  Recurrent Generative Adrial Networks (RGAN)のような最先端技術モデルは、リアルな合成データを生成するために使用される。 本稿では,データにグローバルな注意を払っているトランスフォーマーベースの生成敵ネットワークを,PAMAP2とリアルワールドヒューマンアクティビティ認識データセットでRGANと比較する。
  論文  参考訳（メタデータ） (2021-09-02T16:47:29Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)

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。