論文の概要: Infant movement classification through pressure distribution analysis
- arxiv url: http://arxiv.org/abs/2208.00884v3
- Date: Sat, 1 Jul 2023 14:07:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-04 15:59:46.082192
- Title: Infant movement classification through pressure distribution analysis
- Title（参考訳）: 圧力分布解析による幼児運動分類
- Authors: Tomas Kulvicius, Dajie Zhang, Karin Nielsen-Saines, Sven B\"olte, Marc
Kraft, Christa Einspieler, Luise Poustka, Florentin W\"org\"otter, Peter B
Marschik
- Abstract要約: 乳児の全身運動(GM)を分類するための圧力センサを用いた革新的な非侵襲的アプローチを提案する。
筆者らは, 圧力データを用いて, 典型的GMパターンである「前指運動」と「前指運動」とを区別する可能性を検討した。
- 参考スコア（独自算出の注目度）: 2.18942830965993
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Aiming at objective early detection of neuromotor disorders such as cerebral
palsy, we proposed an innovative non-intrusive approach using a pressure
sensing device to classify infant general movements (GMs). Here, we tested the
feasibility of using pressure data to differentiate typical GM patterns of the
''fidgety period'' (i.e., fidgety movements) vs. the ''pre-fidgety period''
(i.e., writhing movements). Participants (N = 45) were sampled from a
typically-developing infant cohort. Multi-modal sensor data, including pressure
data from a 32x32-grid pressure sensing mat with 1024 sensors, were
prospectively recorded for each infant in seven succeeding laboratory sessions
in biweekly intervals from 4-16 weeks of post-term age. For proof-of-concept,
1776 pressure data snippets, each 5s long, from the two targeted age periods
were taken for movement classification. Each snippet was pre-annotated based on
corresponding synchronised video data by human assessors as either fidgety
present (FM+) or absent (FM-). Multiple neural network architectures were
tested to distinguish the FM+ vs. FM- classes, including support vector
machines (SVM), feed-forward networks (FFNs), convolutional neural networks
(CNNs), and long short-term memory (LSTM) networks. The CNN achieved the
highest average classification accuracy (81.4%) for classes FM+ vs. FM-.
Comparing the pros and cons of other methods aiming at automated GMA to the
pressure sensing approach, we concluded that the pressure sensing approach has
great potential for efficient large-scale motion data acquisition and sharing.
This will in return enable improvement of the approach that may prove scalable
for daily clinical application for evaluating infant neuromotor functions.
- Abstract（参考訳）: 脳性麻痺などの神経運動障害を早期に客観的に検出することを目的として,乳児一般運動分類装置(gms)を用いた非侵襲的アプローチを提案した。
そこで本研究では,「フィジティ期」の典型的なgmパターンを「プレフィジティ期」と「プレフィジティ期」を区別するために,圧力データを用いた場合の可能性について検討した。
典型的には発達する乳児コホートから参加者 (N = 45) を採取した。
1024個のセンサーを備えた32×32グリッド圧センサマットの圧力データを含むマルチモーダルセンサデータを,2週間に1回,4～16週の生後7回の実験室で前向きに記録した。
概念実証のため,運動分類には2つの対象年齢から1776個の圧力データスニペット(長さ5s)を用いた。
各スニペットは、人間の評価者による対応する同期映像データに基づいて、Fidgety Present (FM+) またはFolt (FM-) として事前に注釈付けされた。
複数のニューラルネットワークアーキテクチャをテストして、サポートベクタマシン(SVM)、フィードフォワードネットワーク(FFN)、畳み込みニューラルネットワーク(CNN)、長期記憶(LSTM)ネットワークなど、FM+とFM-クラスを区別した。
CNN はクラス FM+ 対 FM- の平均分類精度 (81.4%) を達成した。
GMAの自動化を目的とした他の手法の長所と短所を圧力センサアプローチと比較した結果,圧力センサアプローチは大規模な動きデータ取得と共有を効率的に行う上で大きな可能性を秘めていることがわかった。
これにより、乳児の神経運動機能を評価するための日々の臨床応用にスケーラブルなアプローチの改善が可能になるだろう。
関連論文リスト
- Deep learning empowered sensor fusion boosts infant movement classification [2.5114056348393197]
FM(Fidgety Movement)評価のためのセンサ融合手法を提案する。
様々な組み合わせと2つのセンサ融合法を用いて、マルチセンサシステムが単一モードアセスメントよりも優れた性能を発揮するかどうかを検証した。
三感融合(94.5%の分類精度)の性能は、評価されたどの単一モダリティよりも著しく高かった。
論文 参考訳（メタデータ） (2024-06-13T11:38:58Z) - Integrative Deep Learning Framework for Parkinson's Disease Early Detection using Gait Cycle Data Measured by Wearable Sensors: A CNN-GRU-GNN Approach [0.3222802562733786]
対象のバイナリ分類に適した,先駆的な深層学習アーキテクチャを提案する。
我々のモデルは、1D畳み込みニューラルネットワーク(CNN)、GRU(Gated Recurrent Units)、GNN(Graph Neural Network)のパワーを利用する。
提案モデルでは, 99.51%, 99.57%, 99.71%, 99.64%のスコアが得られた。
論文 参考訳（メタデータ） (2024-04-09T15:19:13Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Freezing of Gait Prediction From Accelerometer Data Using a Simple
1D-Convolutional Neural Network -- 8th Place Solution for Kaggle's
Parkinson's Freezing of Gait Prediction Competition [0.0]
パーキンソン病(PD)患者における歩行凍結(FOG)は一般的な運動症状である
本研究では,加速度センサデータからFOGイベントを検出するための,単純な1次元畳み込みニューラルネットワークを提案する。
モデルがパーキンソンズ・フリーズ・オブ・ゲイト予測大会で1379チーム中8位にランクインした。
論文 参考訳（メタデータ） (2023-07-07T09:28:04Z) - Neuroevolutionary algorithms driven by neuron coverage metrics for
semi-supervised classification [60.60571130467197]
一部の機械学習アプリケーションでは、ラベル付けされていないインスタンスが豊富であるのに対して、教師付き分類のためのラベル付きインスタンスの可用性は制限されている。
本稿では、ニューラルネットワークアーキテクチャ上で計算されたニューラルネットワークカバレッジメトリクスを用いて、未ラベルのインスタンスを利用する神経進化的アプローチを提案する。
論文 参考訳（メタデータ） (2023-03-05T23:38:44Z) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳（メタデータ） (2023-01-01T12:48:12Z) - Automated Classification of General Movements in Infants Using a
Two-stream Spatiotemporal Fusion Network [5.541644538483947]
幼児の全身運動(GM)の評価は神経発達障害の早期診断に有用である。
近年、ビデオベースのGM分類が注目されているが、これは無関係な情報の影響を強く受けている。
不要な背景情報を除去する前処理ネットワークからなる自動GM分類法を提案する。
論文 参考訳（メタデータ） (2022-07-04T05:21:09Z) - Neuro-BERT: Rethinking Masked Autoencoding for Self-supervised Neurological Pretraining [24.641328814546842]
本稿では、フーリエ領域におけるマスク付き自己エンコーディングに基づく神経信号の自己教師付き事前学習フレームワークであるNeuro-BERTを提案する。
本稿では、入力信号の一部をランダムにマスキングし、欠落した情報を予測するFourier Inversion Prediction (FIP)と呼ばれる新しい事前学習タスクを提案する。
提案手法をいくつかのベンチマークデータセットで評価することにより,Neuro-BERTは下流神経関連タスクを大きなマージンで改善することを示す。
論文 参考訳（メタデータ） (2022-04-20T16:48:18Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Adaptive conversion of real-valued input into spike trains [91.3755431537592]
本稿では,実数値入力をスパイクトレインに変換し,スパイクニューラルネットワークで処理する方法を提案する。
提案手法は網膜神経節細胞の適応的挙動を模倣し,入力ニューロンが入力の統計の変化に応答することを可能にする。
論文 参考訳（メタデータ） (2021-04-12T12:33:52Z) - 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)
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。