論文の概要: A Light-weight CNN Model for Efficient Parkinson's Disease Diagnostics
- arxiv url: http://arxiv.org/abs/2302.00973v1
- Date: Thu, 2 Feb 2023 09:49:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-03 14:39:34.107913
- Title: A Light-weight CNN Model for Efficient Parkinson's Disease Diagnostics
- Title(参考訳): 効率的なパーキンソン病診断のための軽量CNNモデル
- Authors: Xuechao Wang, Junqing Huang, Marianna Chatzakou, Kadri Medijainen,
Pille Taba, Aaro Toomela, Sven Nomm and Michael Ruzhansky
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.382077805849933
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, deep learning methods have achieved great success in various
fields due to their strong performance in practical applications. In this
paper, we present a light-weight neural network for Parkinson's disease
diagnostics, in which a series of hand-drawn data are collected to distinguish
Parkinson's disease patients from healthy control subjects. The proposed model
consists of a convolution neural network (CNN) cascading to long-short-term
memory (LSTM) to adapt the characteristics of collected time-series signals. To
make full use of their advantages, a multilayered LSTM model is firstly used to
enrich features which are then concatenated with raw data and fed into a
shallow one-dimensional (1D) CNN model for efficient classification.
Experimental results show that the proposed model achieves a high-quality
diagnostic result over multiple evaluation metrics with much fewer parameters
and operations, outperforming conventional methods such as support vector
machine (SVM), random forest (RF), lightgbm (LGB) and CNN-based methods.
- Abstract(参考訳): 近年,深層学習手法は,実用的応用において高い性能を発揮することで,様々な分野で大きな成功を収めている。
本稿では,パーキンソン病診断のための軽量ニューラルネットワークを提案する。パーキンソン病患者と健常者とを識別するために,手描きのデータを収集する。
提案モデルは,長期記憶(LSTM)にカスケードする畳み込みニューラルネットワーク(CNN)を用いて,収集した時系列信号の特性を適応する。
これらの利点をフル活用するために、まず、多層LSTMモデルを用いて、生データと連結し、より浅い1次元(1D)CNNモデルに入力し、効率的な分類を行う。
実験の結果,提案モデルはパラメータや操作の少ない複数の評価指標に対して高品質な診断結果を得ることができ,従来のサポートベクターマシン(svm),ランダムフォレスト(rf),ライトgbm(lgb),cnnベースの手法よりも優れていた。
関連論文リスト
- LSTM-CNN: An efficient diagnostic network for Parkinson's disease
utilizing dynamic handwriting analysis [2.1063903985563988]
我々は,患者の動的手書き信号の特徴的な手書きパターンを分析するために,コンパクトで効率的なネットワークアーキテクチャを設計する。
提案したネットワークは、長期記憶(LSTM)と畳み込みニューラルネットワーク(CNN)の両方の利点をフル活用したハイブリッドディープラーニングアプローチに基づいている。
論文 参考訳(メタデータ) (2023-11-20T13:34:08Z) - 1D-Convolutional transformer for Parkinson disease diagnosis from gait [7.213855322671065]
本稿では,歩行からパーキンソン病の診断に有効なディープニューラルネットワークモデルを提案する。
本稿では,重症度を検知し,病状を正確に診断するためのハイブリッドConvNetTransform-erアーキテクチャを提案する。
提案手法は歩行データからパーキンソン病の異なる段階を検出するのに有効であることが示された。
論文 参考訳(メタデータ) (2023-11-06T15:17:17Z) - 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) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - Spatiotemporal Feature Learning Based on Two-Step LSTM and Transformer
for CT Scans [2.3682456328966115]
我々は、新型コロナウイルスの症状分類を徹底的に行うための、新しい、効果的、2段階のアプローチを提案する。
まず,従来のバックボーンネットワークにより,CTスキャンにおける各スライスの意味的特徴埋め込みを抽出する。
そこで我々は,時間的特徴学習を扱うために,LSTMとTransformerベースのサブネットワークを提案する。
論文 参考訳(メタデータ) (2022-07-04T16:59:05Z) - CNN-LSTM Based Multimodal MRI and Clinical Data Fusion for Predicting
Functional Outcome in Stroke Patients [1.5250925845050138]
脳卒中患者の管理において臨床結果予測は重要な役割を担っている。
機械学習の観点から見ると、大きな課題のひとつは異種データを扱うことだ。
本稿では,長い短期記憶(CNN-LSTM)に基づくアンサンブルモデルを提案する。
論文 参考訳(メタデータ) (2022-05-11T14:46:01Z) - Novel EEG based Schizophrenia Detection with IoMT Framework for Smart
Healthcare [0.0]
統合失調症(Sz)は、世界中の人々の思考、行動、感情に深刻な影響を及ぼす脳障害である。
EEGは非線形時系列信号であり、その非線形構造のために調査に利用することがかなり重要である。
本稿では,深層学習を用いた脳波を用いたSz検出の性能向上を目的とする。
論文 参考訳(メタデータ) (2021-11-19T18:21:20Z) - 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) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z)
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。