論文の概要: Efficient Deep Learning-based Estimation of the Vital Signs on
Smartphones
- arxiv url: http://arxiv.org/abs/2204.08989v1
- Date: Wed, 13 Apr 2022 21:20:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-24 15:28:49.873192
- Title: Efficient Deep Learning-based Estimation of the Vital Signs on
Smartphones
- Title(参考訳): スマートフォン上でのバイタルサインの効率的な深層学習に基づく推定
- Authors: Taha Samavati, Mahdi Farvardin
- Abstract要約: 本研究では,ディープラーニングによるモバイルベースバイタルサイン推定の新しいエンドツーエンドソリューションを提案する。
提案手法は前処理を必要としない。
実験結果から,最先端の予測精度が示された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nowadays, due to the widespread use of smartphones in everyday life and the
improvement of computational capabilities of these devices, many complex tasks
can now be deployed on them. Concerning the need for continuous monitoring of
vital signs, especially for the elderly or those with certain types of
diseases, the development of algorithms that can estimate vital signs using
smartphones has attracted researchers worldwide. Such algorithms estimate vital
signs (heart rate and oxygen saturation level) by processing an input PPG
signal. These methods often apply multiple pre-processing steps to the input
signal before the prediction step. This can increase the computational
complexity of these methods, meaning only a limited number of mobile devices
can run them. Furthermore, multiple pre-processing steps also require the
design of a couple of hand-crafted stages to obtain an optimal result. This
research proposes a novel end-to-end solution to mobile-based vital sign
estimation by deep learning. The proposed method does not require any
pre-processing. Due to the use of fully convolutional architecture, the
parameter count of our proposed model is, on average, a quarter of the ordinary
architectures that use fully-connected layers as the prediction heads. As a
result, the proposed model has less over-fitting chance and computational
complexity. A public dataset for vital sign estimation, including 62 videos
collected from 35 men and 27 women, is also provided. The experimental results
demonstrate state-of-the-art estimation accuracy.
- Abstract(参考訳): 今日では、日常生活におけるスマートフォンの普及と、これらのデバイスの計算能力の向上により、多くの複雑なタスクを配置できるようになった。
バイタルサインの連続的モニタリングの必要性、特に高齢者や特定の疾患の患者に対して、スマートフォンを用いてバイタルサインを推定できるアルゴリズムの開発は、世界中の研究者を惹きつけている。
このようなアルゴリズムは入力PSG信号を処理してバイタルサイン(ハートレートと酸素飽和レベル)を推定する。
これらの方法は、予測ステップの前に入力信号に複数の前処理ステップを適用することが多い。
これにより、これらの手法の計算複雑性が増大し、限られた数のモバイルデバイスでしか実行できない。
さらに、複数の前処理ステップは、最適な結果を得るためにいくつかの手作りのステージの設計も必要である。
本研究では,ディープラーニングによるモバイルベースバイタルサイン推定の新しいエンドツーエンドソリューションを提案する。
提案手法は前処理を必要としない。
完全畳み込み型アーキテクチャを用いることで,提案したモデルのパラメータ数は平均して,完全連結層を予測ヘッドとして使用する通常のアーキテクチャの4分の1である。
その結果、提案モデルでは、過度に適合する確率と計算量が少なくなった。
35人の男性と27人の女性から収集された62のビデオを含むバイタルサイン推定のための公開データセットも提供されている。
実験結果は,最先端の予測精度を示す。
関連論文リスト
- Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。
PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文 参考訳(メタデータ) (2023-08-15T16:37:16Z) - Inter-case Predictive Process Monitoring: A candidate for Quantum
Machine Learning? [0.0]
この研究は、最近のケース間予測プロセスモニタリングの進歩に基づいている。
予測精度に対するケース間機能の影響を総合的にベンチマークする。
量子機械学習モデルが含まれており、古典的なモデルに勝るものと期待されている。
BPIチャレンジによる実世界のトレーニングデータの評価は、ケース間の特徴が精度の4%以上向上していることを示している。
論文 参考訳(メタデータ) (2023-06-30T18:33:45Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳(メタデータ) (2023-04-12T14:51:47Z) - A Survey on the Integration of Machine Learning with Sampling-based
Motion Planning [9.264471872135623]
本調査は、サンプリングベースモーションプランナー(SBMP)の計算効率と適用性を改善するための機械学習の取り組みを概観する。
まず、ノードサンプリング、衝突検出、距離または最も近い隣人、ローカルプランニング、終了条件など、SBMPのキーコンポーネントの強化に学習がどのように使われているかについて論じる。
また、機械学習を用いてロボットのデータ駆動モデルを提供し、それをSBMPで使用する方法についても論じている。
論文 参考訳(メタデータ) (2022-11-15T18:13:49Z) - Design Automation for Fast, Lightweight, and Effective Deep Learning
Models: A Survey [53.258091735278875]
本調査では,エッジコンピューティングを対象としたディープラーニングモデルの設計自動化技術について述べる。
これは、有効性、軽量性、計算コストの観点からモデルの習熟度を定量化するために一般的に使用される主要なメトリクスの概要と比較を提供する。
この調査は、ディープモデル設計自動化技術の最先端の3つのカテゴリをカバーしている。
論文 参考訳(メタデータ) (2022-08-22T12:12:43Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳(メタデータ) (2022-04-09T13:04:36Z) - PosePipe: Open-Source Human Pose Estimation Pipeline for Clinical
Research [0.0]
我々は臨床現場で取得したデータに対して最先端のアルゴリズムの実行を容易にする人間のポーズ推定パイプラインを開発する。
本研究の目的は,新しいアルゴリズムの訓練ではなく,臨床・翻訳研究における最先端のポーズ推定アルゴリズムの活用を推し進めることである。
論文 参考訳(メタデータ) (2022-03-16T17:54:37Z) - Non-Markovian Quantum Process Tomography [0.0]
我々は、プロセステンソルトモグラフィーと呼ばれる量子プロセストモグラフィーの一般化を導入する。
実験条件を詳述し,最大線量推定に必要な後処理アルゴリズムを構築した。
超伝導量子デバイス上でのマルチタイム回路の忠実度を大幅に改善するために,その予測制御がいかに有効かを示す。
論文 参考訳(メタデータ) (2021-06-22T12:44:54Z) - 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) - 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) - One-step regression and classification with crosspoint resistive memory
arrays [62.997667081978825]
高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。
ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。
結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
論文 参考訳(メタデータ) (2020-05-05T08:00:07Z)
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。