論文の概要: Enhancement of Healthcare Data Transmission using the Levenberg-Marquardt Algorithm

• arxiv url: http://arxiv.org/abs/2206.04240v1
• Date: Thu, 9 Jun 2022 02:57:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-11 03:06:40.028964
• Title: Enhancement of Healthcare Data Transmission using the Levenberg-Marquardt Algorithm
• Title（参考訳）: Levenberg-Marquardt アルゴリズムによる医療データ伝送の促進
• Authors: Angela An, James Jin Kang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the healthcare system, patients are required to use wearable devices for the remote data collection and real-time monitoring of health data and the status of health conditions. This adoption of wearables results in a significant increase in the volume of data that is collected and transmitted. As the devices are run by small battery power, they can be quickly diminished due to the high processing requirements of the device for data collection and transmission. 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 and the frequency of transmission will improve the device battery life via using inference algorithm. There is an issue of improving transmission metrics with accuracy and efficiency, which trade-off each other such as increasing accuracy reduces the efficiency. This paper demonstrates that machine learning can be used to analyze complex health data metrics such as the accuracy and efficiency of data transmission to overcome the trade-off problem using the Levenberg-Marquardt algorithm to enhance both metrics by taking fewer samples to transmit whilst maintaining the accuracy. The algorithm is tested with a standard heart rate dataset to compare the metrics. The result shows that the LMA has best performed with an efficiency of 3.33 times for reduced sample data size and accuracy of 79.17%, which has the similar accuracies in 7 different sampling cases adopted for testing but demonstrates improved efficiency. These proposed methods significantly improved both metrics using machine learning without sacrificing a metric over the other compared to the existing methods with high efficiency.
• Abstract（参考訳）: 医療システムでは、患者はリモートデータ収集や、健康データと健康状態のリアルタイム監視にウェアラブルデバイスを使用する必要がある。 このウェアラブルの採用は、収集され送信されるデータの量を大幅に増加させます。 デバイスは小さなバッテリパワーで動作しているため、データの収集と送信のための高い処理要件のために、それらは迅速に減少することができる。 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。 医療データの量と送信頻度の削減は、推論アルゴリズムを使用してデバイスのバッテリ寿命を改善する。 送信メトリクスを精度と効率で改善する問題があり、精度の向上などのトレードオフによって効率が低下する。 本稿では,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機械学習で解析し,レバンス・マルカートアルゴリズムを用いて両指標の精度を向上し,精度を維持しながら送信するサンプルを減らし,両指標間のトレードオフ問題を克服できることを実証する。 このアルゴリズムは標準心拍数データセットでテストされ、測定値を比較する。 その結果、lmaは、サンプルデータサイズと精度を79.17%削減するために3.33倍の効率で、テストに採用されている7つの異なるサンプリングケースで同様の精度を持つが、効率性が向上した。 提案手法は, 既存の手法と比較して, 機械学習を用いて, 既存の手法と比較して, メトリクスを犠牲にすることなく, 両者のメトリクスを著しく改善した。

関連論文リスト

• Communication-Efficient Hybrid Federated Learning for E-health with Horizontal and Vertical Data Partitioning [67.49221252724229]
  E-Healthは、スマートデバイスや医療機関が患者のデータを共同で収集することを可能にする。 eヘルスにフェデレートされた学習を適用することは、多くの課題に直面します。 医療データは水平および垂直に分割される。 HFLとVFLの単純な組み合わせには、訓練効率の低下、難聴収束分析、パラメータチューニング戦略の欠如など、制限がある。
  論文  参考訳（メタデータ） (2024-04-15T19:45:07Z)
• Missing Value Imputation for Multi-attribute Sensor Data Streams via Message Propagation (Extended Version) [25.022656067909523]
  タイムウインドウでデータインスタンスの欠落した値を復元できるMPIN(Message propagation imputation Network)を提案する。 MPINは、既存のデータインプタを幅広いマージンで上回り、継続的なインプタフレームワークは効率的かつ正確である。
  論文  参考訳（メタデータ） (2023-11-13T14:01:04Z)
• Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
  分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。 最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。 我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T04:34:54Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• 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)
• 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)
• FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
  脳画像合成のための新しい自己教師型学習(FedMed)を提案する。 アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。 提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
  論文  参考訳（メタデータ） (2022-01-29T13:45:39Z)
• 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)
• 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)
• Machine Learning based CVD Virtual Metrology in Mass Produced Semiconductor Process [0.0]
  クロスベンチマークは、データインプット、特徴選択、回帰アルゴリズムの3つの重要な側面で行われている。 その結果,線形特徴選択回帰アルゴリズムはVMデータに不適合であることが判明した。 データの可用性は、最適精度が得られれば70%に過ぎず、高い予測精度を達成するためには、データインパッシングも必要である。
  論文  参考訳（メタデータ） (2021-07-11T15:32:31Z)

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。