論文の概要: Activity Recognition From Newborn Resuscitation Videos
- arxiv url: http://arxiv.org/abs/2303.07789v1
- Date: Tue, 14 Mar 2023 11:04:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-15 15:30:15.015849
- Title: Activity Recognition From Newborn Resuscitation Videos
- Title（参考訳）: 新生児蘇生ビデオからの行動認識
- Authors: {\O}yvind Meinich-Bache, Simon Lennart Austnes, Kjersti Engan, Ivar
Austvoll, Trygve Eftest{\o}l, Helge Myklebust, Simeon Kusulla, Hussein
Kidanto and Hege Ersdal
- Abstract要約: タンザニアのヘイドムで、ビデオを含む新生児の蘇生中に記録された信号のデータセットが収集された。
新生児の蘇生時に活動認識を行うための2段階のディープニューラルネットワークシステムORAA-netを提案する。
このシステムは、新生児の活動、刺激、換気、吸引を平均精度77.67 %、平均リコール77,64 %、平均精度92.40 %と認識した。
- 参考スコア（独自算出の注目度）: 3.54339629317433
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: Birth asphyxia is one of the leading causes of neonatal deaths. A
key for survival is performing immediate and continuous quality newborn
resuscitation. A dataset of recorded signals during newborn resuscitation,
including videos, has been collected in Haydom, Tanzania, and the aim is to
analyze the treatment and its effect on the newborn outcome. An important step
is to generate timelines of relevant resuscitation activities, including
ventilation, stimulation, suction, etc., during the resuscitation episodes.
Methods: We propose a two-step deep neural network system, ORAA-net, utilizing
low-quality video recordings of resuscitation episodes to do activity
recognition during newborn resuscitation. The first step is to detect and track
relevant objects using Convolutional Neural Networks (CNN) and post-processing,
and the second step is to analyze the proposed activity regions from step 1 to
do activity recognition using 3D CNNs. Results: The system recognized the
activities newborn uncovered, stimulation, ventilation and suction with a mean
precision of 77.67 %, a mean recall of 77,64 %, and a mean accuracy of 92.40 %.
Moreover, the accuracy of the estimated number of Health Care Providers (HCPs)
present during the resuscitation episodes was 68.32 %. Conclusion: The results
indicate that the proposed CNN-based two-step ORAAnet could be used for object
detection and activity recognition in noisy low-quality newborn resuscitation
videos. Significance: A thorough analysis of the effect the different
resuscitation activities have on the newborn outcome could potentially allow us
to optimize treatment guidelines, training, debriefing, and local quality
improvement in newborn resuscitation.
- Abstract（参考訳）: 目的:出生性失調症は新生児死亡の主な原因の1つである。
生存の鍵は、即時かつ継続的な品質の新生児の蘇生である。
タンザニアのヘイドムで、ビデオを含む新生児蘇生中の記録された信号のデータセットが収集され、新生児の治療とその影響を分析することが目的である。
重要なステップは、蘇生エピソードの間、換気、刺激、吸引などの関連する蘇生活動の時系列を生成することである。
方法:我々は2段階深層ニューラルネットワークシステム,oraa-netを提案する。
第1ステップは畳み込みニューラルネットワーク(cnn)とポストプロセッシングを用いて関連物体を検出し追跡することであり,第2ステップはステップ1からアクティビティ領域を分析し,3d cnnを用いてアクティビティ認識を行うことである。
結果: 本システムは, 新生児, 刺激, 換気および吸引を平均精度77.67 %, 平均リコール率77,64 %, 平均精度92.40 %と認識した。
また,蘇生エピソードにおけるHCP(Health Care Providers)推定数の精度は68.32 %であった。
結論: 提案手法は低品質新生児蘇生ビデオにおける物体検出と活動認識に有効であることが示唆された。
意義: 異なる蘇生活動が新生児の予後に及ぼす影響を徹底的に分析することで, 新生児蘇生における治療ガイドライン, 訓練, 報告, 局所的品質改善を最適化できる可能性が示唆された。
関連論文リスト
- Advancing Newborn Care: Precise Birth Time Detection Using AI-Driven Thermal Imaging with Adaptive Normalization [1.101731711817642]
本稿では,人工知能(AI)とサーマルイメージングの融合について検討し,第1次AI駆動型バース検出器の開発について述べる。
まず,ガウス混合モデル(GMM)に基づく適応正規化手法を提案し,温度変動に関する問題を緩和する。
熱フレーム内での新生児の検出において、88.1%の精度と89.3%のリコールが報告されている。
論文 参考訳（メタデータ） (2024-10-14T13:20:51Z) - Dynamic Gaussian Splatting from Markerless Motion Capture can
Reconstruct Infants Movements [2.44755919161855]
本研究は,多様な臨床集団に適用可能な高度な運動分析ツールの道を開くものである。
マーカーレスモーションキャプチャーデータに対する動的ガウススプラッティングの適用について検討した。
以上の結果から,この手法が乳幼児の情景を表現し,乳幼児の動きを追跡できる可能性が示唆された。
論文 参考訳（メタデータ） (2023-10-30T11:09:39Z) - Automatic Infant Respiration Estimation from Video: A Deep Flow-based
Algorithm and a Novel Public Benchmark [10.097634735211654]
本研究では,自然環境下での映像から呼吸速度と波形を推定する深層学習法を開発した。
本モデルでは,125本のビデオによる乳幼児呼吸データセットを作成した。
乳児のAIR-125データを用いて訓練, 試験を行ったところ, 呼吸速度推定における他の最先端手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2023-07-24T19:59:15Z) - Object Detection During Newborn Resuscitation Activities [3.5661795505491445]
本稿では,2段階のプロセスを提案する。
最初のステップは、バッグマスクの蘇生装置や心拍センサーなど、関連するオブジェクトを検出し、追跡することだ。
運動中の物体検出性能は96.97 %(換気)、100 %(心拍センサーの装着/除去)、75 %(吸引)であった。
論文 参考訳（メタデータ） (2023-03-14T11:04:50Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-24T18:58:40Z) - One-shot action recognition towards novel assistive therapies [63.23654147345168]
この作業は、アクション模倣ゲームを含む医療療法の自動分析によって動機づけられます。
提案手法は、異種運動データ条件を標準化する前処理ステップを組み込んだものである。
自閉症者に対するセラピー支援のための自動ビデオ分析の実際の利用事例について検討した。
論文 参考訳（メタデータ） (2021-02-17T19:41:37Z) - Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided
Two-Path CNNs [49.32653090178743]
畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。
CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。
深層学習に基づく手法が古典的アプローチより優れていることが実証された。
論文 参考訳（メタデータ） (2020-08-05T08:49:20Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳（メタデータ） (2020-07-16T17:43:13Z) - Preterm infants' pose estimation with spatio-temporal features [7.054093620465401]
本稿では,手足検出・追跡における短期的特徴の活用について紹介する。
手足位置推定の実際の臨床実践で得られた深度ビデオを用いた最初の研究である。
論文 参考訳（メタデータ） (2020-05-08T09:51:22Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳（メタデータ） (2020-04-03T14:07:41Z)
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。