論文の概要: Evaluating Performance of Machine Learning Models for Diabetic
Sensorimotor Polyneuropathy Severity Classification using Biomechanical
Signals during Gait
- arxiv url: http://arxiv.org/abs/2205.10581v1
- Date: Sat, 21 May 2022 12:35:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-05 16:19:51.848919
- Title: Evaluating Performance of Machine Learning Models for Diabetic
Sensorimotor Polyneuropathy Severity Classification using Biomechanical
Signals during Gait
- Title(参考訳): 歩行時バイオメカニカル信号を用いた糖尿病性感覚運動性ポリニューロパチー重症度分類のための機械学習モデルの性能評価
- Authors: Fahmida Haque, Mamun Bin Ibne Reaz, Muhammad Enamul Hoque Chowdhury,
Serkan Kiranyaz, Mohamed Abdelmoniem, Emadeddin Hussein, Mohammed Shaat,
Sawal Hamid Md Ali, Ahmad Ashrif A Bakar, Geetika Srivastava, Mohammad Arif
Sobhan Bhuiyan, Mohd Hadri Hafiz Mokhtar, Edi Kurniawan
- Abstract要約: 糖尿病性感作性ポリニューロパチー(DSPN)は、糖尿病患者によって引き起こされる神経障害の一形態である。
我々は,EMGとGRFデータを用いてDSPN患者を識別する機械学習技術を提案する。
筋電図解析では, GL, VL, TAの筋肉を併用し, トップ14の特徴を用いた92.89%の精度が得られた。
GRF分析では、GRFx, GRFy, GRFz信号から抽出した特徴の組み合わせについて、トップ15の特徴を用いて94.78%の精度を示した。
- 参考スコア(独自算出の注目度): 3.468954927186232
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diabetic sensorimotor polyneuropathy (DSPN) is one of the prevalent forms of
neuropathy affected by diabetic patients that involves alterations in
biomechanical changes in human gait. In literature, for the last 50 years,
researchers are trying to observe the biomechanical changes due to DSPN by
studying muscle electromyography (EMG), and ground reaction forces (GRF).
However, the literature is contradictory. In such a scenario, we are proposing
to use Machine learning techniques to identify DSPN patients by using EMG, and
GRF data. We have collected a dataset consists of three lower limb muscles EMG
(tibialis anterior (TA), vastus lateralis (VL), gastrocnemius medialis (GM) and
3-dimensional GRF components (GRFx, GRFy, and GRFz). Raw EMG and GRF signals
were preprocessed, and a newly proposed feature extraction technique scheme
from literature was applied to extract the best features from the signals. The
extracted feature list was ranked using Relief feature ranking techniques, and
highly correlated features were removed. We have trained different ML models to
find out the best-performing model and optimized that model. We trained the
optimized ML models for different combinations of muscles and GRF components
features, and the performance matrix was evaluated. This study has found
ensemble classifier model was performing in identifying DSPN Severity, and we
optimized it before training. For EMG analysis, we have found the best accuracy
of 92.89% using the Top 14 features for features from GL, VL and TA muscles
combined. In the GRF analysis, the model showed 94.78% accuracy by using the
Top 15 features for the feature combinations extracted from GRFx, GRFy and GRFz
signals. The performance of ML-based DSPN severity classification models,
improved significantly, indicating their reliability in DSPN severity
classification, for biomechanical data.
- Abstract(参考訳): 糖尿病性感覚運動性ニューロパチー(DSPN)は、ヒト歩行の生体力学的変化に変化を伴う糖尿病患者によって引き起こされる神経障害の1つである。
文献では、過去50年間、研究者は筋筋電図(EMG)と地面反応力(GRF)を研究することによって、DSPNによる生体力学的変化を観察してきた。
しかし、文献は矛盾している。
このようなシナリオでは、EMGとGRFデータを用いてDSPN患者を識別するために機械学習技術を利用することを提案する。
EMG(tibialis previous, TA), vastus lateralis(VL), gastrocnemius medialis(GM), 3-dimensional GRF component(GRFx, GRFy, GRFz)の3つの下肢筋からなるデータセットを収集した。
生のEMG信号とGRF信号の事前処理を行い,新たに提案した特徴抽出手法を適用し,信号から最良の特徴を抽出した。
抽出した特徴リストをRelief特徴ランキング手法を用いてランク付けし,高い相関性のある特徴を除去した。
私たちは、最高のパフォーマンスモデルを見つけるために、さまざまなMLモデルをトレーニングし、そのモデルを最適化しました。
筋とGRF成分の異なる組み合わせに対する最適化MLモデルを訓練し,性能行列を評価した。
本研究は, DSPN Severityの同定において, アンサンブル分類器モデルの性能を確認し, トレーニング前に最適化した。
筋電図解析では, GL, VL, TAの筋肉を併用し, トップ14の特徴を用いた92.89%の精度が得られた。
GRF分析では、GRFx, GRFy, GRFz信号から抽出した特徴の組み合わせについて、トップ15の特徴を用いて94.78%の精度を示した。
MLに基づくDSPN重度分類モデルの性能は大幅に向上し,生体力学データに対するDSPN重度分類の信頼性が向上した。
関連論文リスト
- Comparison of gait phase detection using traditional machine learning
and deep learning techniques [3.11526333124308]
本研究では,人間歩行のための低レベルEMGデータに基づく機械学習(ML)モデルを提案する。
その結果,従来のMLモデルでは75%,ディープラーニング(DL)モデルでは79%の精度が得られた。
論文 参考訳(メタデータ) (2024-03-07T10:05:09Z) - Predicting Multi-Joint Kinematics of the Upper Limb from EMG Signals
Across Varied Loads with a Physics-Informed Neural Network [0.0]
PINNモデルは、フィードフォワードニューラルネットワーク(ANN)とジョイントトルクモデルを組み合わせることで構成される。
PINNモデルのトレーニングデータセットは、EMGと4つの異なる被験者から収集された時間データを含む。
その結果,関節角度予測では58%から83%の相関が認められた。
論文 参考訳(メタデータ) (2023-11-28T16:55:11Z) - Machine Learning Small Molecule Properties in Drug Discovery [44.62264781248437]
我々は, 結合親和性, 溶解性, ADMET (吸収, 分布, 代謝, 排出, 毒性) を含む幅広い特性について検討する。
化学指紋やグラフベースニューラルネットワークなど,既存の一般的な記述子や埋め込みについて論じる。
最後に、モデル予測の理解を提供する技術、特に薬物発見における重要な意思決定について評価する。
論文 参考訳(メタデータ) (2023-08-02T22:18:41Z) - Explainable AI and Machine Learning Towards Human Gait Deterioration
Analysis [0.0]
歩行データを客観的に分析し,臨床関連バイオマーカーと所見を関連づける。
physioNet.orgデータセット毎の98% F1 sc の分類精度と、組み合わせたphysioNetデータセットの95.5% F1スコアを達成する。
論文 参考訳(メタデータ) (2023-06-12T14:53:00Z) - A Light-weight CNN Model for Efficient Parkinson's Disease Diagnostics [1.382077805849933]
提案モデルは,時系列信号の特性を適応させるために,畳み込みニューラルネットワーク(CNN)から短期記憶(LSTM)へと変換される。
実験結果から,提案モデルでは,パラメータや操作がはるかに少ない複数の評価指標に対して,高品質な診断結果が得られることがわかった。
論文 参考訳(メタデータ) (2023-02-02T09:49:07Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳(メタデータ) (2022-12-17T23:29:14Z) - Morphological feature visualization of Alzheimer's disease via
Multidirectional Perception GAN [40.50404819220093]
アルツハイマー病(AD)の重症度を示す形態的特徴を可視化するために, 新規な多方向知覚生成適応ネットワーク(MP-GAN)を提案する。
MP-GANは既存の手法に比べて優れた性能を発揮する。
論文 参考訳(メタデータ) (2021-11-25T03:24:52Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug
Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。
我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。
アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文 参考訳(メタデータ) (2020-05-13T20:29:48Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳(メタデータ) (2020-04-30T20:42:17Z) - Spitzoid Lesions Diagnosis based on GA feature selection and Random
Forest [0.0]
本研究の目的は,スピッツイド病変の診断を支援する人工知能モデルを開発することである。
本研究で提案したシステムを評価するために,私的スピッツイド病変データセットが用いられている。
SMOTE-GA-RFモデルとGA-16の特徴は精度0.97, F-measure 0.98, AUC 0.98, G-mean 0.97で優れた性能を示した。
論文 参考訳(メタデータ) (2020-03-10T14:03:28Z)
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。