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
- Fault Diagnosis using eXplainable AI: a Transfer Learning-based Approach
for Rotating Machinery exploiting Augmented Synthetic Data [0.0]
FaultD-XAIは、移動学習に基づいて回転機械の故障を分類するための汎用的で解釈可能なアプローチである。
伝達学習を用いたスケーラビリティを実現するため、動作中の故障特性を模倣した合成振動信号を作成する。
提案手法は,有望な診断性能を得るだけでなく,専門家が条件を特定するために使用する特徴も学習することができた。
論文 参考訳（メタデータ） (2022-10-06T15:02:35Z) - 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 Learning for Size and Microscope Feature Extraction and
Classification in Oral Cancer: Enhanced Convolution Neural Network [30.343802446139186]
オーバーフィッティング問題は、深層学習技術が口腔癌の画像分類でうまく実装されていない理由である。
提案システムは,オートエンコーダ技術を用いて特徴抽出プロセスの効率を向上する拡張畳み込みニューラルネットワークで構成されている。
論文 参考訳（メタデータ） (2022-08-06T08:26:45Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [93.68531382792366]
本稿では,深層畳み込み型オートエンコーダのための自己教師型学習システムを提案する。
モデルが修正された再構成エラーによってデータ多様体に集中するように調整しながら、トレーニング中に識別情報を使用することができる。
MVTec 異常検出データセットに対する実験により,提案手法の高精度な認識とローカライゼーション性能が示された。
論文 参考訳（メタデータ） (2022-06-23T14:16:30Z) - 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) - AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。
汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。
機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文 参考訳（メタデータ） (2020-03-06T19:00:04Z)
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。