論文の概要: Health Monitoring of Movement Disorder Subject based on Diamond Stacked
Sparse Autoencoder Ensemble Model
- arxiv url: http://arxiv.org/abs/2303.08538v1
- Date: Wed, 15 Mar 2023 11:34:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 13:59:42.829603
- Title: Health Monitoring of Movement Disorder Subject based on Diamond Stacked
Sparse Autoencoder Ensemble Model
- Title(参考訳): ダイヤモンド積層スパースオートエンコーダアンサンブルモデルによる運動障害者の健康モニタリング
- Authors: Likun Tang, Jie Ma, Yongming Li
- Abstract要約: 本稿では,ダイヤモンド積層スパースオートエンコーダアンサンブルモデル(DsaeEM)に基づく運動障害者の健康モニタリングを提案する。
このアルゴリズムには2つの主要コンポーネントがある。第一に、機能拡張はFSSAE(Feature-embedded stacked sparse autoencoder)を用いて設計されている。
第2に、拡張された特徴間の冗長性を取り除くために、特徴低減機構が設計されている。
- 参考スコア(独自算出の注目度): 13.370180098472867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The health monitoring of chronic diseases is very important for people with
movement disorders because of their limited mobility and long duration of
chronic diseases. Machine learning-based processing of data collected from the
human with movement disorders using wearable sensors is an effective method
currently available for health monitoring. However, wearable sensor systems are
difficult to obtain high-quality and large amounts of data, which cannot meet
the requirement for diagnostic accuracy. Moreover, existing machine learning
methods do not handle this problem well. Feature learning is key to machine
learning. To solve this problem, a health monitoring of movement disorder
subject based on diamond stacked sparse autoencoder ensemble model (DsaeEM) is
proposed in this paper. This algorithm has two major components. First, feature
expansion is designed using feature-embedded stacked sparse autoencoder
(FSSAE). Second, a feature reduction mechanism is designed to remove the
redundancy among the expanded features. This mechanism includes L1 regularized
feature-reduction algorithm and the improved manifold dimensionality reduction
algorithm. This paper refers to the combined feature expansion and feature
reduction mechanism as the diamond-like feature learning mechanism. The method
is experimentally verified with several state of art algorithms and on two
datasets. The results show that the proposed algorithm has higher accuracy
apparently. In conclusion, this study developed an effective and feasible
feature-learning algorithm for the recognition of chronic diseases.
- Abstract(参考訳): 慢性疾患の健康モニタリングは運動障害の患者にとって非常に重要である。
ウェアラブルセンサーを用いた人間の運動障害から収集したデータの機械学習に基づく処理は、現在健康モニタリングに有効な方法である。
しかし、ウェアラブルセンサシステムは高品質で大量のデータを得ることが困難であり、診断精度の要求を満たすことはできない。
さらに,既存の機械学習手法ではこの問題をうまく扱えない。
機能学習は機械学習の鍵となる。
そこで本論文では,ダイヤモンド積層スパースオートエンコーダアンサンブルモデル(DsaeEM)に基づく運動障害の健康モニタリングについて述べる。
このアルゴリズムには2つの主要なコンポーネントがある。
まず、機能拡張はFSSAE(Feature-embedded stacked sparse autoencoder)を用いて設計される。
第2に、拡張された特徴間の冗長性を除去する特徴低減機構を設計する。
この機構は、L1正規化特徴減算アルゴリズムと改良された多様体次元減少アルゴリズムを含む。
本稿では,ダイヤモンドのような特徴学習機構として,機能拡張と機能縮小機構の組み合わせについて述べる。
この手法は、いくつかの最先端のアルゴリズムと2つのデータセットで実験的に検証される。
その結果,提案アルゴリズムの精度は高いことがわかった。
そこで本研究では,慢性疾患の認識に有効な特徴学習アルゴリズムを開発した。
関連論文リスト
- SEDMamba: Enhancing Selective State Space Modelling with Bottleneck Mechanism and Fine-to-Coarse Temporal Fusion for Efficient Error Detection in Robot-Assisted Surgery [7.863539113283565]
選択的状態空間モデル(SSM)を外科的誤り検出に組み込んだSEDMambaという新しい階層モデルを提案する。
SEDMambaは、長期ビデオにおける外科的エラーの検出と時間的局所化のために、ボトルネック機構と微細な時間的融合(FCTF)を備えた選択的SSMを強化する。
FCTFは、複数の拡張された1D畳み込み層を使用して、様々なスケール範囲にわたる時間情報をマージし、様々な期間のエラーを調節する。
論文 参考訳(メタデータ) (2024-06-22T19:20:35Z) - The Impact of Ontology on the Prediction of Cardiovascular Disease Compared to Machine Learning Algorithms [0.0]
本稿では,最も顕著な機械学習アルゴリズムと,オントロジーに基づく機械学習分類を比較し,レビューする。
これらの結果は, F-Measure, Accuracy, Recall, Precision などの混乱行列から生成された評価値を用いて評価した。
論文 参考訳(メタデータ) (2024-05-30T18:40:27Z) - Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳(メタデータ) (2023-12-08T18:11:22Z) - Defect Classification in Additive Manufacturing Using CNN-Based Vision
Processing [76.72662577101988]
本稿では、まず、畳み込みニューラルネットワーク(CNN)を用いて、画像データセットの欠陥をAMから第2に正確に分類し、発達した分類モデルにアクティブラーニング技術を適用する。
これにより、トレーニングデータやトレーニングデータの生成に必要なデータのサイズを削減できる、ヒューマン・イン・ザ・ループ機構の構築が可能になる。
論文 参考訳(メタデータ) (2023-07-14T14:36:58Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳(メタデータ) (2022-09-05T16:48:34Z) - Deep Metric Learning with Locality Sensitive Angular Loss for
Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。
本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。
このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
論文 参考訳(メタデータ) (2021-10-13T21:51:56Z) - Bayesian Structural Learning for an Improved Diagnosis of Cyber-Physical
Systems [0.8379286663107844]
本稿では,構造化診断モデルの自動学習のためのスケーラブルアルゴリズムを提案する。
比較アルゴリズムと同等のパフォーマンスを提供し、解釈性を向上させます。
論文 参考訳(メタデータ) (2021-04-02T11:14:05Z) - An Explainable Artificial Intelligence Approach for Unsupervised Fault
Detection and Diagnosis in Rotating Machinery [2.055054374525828]
本稿では,回転機械の故障検出と診断のための新しい手法を提案する。
この手法は,特徴抽出,障害検出,障害診断の3つの部分からなる。
提案手法の有効性は,機械的故障の異なる3つのデータセットに示される。
論文 参考訳(メタデータ) (2021-02-23T18:28:18Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳(メタデータ) (2020-10-29T08:27:43Z) - Towards Efficient Processing and Learning with Spikes: New Approaches
for Multi-Spike Learning [59.249322621035056]
各種タスクにおける他のベースラインよりも優れた性能を示すための2つの新しいマルチスパイク学習ルールを提案する。
特徴検出タスクでは、教師なしSTDPの能力と、その制限を提示する能力を再検討する。
提案した学習ルールは,特定の制約を適用せずに,幅広い条件で確実にタスクを解くことができる。
論文 参考訳(メタデータ) (2020-05-02T06:41:20Z) - AP-MTL: Attention Pruned Multi-task Learning Model for Real-time
Instrument Detection and Segmentation in Robot-assisted Surgery [23.33984309289549]
高解像度画像の検出とセグメンテーションのためのリアルタイムロボットシステムの訓練は、限られた計算資源で難しい問題となる。
重み付きエンコーダとタスク認識検出とセグメンテーションデコーダを備えた,エンドツーエンドのトレーニング可能なリアルタイムマルチタスク学習モデルを開発した。
我々のモデルは最先端のセグメンテーションモデルや検出モデルよりも優れており、最も優れたモデルもその課題である。
論文 参考訳(メタデータ) (2020-03-10T14:24:51Z)
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。