論文の概要: Explaining machine learning models for age classification in human gait analysis

• arxiv url: http://arxiv.org/abs/2211.17016v1
• Date: Sun, 16 Oct 2022 13:53:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-22 09:29:30.378721
• Title: Explaining machine learning models for age classification in human gait analysis
• Title（参考訳）: 歩行分析における年齢分類のための機械学習モデルの記述
• Authors: Djordje Slijepcevic, Fabian Horst, Marvin Simak, Sebastian Lapuschkin, Anna-Maria Raberger, Wojciech Samek, Christian Breiteneder, Wolfgang I. Sch\"ollhorn, Matthias Zeppelzauer and Brian Horsak
• Abstract要約: 機械学習モデルではどの入力特徴が年齢による歩行パターンの違いを分類するために使用されるのか? AIST Gait Database 2019のサブセットを用いて,健常者の裸足歩行において,1人あたり5つの地上反応力(GRF)の記録を収録した。 60.1%の平均分類精度は37.3%のゼロルールベースラインよりも明らかに高かった。 混乱行列は,CNNが若年層と高齢層をよく区別するが,中年層をモデル化することは困難であったことを示している。
• 参考スコア（独自算出の注目度）: 10.570744839131775
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Machine learning (ML) models have proven effective in classifying gait analysis data, e.g., binary classification of young vs. older adults. ML models, however, lack in providing human understandable explanations for their predictions. This "black-box" behavior impedes the understanding of which input features the model predictions are based on. We investigated an Explainable Artificial Intelligence method, i.e., Layer-wise Relevance Propagation (LRP), for gait analysis data. The research question was: Which input features are used by ML models to classify age-related differences in walking patterns? We utilized a subset of the AIST Gait Database 2019 containing five bilateral ground reaction force (GRF) recordings per person during barefoot walking of healthy participants. Each input signal was min-max normalized before concatenation and fed into a Convolutional Neural Network (CNN). Participants were divided into three age groups: young (20-39 years), middle-aged (40-64 years), and older (65-79 years) adults. The classification accuracy and relevance scores (derived using LRP) were averaged over a stratified ten-fold cross-validation. The mean classification accuracy of 60.1% was clearly higher than the zero-rule baseline of 37.3%. The confusion matrix shows that the CNN distinguished younger and older adults well, but had difficulty modeling the middle-aged adults.
• Abstract（参考訳）: 機械学習(ML)モデルは、若者と高齢者のバイナリ分類など、歩行分析データの分類に有効であることが証明されている。 しかしmlモデルには、予測に対する人間の理解可能な説明が欠けている。 この"ブラックボックス"の振る舞いは、モデル予測に基づく入力の特徴を理解することを妨げる。 歩行分析データのための説明可能な人工知能法,すなわち層間相関伝播法(lrp)について検討した。 機械学習モデルではどの入力特徴が年齢による歩行パターンの違いを分類するために使用されるのか? AIST Gait Database 2019のサブセットを用いて,健常者の裸足歩行において,1人あたり5つの地上反応力(GRF)を収録した。 各入力信号は結合前にmin-max正規化され、畳み込みニューラルネットワーク(CNN)に入力される。 参加者は若年者(20～39歳)、中年者(40～64歳)、高齢者(65～79歳)の3つの年齢グループに分けた。 LRPを用いた分類精度と関連スコアは, 層状10倍のクロスバリデーションで平均値を得た。 60.1%の平均分類精度は37.3%のゼロルールベースラインよりも明らかに高かった。 cnnは若年層と高齢層をよく区別したが,中年層をモデル化することが困難であった。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Explaining Deep Learning Models for Age-related Gait Classification based on time series acceleration [2.2770431622059792]
  ディープラーニングモデルは、歩行分析にビッグデータを使用することを約束している。 これらのモデル固有のブラックボックスの性質は、臨床応用に課題をもたらす。 本研究は,高齢者関連歩行パターンに対するDLに基づく歩行分類の透明性を高めることを目的としている。
  論文  参考訳（メタデータ） (2023-11-20T16:09:06Z)
• Measuring and Improving Attentiveness to Partial Inputs with Counterfactuals [91.59906995214209]
  我々は,新しい評価手法であるCAT(Facterfactual Attentiveness Test)を提案する。 CATは、入力の一部を別の例から別の例に置き換えることで、予測を変更する注意深いモデルを期待することで、反事実を使用する。 実験データの精度が向上する一方, GPT3 は実演回数の増加により注意力の低下がみられた。
  論文  参考訳（メタデータ） (2023-11-16T06:27:35Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Quantifying Human Bias and Knowledge to guide ML models during Training [0.0]
  トレーニングプロセスに人間を含めることで、歪んだデータセットを扱うための実験的なアプローチを導入する。 我々は、データセットの特徴の重要性をランク付けし、ランクアグリゲーションを通じて、モデルの初期重みバイアスを決定するよう人間に求める。 我々は、集団的人間の偏見によって、機械学習モデルがバイアス標本の代わりに真の人口についての洞察を学習できることを示した。
  論文  参考訳（メタデータ） (2022-11-19T20:49:07Z)
• Explaining automated gender classification of human gait [10.968267030101211]
  最先端機械学習(ML)モデルは、歩行分析データの分類に非常に効果的であるが、予測に関する説明は提供されていない。 この"ブラックボックス"の特徴は、どの入力パターン、MLモデルが予測に基づいているかを理解するのを不可能にする。 本研究では、歩行分類におけるML予測の説明可能性を高めるために、説明可能な人工知能手法が有用かどうかを検討する。
  論文  参考訳（メタデータ） (2022-10-16T13:57:09Z)
• Deep Learning Discovery of Demographic Biomarkers in Echocardiography [0.3957768262206625]
  深層学習アルゴリズムを用いて、心エコー画像から年齢、人種、性別を予測することができるかどうかを検証する。 年齢、性別、人種を予測するために、ビデオベースの畳み込みニューラルネットワークをトレーニングしました。 ディープラーニングモデルは、人種を確実に予測できず、年齢と性別を識別できることがわかった。
  論文  参考訳（メタデータ） (2022-07-13T16:48:49Z)
• LAE : Long-tailed Age Estimation [52.5745217752147]
  まず、簡単な標準ベースラインを定式化し、事前トレーニング、データ拡張、モデルアーキテクチャなどのトリックを収集することで、はるかに強力なベースラインを構築します。 標準ベースラインと比較して,提案手法は推定誤差を著しく低減する。 本稿では,Long-tailed Age Estimation (LAE) という2段階の学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-25T09:05:44Z)
• High performing ensemble of convolutional neural networks for insect pest image detection [124.23179560022761]
  害虫の寄生は作物の被害の主な原因であり、世界中の収入を失った。 我々は異なるトポロジに基づいてCNNのアンサンブルを生成する。 ディープネットワーク最適化のための2つの新しいAdamアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-28T00:49:11Z)
• How do Decisions Emerge across Layers in Neural Models? Interpretation with Differentiable Masking [70.92463223410225]
  DiffMaskは、差分性を維持しながら入力のサブセットをマスクアウトすることを学ぶ。 入力トークンを包含または無視する決定は、中間隠蔽層に基づく単純なモデルで行われる。 これにより、属性のヒートマップをプロットするだけでなく、ネットワーク層間で意思決定がどのように形成されるかを分析することができます。
  論文  参考訳（メタデータ） (2020-04-30T17:36:14Z)

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。