論文の概要: Multimodal Indoor Localisation for Measuring Mobility in Parkinson's
Disease using Transformers
- arxiv url: http://arxiv.org/abs/2205.06142v1
- Date: Thu, 12 May 2022 15:05:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 14:27:55.910006
- Title: Multimodal Indoor Localisation for Measuring Mobility in Parkinson's
Disease using Transformers
- Title(参考訳): 変圧器を用いたパーキンソン病の移動度測定のためのマルチモーダル室内局在
- Authors: Ferdian Jovan, Ryan McConville, Catherine Morgan, Emma Tonkin, Alan
Whone, Ian Craddock
- Abstract要約: パーキンソン病の10人から収集したデータと、さまざまなセンサーを備えたスマートホームで5日間生活した10人のコントロールを使っています。
屋内でより効果的にローカライズするために、2つのデータモダリティを利用したトランスフォーマーベースのアプローチを提案する。
提案手法は,a) 時間的相関を異なる尺度とレベルで学習し,b) 様々なゲーティング機構を用いて,モダリティ内で関連する特徴を選定し,不必要なモダリティを抑制する。
- 参考スコア(独自算出の注目度): 2.683727984711853
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Parkinson's disease (PD) is a slowly progressive debilitating
neurodegenerative disease which is prominently characterised by motor symptoms.
Indoor localisation, including number and speed of room to room transitions,
provides a proxy outcome which represents mobility and could be used as a
digital biomarker to quantify how mobility changes as this disease progresses.
We use data collected from 10 people with Parkinson's, and 10 controls, each of
whom lived for five days in a smart home with various sensors. In order to more
effectively localise them indoors, we propose a transformer-based approach
utilizing two data modalities, Received Signal Strength Indicator (RSSI) and
accelerometer data from wearable devices, which provide complementary views of
movement. Our approach makes asymmetric and dynamic correlations by a) learning
temporal correlations at different scales and levels, and b) utilizing various
gating mechanisms to select relevant features within modality and suppress
unnecessary modalities. On a dataset with real patients, we demonstrate that
our proposed method gives an average accuracy of 89.9%, outperforming
competitors. We also show that our model is able to better predict in-home
mobility for people with Parkinson's with an average offset of 1.13 seconds to
ground truth.
- Abstract(参考訳): パーキンソン病(英: Parkinson's disease、PD)は、徐々に進行する神経変性疾患である。
室内での移動量や部屋間の移動速度などの局所化は、移動度を表すプロキシ結果を提供し、デジタルバイオマーカーとして、この病気が進行するにつれて移動度がどのように変化するかを定量化することができる。
パーキンソン病の10人から収集したデータと、さまざまなセンサーを備えたスマートホームで5日間生活した10人のコントロールを使っています。
屋内でより効果的にローカライズするために,ウェアラブルデバイスから受信信号強度指標(RSSI)と加速度計データという2つのデータモダリティを利用したトランスフォーマーベースのアプローチを提案する。
我々のアプローチは非対称でダイナミックな相関を
a)異なるスケールとレベルの時間的相関を学習し、
b) 様々なゲーティング機構を利用して,モダリティ内で関連する特徴を選定し,不必要なモダリティを抑制すること。
実患者を対象とするデータセットでは,提案手法が平均89.9%の精度を示し,競争相手を上回った。
また、我々のモデルはパーキンソン病患者に対する家庭内移動率を1.13秒で予測できることを示した。
関連論文リスト
- Subgroup discovery of Parkinson's Disease by utilizing a multi-modal
smart device system [63.20765930558542]
われわれはスマートウォッチとスマートフォンを使って、PD患者、DD、HCを含む504人の参加者のマルチモーダルデータを収集した。
様々なモダリティを組み合わせることで,分類精度が向上し,さらにPDクラスタが発見された。
論文 参考訳(メタデータ) (2022-05-12T08:59:57Z) - Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。
HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。
我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
論文 参考訳(メタデータ) (2022-03-14T17:05:59Z) - Early Disease Stage Characterization in Parkinson's Disease from
Resting-state fMRI Data Using a Long Short-term Memory Network [6.487961959149217]
パーキンソン病(英: Parkinson's disease、PD)は、ホーン病とイェール病の5段階からなる、一般的で複雑な神経変性疾患である。
早期の第1期と第2期を分類し、脳機能の変化を検出することは困難である。
本稿では,PDの初期段階を特徴付けるために,LSTM(Long Short-term memory)ネットワークを提案する。
論文 参考訳(メタデータ) (2022-02-11T18:34:11Z) - FedMed-GAN: Federated Multi-Modal Unsupervised Brain Image Synthesis [55.29343228661974]
我々は、フェデレートされたマルチモーダルな教師なし脳画像合成のための新しいベンチマークを構築した(FedMed-GAN)。
本稿では,FedMed-GANの生成モード崩壊問題を解消し,差分プライバシーによる性能低下を軽減するために,新たなエッジ損失を提案する。
論文 参考訳(メタデータ) (2022-01-22T02:50:29Z) - An Activity Recognition Framework for Continuous Monitoring of
Non-Steady-State Locomotion of Individuals with Parkinson's Disease [0.9137554315375922]
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。
論文 参考訳(メタデータ) (2021-10-08T20:35:45Z) - EEG Signal Processing using Wavelets for Accurate Seizure Detection
through Cost Sensitive Data Mining [2.7907613804877283]
本稿では,アセプション検出のためのウェーブレットの特性に依存するアプローチを提案する。
我々は、信号ノイズを低減するために、最大オーバーラップ離散ウェーブレット変換を利用する。
我々は、再構成されたノイズ低減信号、電極接続、情報伝達の効率から導かれる基本的統計パラメータを用いて属性空間を構築する。
論文 参考訳(メタデータ) (2021-09-22T01:40:51Z) - 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) - 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) - Neuromorphic adaptive spiking CPG towards bio-inspired locomotion of
legged robots [58.720142291102135]
スパイクセントラルパターンジェネレーターは、外部刺激によって駆動される異なる移動パターンを生成します。
終端ロボットプラットフォーム(あらゆる脚ロボット)の移動は、任意のセンサーを入力として地形に適応することができる。
論文 参考訳(メタデータ) (2021-01-24T12:44:38Z) - Towards Creating a Deployable Grasp Type Probability Estimator for a
Prosthetic Hand [11.008123712007402]
InceptionV3は0.95角類似度で最高精度を達成し、1.4 MobileNetV2は0.93で動作量は20%である。
我々の研究は、機械学習とコンピュータビジョンによるEMGインテント推論を物理的状態の確率で拡張することを可能にする。
論文 参考訳(メタデータ) (2021-01-13T21:39:41Z) - Exploring Motion Boundaries in an End-to-End Network for Vision-based
Parkinson's Severity Assessment [2.359557447960552]
パーキンソン病の重症度を2つの重要な構成要素である手の動きと歩行で測定するためのエンドツーエンドのディープラーニングフレームワークを提示する。
本手法は,テンポラルセグメンテーションフレームワークで訓練された膨らんだ3次元cnnを用いて,映像データの時間構造と時間構造を学習する。
本研究では,25名のPD患者を対象に,手作業および歩行作業における72.3%,77.1%の上位1位精度のデータセットを用いて,提案手法を評価した。
論文 参考訳(メタデータ) (2020-12-17T19:20:17Z)
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。